2.

DISEÑOS FACTORIALES

2.1 Historia
Los diseños factoriales fueron utilizados en el siglo XIX por John Bennet Lawes y Joseph
Henry Gilbert de la Estación Experimental Rothamsted.

Ronald Fisher argumentó en 1926 que los diseños "complejos" (como los diseños
factoriales) eran más eficientes que estudiar un factor a la vez. [2]

Fisher pensaba que un diseño factorial permite determinar el efecto de varios factores e
incluso las interacciones entre ellos con el mismo número de ensayos necesarios para
determinar cualquiera de los efectos por sí solo con el mismo grado de precisión.

Es posible que el término "factorial" no se haya utilizado impresamente antes de 1935,

cuando Fisher lo utilizó en su libro El diseño de experimentos .

2.2 Definición
En estadística , un experimento factorial completo es un experimento cuyo diseño consta
de dos o más factores, cada uno con posibles valores o "niveles" discretos, y cuyas
unidades experimentales toman todas las combinaciones posibles de estos niveles en
todos los factores, como se muestra en la Figura 1.1. . Un diseño factorial completo
también puede denominarse diseño completamente cruzado. Un experimento de este tipo
permite al investigador estudiar el efecto de cada factor sobre la variable de respuesta ,
así como los efectos de las interacciones entre factores sobre la variable de respuesta.

Un factor es una variable independiente importante. En este ejemplo tenemos dos

factores: tiempo de instrucción y entorno.

Un nivel es una subdivisión de un factor. En este ejemplo, el tiempo en la instrucción

tiene dos niveles y el entorno tiene dos niveles.

Para la gran mayoría de experimentos factoriales, cada factor tiene sólo dos niveles. Por
ejemplo, con dos factores, cada uno de los cuales toma dos niveles, un experimento
factorial tendría cuatro combinaciones de tratamientos en total y generalmente se
denomina diseño factorial 2×2.

Si el número de combinaciones en un diseño factorial completo es demasiado alto para

ser logísticamente factible, se puede realizar un diseño factorial fraccionado , en el que se
omiten algunas de las combinaciones posibles (generalmente al menos la mitad).

Figura 2.1

Probablemente la forma más sencilla de empezar a comprender los diseños factoriales sea
mirando un ejemplo. Imaginemos un diseño en el que tenemos un programa educativo en
el que nos gustaría ver una variedad de variaciones del programa para ver cuál funciona
mejor. Por ejemplo, nos gustaría variar la cantidad de tiempo que los niños reciben
instrucción: un grupo recibe 1 hora de instrucción por semana y otro recibe 4 horas por
semana. Y nos gustaría variar el entorno: un grupo recibe instrucción en clase
(probablemente trasladado a un rincón del aula) y el otro grupo sale del aula para recibir
instrucción en otra sala.

Comencemos por definir algunos términos. En los diseños factoriales, un factor es una
variable independiente importante. En este ejemplo tenemos dos factores: tiempo de
instrucción y entorno. Un nivel es una subdivisión de un factor. En este ejemplo, el
tiempo en la instrucción tiene dos niveles y el entorno tiene dos niveles. A veces
representamos un diseño factorial con notación numérica. En este ejemplo, podemos
decir que tenemos un diseño factorial de 2 x 2 (hablado "dos por dos"). En esta notación,
la cantidad de números te indica cuántos factores hay y los valores numéricos te indican
cuántos niveles. Si dijera que tengo un diseño factorial de 3 x 4, sabrías que tengo 2
factores y que un factor tiene 3 niveles mientras que el otro tiene 4. El orden de los
números no hace ninguna diferencia y fácilmente podríamos denominarlo como un
diseño factorial de 4 x 3. El número de grupos de tratamiento diferentes que tenemos en
cualquier diseño factorial se puede determinar fácilmente multiplicando mediante la
notación numérica. Por ejemplo, en nuestro ejemplo tenemos 2 x 2 = 4 grupos. En
nuestro ejemplo de notación, necesitaríamos 3 x 4 = 12 grupos.

También podemos representar un diseño factorial en notación de diseño. Debido a las

combinaciones de niveles de tratamiento, resulta útil utilizar subíndices en el símbolo de
tratamiento (X). Podemos ver en la figura que existen cuatro grupos, uno para cada
combinación de niveles de factores. También resulta inmediatamente evidente que los
grupos fueron asignados al azar y que se trata de un diseño de prueba únicamente.

Ahora, veamos una variedad de resultados diferentes que podríamos obtener de este
diseño factorial simple de 2 x 2. Cada una de las siguientes figuras describe un posible
resultado diferente. Y cada resultado se muestra en forma de tabla (la tabla de 2 x 2 con
los promedios de filas y columnas) y en forma gráfica (con cada factor girando en el eje
horizontal). Debes convencerte de que la información de las tablas concuerda con la
información de ambos gráficos. También debes convencerte de que el par de gráficos en
cada figura muestra exactamente la misma información representada de dos maneras
diferentes. Las líneas que se muestran en los gráficos no son técnicamente necesarias: se
utilizan como ayuda visual para permitirle rastrear fácilmente dónde se ubican los
promedios de un solo nivel en los niveles de otro factor. Tenga en cuenta que los valores
que se muestran en las tablas y gráficos son promedios grupales de la variable de
resultado de interés. En este ejemplo, el resultado podría ser una prueba de logros en la
materia que se enseña. Supondremos que las puntuaciones en esta prueba oscilan entre 1
y 10 y que los valores más altos indican un mayor logro. Debe estudiar detenidamente los
resultados de cada figura para comprender las diferencias entre estos casos.
2.3 La ventaja del diseño factorial
 Un diseño bidireccional nos permite examinar el efecto conjunto (o interacción)
de las variables independientes sobre la variable dependiente. Una interacción
significa que el efecto que tiene una variable independiente sobre una variable
dependiente no es el mismo para todos los niveles de la otra variable
independiente. No podemos obtener esta información realizando análisis
unidireccionales separados.
 Los diseños factoriales se utilizan ampliamente en experimentos que involucran
varios factores.
 Hay varios casos especiales del diseño factorial general que son importantes
porque se utilizan ampliamente y forman la base de otros diseños de considerable
valor práctico.
 El diseño factorial puede conducir a pruebas más potentes al reducir la varianza
del error (dentro de la celda). Este punto aparecerá claramente cuando se
comparen los resultados de los análisis unidireccionales con los resultados de los
análisis bidireccionales o pruebas t.
 Con los diseños factoriales, no tenemos que hacer concesiones al responder estas
preguntas. Podemos tener ambas cosas si cruzamos cada uno de nuestros dos
tiempos en condiciones de instrucción con cada una de nuestras dos
configuraciones.

2.4 Los efectos principales

Un efecto principal es un resultado que es una diferencia consistente entre los niveles de
un factor. Por ejemplo, diríamos que hay un efecto principal para el entorno si
encontramos una diferencia estadística entre los promedios de los grupos en clase y fuera
de clase, en todos los niveles de tiempo de instrucción. La primera figura representa un
efecto principal del tiempo. Para todos los entornos, la condición de 4 horas a la semana
funcionó mejor que la de 1 hora a la semana. También es posible tener un efecto principal
para el escenario (y ninguno para el tiempo).
Fig. 2.2 a Efecto principal sobre el tiempo Fig. 2.2 b Efecto principal en la configuración

En el segundo gráfico de efectos principales vemos que el entrenamiento en clase fue

mejor que el entrenamiento fuera de clase durante todos los periodos de tiempo.

Fig. 2.3 Efecto principal sobre el tiempo y el entorno

Finalmente, es posible tener un efecto principal en ambas variables simultáneamente

como se muestra en la tercera figura del efecto principal. En este caso, 4 horas por
semana siempre funcionan mejor que 1 hora por semana y el entorno de clase siempre
funciona mejor que fuera de clase.
2.5 Efectos de interacción

Fig. 2.4 Efecto de interacción

Si sólo pudiéramos observar los efectos principales, los diseños factoriales serían útiles.
Pero, debido a la forma en que combinamos niveles en los diseños factoriales, también
nos permiten examinar los efectos de interacción que existen entre factores. Un efecto de
interacción existe cuando las diferencias en un factor dependen del nivel en que se
encuentra en otro factor. Es importante reconocer que una interacción se produce entre
factores, no entre niveles. No diríamos que hay una interacción entre 4 horas a la semana
y el tratamiento en clase. En cambio, diríamos que hay una interacción entre el tiempo y
el entorno, y luego pasaríamos a describir los niveles específicos involucrados.

¿Cómo saber si existe una interacción en un diseño factorial? Hay tres formas de
determinar que existe una interacción. Primero, cuando ejecute el análisis estadístico, la
tabla estadística informará sobre todos los efectos e interacciones principales. En segundo
lugar, sabes que hay una interacción cuando no puedes hablar del efecto sobre un factor
sin mencionar el otro factor. Si al final de nuestro estudio puedes decir que el tiempo en
la instrucción marca la diferencia, entonces sabrás que tienes un efecto principal y no una
interacción (porque no tuviste que mencionar el factor de configuración al describir los
resultados del tiempo). Por otro lado, cuando tienes una interacción es imposible describir
tus resultados con precisión sin mencionar ambos factores. Finalmente, siempre puedes
detectar una interacción en las gráficas de medias grupales: siempre que hay líneas que
no son paralelas, ¡hay una interacción presente! Si observa los gráficos de efectos
principales anteriores, notará que todas las líneas dentro de un gráfico son paralelas. Por
el contrario, para todos los gráficos de interacción, verá que las rectas no son paralelas.

Fig. 2.5 Efectos de interacción

En el primer gráfico del efecto de interacción, vemos que una combinación de niveles (4
horas a la semana y ambiente en clase) funciona mejor que las otras tres. En la segunda
interacción tenemos una interacción "cruzada" más compleja. Aquí, con 1 hora a la
semana, el grupo de retiro obtiene mejores resultados que el grupo en clase, mientras que
con 4 horas a la semana ocurre lo contrario. Además, ambas combinaciones de niveles
funcionan igualmente bien.

2.6 Resumen
El diseño factorial tiene varias características importantes. Primero, tiene una gran
flexibilidad para explorar o mejorar la "señal" (tratamiento) en nuestros estudios. Siempre
que estemos interesados en examinar variaciones de tratamientos, los diseños factoriales
deberían ser buenos candidatos como diseños de elección. En segundo lugar, los diseños
factoriales son eficientes. En lugar de realizar una serie de estudios independientes,
podemos combinar estos estudios en uno solo. Finalmente, los diseños factoriales son la
única forma eficaz de examinar los efectos de la interacción.

Hasta ahora, sólo hemos visto una estructura de diseño factorial 2 x 2 muy simple. Es
posible que desees consultar algunas variaciones del diseño factorial para obtener una
comprensión más profunda de cómo funcionan. Quizás también quieras examinar cómo
abordamos

2.7 Cálculos
Un diseño factorial de dos factores es un diseño experimental en el que se recopilan datos
para todas las combinaciones posibles de los niveles de los dos factores de interés.

• Si se toman tamaños de muestra iguales para cada una de las posibles combinaciones
de factores, entonces el diseño es un diseño factorial equilibrado de dos factores.

• Un diseño factorial a×b balanceado es un diseño factorial para el cual hay niveles a del
factor A, niveles b del factor B y n repeticiones independientes tomadas en cada una de
las combinaciones de tratamientos a×b. El tamaño del diseño es N =
abn.

• El efecto de un factor se define como el cambio promedio en la respuesta asociado con

un cambio en el nivel del factor. A esto se le suele llamar efecto principal.

• Si el cambio promedio en la respuesta entre los niveles de un factor no es el mismo en

todos los niveles del otro factor, entonces decimos que hay una interacción entre los
factores.
Tabla 2.1 cálculos

Donde nij es el número de observaciones en la celda (i,j).

EJEMPLO: (Un diseño equilibrado 2×2): Un virólogo está interesado en estudiar los
efectos de a = 2 medios de cultivo diferentes (M) yb = 2 tiempos diferentes (T) sobre el
crecimiento de un virus en particular.

Realiza un diseño balanceado con n = 6 repeticiones para cada una de las 4

combinaciones de tratamientos M ∗ T. Las N = 24 mediciones se tomaron en un orden
completamente aleatorio. Los resultados:

Tabla 2.2

• El efecto de cambiar T de 12 a 18 horas sobre la respuesta depende del nivel de M

 Para el medio 1, el efecto T = 37,16 − 23,3 = 13,86

Para el medio 2, el efecto T = 32 − 26 =6

• El efecto sobre la respuesta de cambiar M del medio 1 al 2 depende del nivel de T.

– Para T = 12 horas, el efecto M = 26−23,3 =2,7

– Para T = 18 horas, el efecto M = 32−37,16 =-5,16

• Si cualquiera de estos pares de efectos estimados es significativamente diferente,

entonces decimos que existe una interacción significativa entre los factores M y T.

Para el ejemplo de diseño 2×2:

– Si 13,83 es significativamente diferente de 6 para los efectos M, entonces

tenemos un interacción significativa M ∗ T. O,

– Si 2,6 es significativamente diferente de −5,16 para los efectos T, entonces

tenemos un interacción significativa M ∗T.

• Hay dos formas de definir una interacción entre dos factores A y B:

– Si el cambio promedio en la respuesta entre los niveles del factor A no es el

mismo en todos los niveles del factor B, entonces existe una interacción entre los
factores A y B.

– La falta de aditividad de los factores A y B, o el no paralelismo de los perfiles

medios de A y B, se denomina interacción de A y B.

• Cuando suponemos que no hay interacción entre A y B, decimos que los efectos son
aditivos.

• Un gráfico de interacción o un gráfico de medias de tratamiento es una herramienta

gráfica para comprobar posibles interacciones entre dos factores. Para hacer un gráfico de
interacción,

1. Calcule las medias de celda para todas las combinaciones a·b de los niveles de
A y B.

2. Grafique las medias de las celdas frente a los niveles del factor A.

3. Conectar y etiquetar significa los mismos niveles del factor B.

• Los roles de A y B se pueden invertir para hacer una segunda trama de interacción.
• Interpretación del gráfico de interacción: – Las líneas paralelas normalmente indican
que no hay interacción significativa.

– Una falta grave de paralelismo suele indicar una interacción significativa. -

Moderado La falta de paralelismo sugiere que puede existir una posible interacción
significativa.

• La significancia estadística de un efecto de interacción depende de la magnitud del

MSE: para valores pequeños del MSE, incluso los efectos de interacción pequeños
(menos no paralelismo) pueden ser significativos.

• Cuando una interacción A∗B es grande, los efectos principales correspondientes A y B

pueden tener poco significado práctico. El conocimiento de la interacción A∗B es a
menudo más útil que el conocimiento del efecto principal.

. • Generalmente decimos que una interacción significativa puede enmascarar la

interpretación de efectos principales significativos. Es decir, el experimentador debe
examinar los niveles de un factor, digamos A, en niveles fijos del otro factor para sacar
conclusiones sobre el efecto principal de A.

• Es posible que haya una interacción significativa entre dos factores, mientras que los
efectos principales de ambos factores no son significativos.

Esto sucedería cuando el gráfico de interacción muestra interacciones en diferentes

direcciones que se equilibran en uno o ambos factores (como un patrón X). Este tipo de
interacción, sin embargo, es poco común.
2.8 El modelo de interacción

• El modelo de interacción para un diseño completamente aleatorio de dos factores es:

yijk2 = (2)

dónde

µ es la media inicial, αi es el efecto del iésimo factor A,

βj es el efecto del factor B j, (αβ)ij es el efecto de interacción (i,j)ésimo A ∗B. ijk es el

error aleatorio de la k-ésima observación de la (i,j) -ésima celda

Suponemos ∑ijk ∼ IID N(0,σ2). Por ahora, también asumiremos que todos los efectos
son fijos. • Si se elimina (αβ)ij de (22), tendríamos el modelo aditivo:

yijk = µ + αi + βj +∑ijk Ecuación 2.1

• Si imponemos las restricciones

 Ecuación 2.2

entonces las estimaciones de mínimos cuadrados de los parámetros del modelo son

µ = βj = αi =

αβij=

• Si sustituimos estas estimaciones en (22) obtenemos

yijk = µ + αi + βj + c αβij + ∑ijk Ecuación 2.3

= y··· + (yi··−y···) + (y·j·−y···) + (yij·−yi··−y·j· + y···) + ∑ijk

donde ∑ijk es el k ésimo residual de la celda del tratamiento (i,j), y ∑ijk =

Para el diseño 2×2

y··· = 29.625 y1· = 24.6 y2· = 34.586 y·1 = 30.25 y·2 = 29.00

2.9 Análisis estadístico del modo de efectos fijos

= la suma de cuadrados de la interacción A ∗ B (df = (a−1)(b−1)

Fig. 2.6 Análisis estadístico del modo de efectos fijos
Tabla ANOVA factorial balanceada de dos factores

Tabla 2.3

2.10 Variaciones del diseño factorial

Aquí veremos varios diseños factoriales diferentes. Comenzaremos con un diseño de dos
factores donde uno de los factores tiene más de dos niveles. Luego presentaremos el
diseño de tres factores. Finalmente, presentaremos la idea del diseño factorial incompleto.

Un ejemplo de 2x3
 Fig. 2.7 Ejemplo de efecto principal de configuración 2x3

Para estos ejemplos, construyamos un ejemplo en el que deseamos estudiar el efecto de

diferentes combinaciones de tratamientos para el abuso de cocaína. Aquí, la medida
dependiente es la calificación de la gravedad de la enfermedad realizada por el personal
de tratamiento. El resultado oscila entre 1 y 10, donde las puntuaciones más altas indican
una enfermedad más grave: en este caso, una adicción a la cocaína más grave. Además,
supongamos que los niveles de tratamiento son:

 Factor 1: Tratamiento
o psicoterapia
o Modificación de comportamiento
 Factor 2: entorno
o paciente interno
o tratamiento diurno
o paciente externo

Fig. 2.8 efecto principal del tratamiento

Tenga en cuenta que el factor de configuración en este ejemplo tiene tres niveles.
La primera figura muestra cómo podría ser un efecto para establecer resultados. Hay que
tener mucho cuidado al interpretar estos resultados porque las puntuaciones más altas
significan que el paciente está peor . Está claro que el tratamiento hospitalario funciona
mejor, el tratamiento ambulatorio es el siguiente mejor y el tratamiento ambulatorio es el
peor de los tres. También está claro que no hay diferencia entre los dos niveles de
tratamiento (psicoterapia y modificación de conducta). Aunque ambos gráficos en la
figura representan exactamente los mismos datos, creo que es más fácil ver el efecto
principal de la configuración en el gráfico de la parte inferior izquierda, donde la
configuración se representa con diferentes líneas en el gráfico en lugar de en diferentes
puntos a lo largo del eje horizontal. .

Las segundas figuras muestran un efecto principal del tratamiento con psicoterapia que
funciona mejor (recuerde la dirección de la variable de resultado) en todos los entornos
que la modificación de la conducta. El efecto es más claro en el gráfico de la parte
inferior derecha donde se utilizan los niveles de tratamiento para las líneas. Tenga en
cuenta que tanto en esta figura como en la anterior las líneas en todos los gráficos son
paralelas, lo que indica que no hay efectos de interacción.

Ahora, veamos algunos de los posibles efectos de interacción. En el primer caso vemos
que el tratamiento diurno nunca es la mejor condición. Además, vemos que la
psicoterapia funciona mejor con la atención hospitalaria y la modificación de la conducta
funciona mejor con la atención ambulatoria.

El otro ejemplo del efecto de interacción es un poco más complicado. Aunque puede
haber algunos efectos principales mezclados con la interacción, lo importante aquí es que
existe una combinación única de niveles de factores que se destaca como superior: la
psicoterapia realizada en un entorno hospitalario. Una vez que identificamos una "mejor"
combinación como ésta, es casi irrelevante lo que sucede con los efectos principales.

2.11 Diseño factorial

incompleto
 Fig. 2.9 Diseño factorial incompleto

Está claro que los diseños factoriales pueden volverse engorrosos y tener demasiados
grupos incluso con sólo unos pocos factores. En muchas investigaciones, no le interesará
un diseño factorial completamente cruzado como los que hemos estado mostrando, que
emparejan cada combinación de niveles de factores. Es posible que algunas de las
combinaciones no tengan sentido desde una perspectiva política o administrativa, o que
simplemente no se cuente con fondos suficientes para implementar todas las
combinaciones. En este caso, es posible que decida implementar un diseño factorial
incompleto. En esta variación, algunas de las celdas se dejan vacías intencionalmente; no
se asignan personas para obtener esas combinaciones de factores.

Uno de los usos más comunes del diseño factorial incompleto es permitir un grupo de
control o placebo que no recibe tratamiento. En este caso, es realmente imposible
implementar un grupo que tenga simultáneamente varios niveles de factores de
tratamiento y no reciba ningún tratamiento. Por lo tanto, consideramos que el grupo de
control es su propia celda en una rúbrica factorial incompleta (como se muestra en la
figura). Esto nos permite realizar comparaciones de tratamientos tanto relativas como
absolutas dentro de un solo estudio y obtener una visión bastante precisa de diferentes
combinaciones de tratamientos.

2.12 Bloqueo en diseño factorial

BLOQUEO EN UN DISEÑO FACTORIAL

Hemos discutido los diseños factoriales en el contexto de un experimento completamente

aleatorio. A veces no es factible ni práctico aleatorizar completamente todas las
ejecuciones en un factorial. Por ejemplo
La presencia de un factor de molestia puede requerir que el experimento se realice en
bloques. En el capítulo 4 analizamos el concepto básico de bloqueo en el contexto de un
experimento de un solo factor. Ahora mostramos cómo se puede incorporar el bloqueo en
un factorial.

Considere un experimento factorial con dos factores (A y 8) y repita el modelo

estadístico lineal para este diseño como

Ecuación 2.4

donde Ƭ, β. y (βƬ), representan los efectos del factor AB y respectivamente. Supongamos

ahora que para realizar este experimento se requiere una materia prima particular.

Esta materia prima está disponible en lotes que no son lo suficientemente grandes como
para permitir que todas las combinaciones de tratamientos se ejecuten desde el mismo
lote. Sin embargo

. si una trampilla contiene suficiente material para las observaciones.

Entonces, un diseño alternativo consiste en ejecutar cada una de las n réplicas utilizando
un lote separado de materia prima.

Como consecuencia. los lotes de Materia prima representan una restricción de

aleatorización de un bloque.

y dentro de cada bloque se realiza una única réplica de un experimento factorial

completo. El modelo de efectos para este nuevo diseño es

Ecuación 2.5

donde ∆k es el efecto del k-ésimo bloque. Por supuesto, dentro de un bloque el orden en
que se ejecutan las combinaciones de tratamientos es completamente aleatorio. El modelo
(Ecuación 5-37) supone que la interacción entre bloques y tratamientos es insignificante.
Esto se asumió previamente en el análisis de diseños de bloques aleatorios. Si estas
interacciones existen, no pueden separarse del componente de error. De hecho, el término
de error en este modelo realmente consta de las interacciones (1-6),k, ([36)A y (703);k.
El análisis de varianza se describe en la Tabla 5-18 en la página 208. El diseño se parece
mucho al de un diseño factorial, con el error de suma de cuadrados reducido por la suma
 de cuadrados de los bloques. Computacionalmente, encontramos la suma de cuadrados de
los bloques como la suma de cuadrados entre los n totales de bloques { y..k }. En el
ejemplo anterior, la aleatorización se limitó a un lote de materia prima. En la práctica,
una variedad de fenómenos pueden causar restricciones de aleatorización, como el
tiempo, los operadores, etc. Por ejemplo, si no podemos ejecutar todo el experimento
factorial en un día, entonces el experimentador podría ejecutar una réplica completa el día
1, una segunda réplica el día 2, y así sucesivamente. En consecuencia, cada día sería un
bloque.

Tabla 2.3 ANOVA para un bloque completo aleatorio factorial de dos factores

El experimento está diseñado utilizando tres niveles de obstáculos del suelo y dos tipos
de filtros. Los consideraremos como factores de tipo fijo. El experimento se realiza
seleccionando aleatoriamente una combinación de tratamiento (nivel de ruido del suelo y
tipo de filtro) y luego introduciendo una señal que representa el objetivo en el
osciloscopio. La intensidad de este objetivo aumenta hasta que el operador lo observa.
Luego se mide el nivel de intensidad en el momento de la detección como variable de
respuesta. Debido a la disponibilidad del operador, es conveniente seleccionar un
operador y mantenerlo en el alcance hasta que se hayan realizado todos los análisis
necesarios. Además, los operadores difieren en su habilidad y capacidad para utilizar el
visor. En consecuencia, parece lógico utilizar los operadores como bloques. Se
seleccionan aleatoriamente cuatro operadores. Una vez elegido un operador, se determina
aleatoriamente el orden en que se ejecutan las seis combinaciones de tratamientos. Por
tanto, tenemos un experimento factorial 3 X 2 ejecutado en un bloque completo aleatorio.
Los datos se muestran en la Tabla 5-19. El modelo lineal para este experimento es
 Ecuación 2.6

donde Ti representa el efecto de desorden del suelo, βj representa el efecto del tipo de
filtro, (Ƭβ)ij es la interacción, ∆k es el efecto de bloque y €ijk es el componente de error
NID(0, σ2). Las sumas de cuadrados para el ruido del suelo, el tipo de filtro y su
interacción se calculan de la forma habitual.

2.13 Diseños factoriales fraccionados

Los objetivos de aprendizaje para esta lección incluyen:

 Comprender la aplicación de los diseños factoriales fraccionarios, uno de los

diseños más importantes para el cribado.
  Familiarizarse con los términos “generador de diseño”, “estructura de alias” y
“resolución de diseño”
 Saber analizar diseños factoriales fraccionados en los que normalmente no existen
suficientes grados de libertad para el error.
 Familiarizarse con el concepto de “foldover” ya sea sobre todos los factores o
sobre un solo factor y su aplicación en cada caso.
 Conocer los “Diseños Plackett-Burman” como otra clase de diseños de cribado
importantes

Introducción a los diseños factoriales fraccionados

Lo que hicimos en el último capítulo fue considerar sólo una réplica de un diseño
factorial completo y ejecutarla en bloques. Las combinaciones de tratamientos en cada
bloque de un factorial completo pueden considerarse como una fracción del factorial
completo.

Al configurar los bloques dentro del experimento, seleccionamos los efectos que sabemos
que serían confusos y luego los usamos para determinar el diseño de los bloques.

Comenzamos con un ejemplo sencillo.

En un ejemplo donde tenemos k = 3 factores de tratamiento con 2 3 = 8 ejecuciones,

seleccionamos 2 p = 2 bloques y usamos la interacción de 3 vías ABC para confundir con
los bloques y generar el siguiente diseño.

Tabla 2.4 tabla de signos para factor

de tres factores
trt A B C A C. an AB I
B A. tes C
de
Cr
ist
o
(1) - - - + + + -
a + - - - - + +
b - + - - + - +
ab + + - + - - -
C - - + + - - +
C. + - + - + - -
A
an - + + - - + -
tes
de
Cr
ist
o
 a + + + + + + +
B
C

Aquí están los dos bloques que resultan usando el ABC como generador:

Tabla 2.5

Bloque 1 2
ar
ABC - +
(1) a
ab b
C.A C
antes de aBC
Cristo

Un diseño factorial fraccionado es útil cuando no podemos permitirnos ni siquiera una

réplica completa del diseño factorial completo. En una situación típica, nuestro número
total de ejecuciones es N = 2 kp , que es una fracción del número total de tratamientos.

Usando nuestro ejemplo anterior, donde k = 3, p = 1, por lo tanto, N = 2 2 = 4

Entonces, en este caso, cualquiera de estos bloques anteriores es la mitad de un diseño de

2 3 . Al igual que en los diseños de bloques donde confundimos AB con bloques, donde
no pudimos decir nada sobre AB. Ahora bien, cuando ABC se confunde en el factorial
fraccionario no podemos decir nada sobre la interacción ABC.

Echemos un vistazo al primer bloque, que es media fracción del diseño completo. ABC
es el generador de la fracción 1/2 del diseño 2 3 . Ahora, tomamos sólo la fracción del
diseño completo donde ABC = -1 y la colocamos dentro de su propia tabla:

Tabla 2.6

trt A B C A C. an AB I
B A. tes C
de
Cr
ist
o
 (1) - - - + + + - +

ab + + - + - - - +

C. + - + - + - - +
A
an - + + - - + - +
tes
de
Cr
ist
o

Observe el contraste que define los efectos principales (colores similares): existe un alias
de estos efectos. Observe que las columnas con el mismo color son solo -1 veces entre sí.

En esta media fracción del diseño tenemos 4 observaciones, por lo tanto tenemos 3
grados de libertad para estimar. Los grados de libertad estiman los siguientes efectos: A -
BC, B - AC y C - AB. Por lo tanto, este diseño sólo es útil si las interacciones
bidireccionales no son importantes, ya que los efectos que podemos estimar son el efecto
combinado de los efectos principales y las interacciones bidireccionales.

Esto se conoce como Diseño de Resolución III. Se llama Diseño de Resolución III porque
el generador ABC tiene tres letras, pero las propiedades de este diseño y de todos los
diseños de Resolución III son tales que los efectos principales se confunden con
interacciones bidireccionales.
2.14 Notación
Los diseños fraccionarios se expresan usando la notación l k − p , donde l es el número de
niveles de cada factor investigado, k es el número de factores investigados y p describe el
tamaño de la fracción del factorial completo utilizado. Formalmente, p es el número de
generadores , asignaciones en cuanto a qué efectos o interacciones se confunden , es
decir , no pueden estimarse independientemente unos de otros (ver más abajo). Un diseño
con p tales generadores es una fracción de 1/( l p ) del diseño factorial completo.

Por ejemplo, un diseño 2 5 − 2 es 1/4 de un diseño factorial de dos niveles y cinco factores.
En lugar de las 32 ejecuciones que se requerirían para el experimento factorial completo
de 2 5 , este experimento requiere sólo ocho ejecuciones.

En la práctica, rara vez se encuentran niveles l > 2 en diseños factoriales fraccionados, ya

que la metodología de superficie de respuesta es una forma experimental mucho más
eficiente de determinar la relación entre la respuesta experimental y los factores en
múltiples niveles. Además, la metodología para generar dichos diseños para más de dos
niveles es mucho más engorrosa.

Los niveles de un factor comúnmente se codifican como +1 para el nivel superior y −1

para el nivel inferior. Para un factor de tres niveles, el valor intermedio se codifica como
0.

Para ahorrar espacio, los puntos en un experimento factorial de dos niveles suelen
abreviarse con cadenas de signos más y menos. Las cadenas tienen tantos símbolos como
factores, y sus valores dictan el nivel de cada factor: convencionalmente, para el primer
 (o bajo) nivel, y para el segundo (o alto) nivel. Los puntos de este experimento pueden
representarse así como , , ,y .

Los puntos factoriales también se pueden abreviar por (1), a, b y ab, donde la presencia
de una letra indica que el factor especificado está en su nivel alto (o segundo) y la
ausencia de una letra indica que el factor especificado está en su nivel bajo (o primero)
(por ejemplo, "a" indica que el factor A está en su nivel alto, mientras que todos los
demás factores están en su nivel bajo (o primero). (1) se utiliza para indicar que todos los
factores están en sus valores más bajos (o primeros).

Generación 2.15
En la práctica, los experimentadores suelen confiar en libros de referencia estadística para
obtener los diseños factoriales fraccionarios "estándar", que consisten en la fracción
principal . La fracción principal es el conjunto de combinaciones de tratamientos para las
cuales los generadores evalúan + según el álgebra de combinación de tratamientos. Sin
embargo, en algunas situaciones, los experimentadores pueden encargarse ellos mismos
de generar su propio diseño fraccionario.

Un experimento factorial fraccional se genera a partir de un experimento factorial

completo eligiendo una estructura de alias . La estructura de alias determina qué efectos
se confunden entre sí. Por ejemplo, los cinco factores 2 5 − 2 se pueden generar usando un
experimento factorial completo de tres factores que involucre tres factores (digamos A , B
y C ) y luego eligiendo confundir los dos factores restantes D y E con interacciones
generadas por D. = A * B y E = A * C . Estas dos expresiones se denominan generadores
del diseño. Entonces, por ejemplo, cuando se ejecuta el experimento y el experimentador
estima los efectos del factor D , lo que realmente se estima es una combinación del efecto
principal de D y la interacción de dos factores que involucra a A y B.

Una característica importante de un diseño fraccionario es la relación definitoria, que da

al conjunto de columnas de interacción igual en la matriz de diseño a una columna de
signos más, denotada por I. Para el ejemplo anterior, dado que D = AB y E = AC ,
entonces ABD y ACE son columnas de signos más y, en consecuencia, también lo es
BDCE . En este caso la relación definitoria del diseño fraccionario es I = ABD = ACE =
BCDE . La relación de definición permite determinar el patrón de alias del diseño.

Tabla 2.7 Combinaciones de tratamientos para un diseño

2 5−2
 Combinaciones de tratamientos para un diseño 2 5 − 2
Combinación de I A B C D= mi
tratamiento AB =
CA
Delaware + − − − + +
a + + − − − −
ser + − + − − +
abd + + + − + −
cd + − − + + −
as + + − + − +
antes de Cristo + − + + − −
aBCDe + + + + + +

2.16 Resolución
Una propiedad importante de un diseño fraccionado es su resolución o capacidad para
separar los efectos principales y las interacciones de bajo orden entre sí. Formalmente, la
resolución del diseño es la longitud mínima de palabra en la relación definitoria
excluyendo ( 1 ). Los diseños fraccionarios más importantes son los de resolución III, IV
y V: las resoluciones inferiores a III no son útiles y las resoluciones superiores a V son un
desperdicio en el sentido de que la experimentación ampliada no tiene ningún beneficio
práctico en la mayoría de los casos; la mayor parte del esfuerzo adicional se destina a la
resolución III, IV y V. estimación de interacciones de muy alto orden que rara vez
ocurren en la práctica. El diseño 2 5 − 2 anterior es la resolución III ya que su relación
definitoria es I = ABD = ACE = BCDE.

Tabla 2.8 tabla de resolución

Resolució Capacidad Ejemplo

n
I No es útil: un experimento de exactamente una 2 1 − 1 con relación
ejecución solo prueba un nivel de un factor y, por definitoria I = A
lo tanto, ni siquiera puede distinguir entre los
niveles alto y bajo de ese factor.
II No útil: los efectos principales se confunden con 2 2 − 1 con relación
otros efectos principales definitoria I = AB
III Estimar los efectos principales, pero estos pueden 2 3 − 1 con relación
confundirse con interacciones de dos factores. definitoria I = ABC
 IV Estimar los efectos principales no compuestos 2 4 − 1 con relación
por interacciones de dos factores. definitoria I =
Estimar los efectos de la interacción de dos ABCD
factores, pero estos pueden confundirse con
otras interacciones de dos factores.
V Estimar los efectos principales no compuestos 2 5 − 1 con relación
por interacciones de tres factores (o menos) definitoria I =
Estimar los efectos de la interacción de dos ABCDE
factores no agravados por las interacciones de
dos factores
Estimar los efectos de la interacción de tres
factores, pero estos pueden confundirse con
otras interacciones de dos factores.
VI Estimar los efectos principales sin confusión 2 6 − 1 con relación
por interacciones de cuatro factores (o menos) definitoria I =
Estimar los efectos de la interacción de dos ABCDEF
factores sin confusión por interacciones de
tres factores (o menos)
Estimar los efectos de la interacción de tres
factores, pero estos pueden confundirse con
otras interacciones de tres factores.

La resolución descrita sólo se utiliza para diseños normales. Los diseños normales tienen
un tamaño de ejecución que equivale a una potencia de dos y solo está presente el alias
completo. Los diseños no regulares son diseños en los que el tamaño del tiraje es múltiplo
de 4; Estos diseños introducen alias parciales y se utiliza resolución generalizada como
criterio de diseño en lugar de la resolución descrita anteriormente.