Diseños Factoriales

Semana 5

Prof. Marco Alvarado.

Prof. Marcela Meneses
 Diseño de Experimentos
Introducción a Diseños Factoriales

• Principios generales de los experimentos

factoriales.

• El factorial con dos factores con efectos fijos.

• La ANOVA para factoriales.

• Extensiones a más de dos factores.

2
 Definiciones importantes
• Diseño factorial Diseño experimental que sirve para estudiar el
efecto individual y de interacción de varios factores sobre una o
varias respuestas.
• Factor cualitativo Sus niveles toman valores discretos o de tipo
nominal. Ejemplos: máquinas, lotes, marcas, etcétera.

• Factor cuantitativo Sus niveles de prueba pueden tomar cualquier

valor dentro de cierto intervalo. La escala es continua, como por
ejemplo: temperatura, velocidad, presión, etcétera.

• Arreglo factorial Conjunto de puntos experimentales o tratamientos

que pueden formarse al considerar todas las posibilidades de
combinación de los niveles de los factores.

3
 Definiciones importantes
• Efecto de un factor Es el cambio observado en la variable de
respuesta debido a un cambio de nivel en el factor.

• Efecto principal Es igual a la respuesta promedio observada en el

nivel alto de un factor, menos la respuesta promedio en el nivel
bajo.

• Efecto de interacción Dos factores interactúan de manera

significativa sobre la variable de respuesta cuando el efecto de uno
depende del nivel en que está el otro.

4
 Ejercicio

Identifique en el siguiente ejemplo los

elementos que se han comentado en el
apartado de definiciones.

5
 Algunas Definiciones Básicas

Definición del efecto de un factor: El cambio en la respuesta promedio

cuando el factor es cambiado de nivel alto a bajo.
40 + 52 20 + 30
A = y A+ − y A− = − = 21
2 2
30 + 52 20 + 40
B = yB + − yB − = − = 11
2 2
52 + 20 30 + 40
AB = − = −1
2 2 6
El caso de la Interacción:

50 + 12 20 + 40
A = y A+ − y A− = − =1
2 2
40 + 12 20 + 50
B = yB + − yB − = − = −9
2 2
12 + 20 40 + 50
AB = − = −29
2 2
7
 Gráficas de interacción
Ejemplo de Efecto de Interacción Significativo

El efecto de A depende del nivel de B, y viceversa.

8
 Vida útil de una Batería

Como ejemplo de un diseño factorial que involucra dos factores, un

ingeniero está diseñando una batería para su uso en un dispositivo que
estará sujeto a algunas variaciones extremas de temperatura. El único
parámetro de diseño que puede seleccionar en este punto es el material
de la placa para la batería, y tiene tres opciones posibles. Cuando el
dispositivo se fabrica y se envía al campo, el ingeniero no tiene control
sobre las temperaturas extremas que encontrará el dispositivo, y sabe
por experiencia que la temperatura probablemente afectará la duración
efectiva de la batería. Sin embargo, la temperatura puede controlarse en
el laboratorio de desarrollo de productos a los fines de una prueba.
Archivo Battery [Link]

9
 El Experimento de la Vida de una
Batería

A = Tipo Material; B = Temperatura (A variable cualitativa)

1. ¿Qué efectos tienen el tipo de material y la temperatura en la
vida útil?
2. ¿Existe una escogencia de material que daría larga vida, a
pesar de la temperatura (objetivo del experimento es …) ?
10
 El Experimento General de Dos
Factores
De acuerdo a las definiciones a ésta matriz se le
conoce como…

a niveles de factor A; b niveles de factor B; n

réplicas
Este es un diseño completamente aleatorizado
11
 Modelo Teórico Diseño Factorial

Modelo estadístico (efectos):

 i = 1, 2,..., a

yijk =  +  i +  j + ( )ij +  ijk  j = 1, 2,..., b
k = 1, 2,..., n

Otros modelos como por ejemplo “análisis de
variabilidad” (modelo de desviación) pueden ser útiles
para reforzar decisiones.

• La interacción entrará en el anova y tendrá una participación dentro de la sumatoria de 12

cuadrados totales. Por lo tanto habrá también una probabilidad de que la interacción
no sea significativa y por lo tanto puede sacarla del modelo y se convertiría en un
modelo aditivo.
• Si la interacción es significativa, complica el análisis en el sentido de que la
interacción amarra la interpretación de los factores a los cuales son dependientes, es
decir, ya no se tiene la libertad de analizar los factores por separado. La interacción
tiene prioridad, tiene precedencia.
 Extensión de ANOVA a Factoriales (Caso
de Efectos Fijos)
a b n a b

 ijk ...

( y − y )
i =1 j =1 k =1
= bn  i.. ...
(2
y − y ) +
i =1
an  . j. ...
( y −
2
y ) 2

j =1
a b a b n
+ n ( yij . − yi.. − y. j . + y... ) +  ( yijk − yij . ) 2
2

i =1 j =1 i =1 j =1 k =1

SST = SS A + SS B + SS AB + SS E
df breakdown:
abn − 1 = a − 1 + b − 1 + (a − 1)(b − 1) + ab(n − 1)

13
Tabla ANOVA – Caso Efectos Fijos

14
 Pasos iniciales
Gráfica de caja de Life
200

150
Life

100

50

0
Material 1 2 3 1 2 3 1 2 3
Temp 15 70 125

Prueba de igualdad de varianzas: Life vs. Temp; Material

Múltiples intervalos de comparación para la desviación estándar, α = 0,05
Temp Material

15 1 Comparaciones múltiples
Valor p 0,648
2
Prueba de Levene
3 Valor p 0,608

70 1

125 1

0 50 100 150 200 250 300 15

Si los intervalos no se sobreponen, las [Link]. correspondientes son significativamente diferentes.
 Pasos para GLM
1

4
3

2
5
1. Ingresar variables
2. Ingresar modelo
3. Seleccionar variables
4.
5.
Dar botón “Agregar”.
Validar la interacción
6
6. Dar botón “Aceptar” y “Aceptar”.
16
Resultados

17
ANOVA/GLM/Comparaciones Múltiples

18
Supuestos del modelo (Residuos)

19
Estadísticas/ANOVA/GLM/Gráficas factoriales

Efectos principales

Interacción

20
Optimizador de respuesta

21
 1 Optimizador de respuesta

2
3

4
1. Ingresar “Optimizador”
2. Indicar objetivo (Max, Min, Target)
3. Indicar valores para optimizar.
4. Dar botón “Aceptar” y “Aceptar”. 22
 Optimizador de respuesta

4
1 2

33

1. “Jugar” con el factor 1 (Temp)

2. “Jugar” con el factor 2 (Material)
3. Observar el valor de “Deseabilidad” -→ 1.
4. Observar el valor de la respuesta esperada.
23
Factores Cuantitativos y Factores Cualitativos

• El procedimiento básico ANOVA trata cada factor como

si fueran cualitativos
• Algunas veces un experimento involucra factores
cuantitativos y cualitativos.
• Esto puede ser tomado en cuenta en el análisis para
producir un modelo de regresión para los factores
cuantitativos en cada nivel (o combinación de niveles)
de los factores cualitativos.
• Estas curvas de respuesta y/o superficies de respuesta
son de considerable ayuda en las interpretaciones
prácticas de los resultados.

24
Factoriales con más de dos factores

• Procedimiento básico es similar al caso de

dos factores; todos los abc…kn
combinaciones de tratamientos son
corridos en orden aleatorio
• ANOVA es también similar:

SST = SS A + SS B + + SS AB + SS AC +
+ SS ABC + + SS AB K + SS E
25
 Bebidas Carbonatadas
Un embotellador de refrescos está interesado en obtener el llenado más
uniformemente de las botellas producidas por proceso. La máquina de llenado llena
teóricamente cada botella la altura correcta del objetivo, pero en la práctica, hay
variación alrededor de este objetivo, y al embotellador le gustaría entender las
fuentes de esta variabilidad y reducirla. El ingeniero de proceso puede controlar tres
variables durante el proceso de llenado: el porcentaje de carbonatación (A), el presión
en el relleno (B) y las botellas producidas por minuto o la velocidad de línea (C). La
presión y la velocidad son fácil de controlar, pero el porcentaje de carbonatación es
más difícil controlar durante la fabricación real porque varía con la temperatura del
producto. Sin embargo, a los efectos de un experimento, el ingeniero puede controlar
la carbonatación a las tres en niveles: 10, 12 y 14 por ciento. Se elige dos niveles para
presión (25 y 30 psi) y dos niveles para la velocidad de línea (200 y 250 lpm). Se
ejecuta dos réplicas de un diseño factorial en estos tres factores, con las 24 corridas
tomadas en orden aleatorio. La variable de respuesta observada es la desviación
promedio de la altura de llenado objetivo observada en una producción de corrida de
botellas en cada conjunto de condiciones. Desviaciones positivas son alturas de
relleno por encima del objetivo, mientras que negativo las desviaciones son alturas de
relleno debajo del objetivo.
26
 Pasos iniciales
Gráfica de caja de Deviation
12,5

10,0

7,5
1 2
Deviation

5,0

2,5

0,0

-2,5

-5,0
Pressure 25 30 25 30 25 30 25 30 25 30 25 30
Carbonation 10 12 14 10 12 14
Speed 200 250

Prueba de igualdad de varianzas: Deviation vs. Carbonation Prueba de igualdad de varianzas: Deviation vs. Pressure
Múltiples intervalos de comparación para la desviación estándar, α = 0,05 Múltiples intervalos de comparación para la desviación estándar, α = 0,05

Com paraciones m últiples Com paraciones m últiples

V alor p 0,202 V alor p 0,248

10
Prueba de Levene Prueba de Levene
25
V alor p 0,390 V alor p 0,1 88
Carbonation

Pressure
12

1. Gráfico exploratorio (Box plot) 30

2. Prueba de normalidad 14

3. Prueba de Igualdad de varianzas 1 2 3 4

Si los intervalos no se sobreponen, las [Link]. correspondientes son significativamente diferentes.

3 4 5 6

Si los intervalos no se sobreponen, las [Link]. correspondientes son significativamente diferentes.

Prueba de igualdad de varianzas: Deviation vs. Carbonation; Speed

Múltiples intervalos de comparación para la desviación estándar, α = 0,05
Carbonation Speed

Com paraciones m últiples

10 200

3
V alor p 0,461

250 Prueba de Levene

V alor p 0,045

12 200

250

14 200

250
27
0 2 4 6 8

Si los intervalos no se sobreponen, las [Link]. correspondientes son significativamente diferentes.

 Pasos para GLM

1. Se ingresa a GLM y se selecciona la respuesta que es “deviation” y los tres

factores.
2. Se da click en “modelo” y se ingresa a pantalla 2, donde se seleccionan los tres
factores y en interacciones se escoge “3” y se da botón de “agregar”. Se verifica
que las interacciones estén en los “Términos del modelo”.
3. Se cliquea en “Aceptar” dos veces. 28
Resultados obtenidos

Los no
significativos
se sacan del
modelo

29
 Depurar el modelo

Dado que las interacciones dobles y la

triple no son significativas según el
resultado del ANOVA, se seleccionan y
con el botón de borrar (equis roja), se
eliminan y se vuelve a correr el ANOVA
sin ellas presentes.
30
Comparaciones de medias

Como se observa bajo

ningún factor las varianzas
son iguales.

31
Supuestos del modelo (Residuos)

32
Estadísticas/ANOVA/GLM/Gráficas factoriales

Los valores en los círculos

son los que minimizan la
desviación en el llenado de
las botellas.

33
 Optimizador de respuesta

Usted esperaría que la desviación en el llenado de

botellas sea CERO.
34
 Optimizador de respuesta
1
3

2
1. “Jugar” con los factores en estudio.
2. Observar el valor de “Deseabilidad” -→ 1.

4 3.
4.
Observar el valor de la respuesta esperada.
Sea Feliz, usted tiene una herramienta
estadística para plantear escenarios para la
toma de decisiones.

35
Ayuda de Minitab

36
Ayuda de Minitab

37
Ayuda de Minitab

38