INSTITUTO TECNOLGICO DE PACHUCA

EVALUACIN DE DISEO FACTORIAL CON DOS

FACTORES Y DISEO FACTORIAL CON TRES FACTORES

PRESENTAN:

HERNNDEZ NAVA ABRAHAM

MEZA LUZ DAVID

NOVIEMBRE,2009
INSTITUTO TECNOLGICO DE PACHUCA

[Escribir texto]

EVALUACIN DE DISEO FACTORIAL CON DOS

FACTORES Y DISEO FACTORIAL CON TRES FACTORES

PRESENTAN:

ESCALANTE CHVEZ MARA GUADALUPE

HERNNDEZ NAVA ABRAHAM
MEZA LUZ DAVID
VALENCIA HERNNDEZ EMMANUEL
VZQUEZ MONROY IRMA IRENE

ING. Me. URIBE RIOS GLORIA

EVALUADOR
PACHUCA DE SOTO, HIDALGO, NOVIEMBRE,2009
AGRADECIMIENTOS

[Escribir texto]

A por su dedicacin, entrega y empeo en la labor de recopilar informacin terica, que es

la base para el entendimiento del desarrollo de diseo factorial y que adems respecta al
Captulo I.

A David por su afn de investigador al desarrollar terica y prcticamente el diseo con dos
factores incluidos en el Captulo II.

A Abraham por su importante y valiosa aportacin en el diseo de tres factores apoyndose

para un mejor entendimiento en un ejemplo de la vida real observado en el Captulo III.

A por la ardua labor de recapitular la informacin en conjunto y desarrollarla a manera de

entregarla como un buen trabajo de investigacin.

INTRODUCCION

[Escribir texto]

Los experimentos factoriales se usan en casi todos los campos de investigacin. Son de
gran valor en el trabajo exploratorio (Niveles ptimos o combinacin ptima de los
factores).
Un diseo factoriales aquel en el que el conjunto de tratamientos esta conformado por todas
las posibles combinaciones de los distintos niveles de los factores involucrados.
En estadstica, un experimento factorial completo es un experimento cuyo diseo consta de
dos o ms factores, cada uno de los cuales con distintos valores o "niveles", y cuyas
unidades experimentales cubren todas las posibles combinaciones de esos niveles en todo
los factores. Este tipo de experimentos permiten el estudio del efecto de cada factor sobre la
variable respuesta, as como el efecto de las interacciones entre factores sobre la dicha
variable.
Por ejemplo, con dos factores y dos niveles en cada factor, un experimento factorial tendra
en total cuatro combinaciones de tratamiento, y se le denominara diseo factorial de 22.

[Escribir texto]

CAPTULO I

PLANTEAMIENTO DEL PROBLEMA

[Escribir texto]

CAPTULO I
PLANTEAMIENTO DEL PROBLEMA

1.1 CONCEPTOS BSICOS EN DISEO FACTORIAL

El objetivo de un diseo factorial es estudiar el efecto de varios factores sobre una o varias
respuestas o caractersticas de calidad, es decir, lo que se busca es estudiar la relacin entre
los factores y la respuesta, con la finalidad de conocer mejor como es esta relacin y
generar conocimiento que permita tomar acciones y decisiones que mejoren el desempeo
del proceso. Por ejemplo uno de los objetivos particulares ms importantes que en general
tiene un diseo factorial es encontrar nuevas condiciones de operacin del proceso que
eliminen o disminuyen cierto problema de calidad en la variable de salida.
Los factores pueden ser de tipo cualitativo (mquinas, tipos de material, operador, la
presencia o ausencia de una operacin previa, etc.), o de tipo cuantitativo (temperatura,
humedad, velocidad, presin, etc.). Para poder estudiar la manera en que influye cada factor
sobre la variable de respuesta, es necesario elegir al menos dos niveles de pruebas para cada
uno de ellos (tres mquinas, dos operadores, tres velocidades, dos temperaturas). Con el
diseo factorial completo se corren aleatoriamente en el proceso todas las posibles
combinaciones que pueden formarse con los niveles seleccionados.
DEFINICIONES:
Diseo factorial: Diseo experimental que sirve para estudiar el efecto individual y de
interaccin de varios factores sobre una o varias respuestas.
Factor cualitativo: Sus niveles toman valores discretos o de tipo nominal que no pueden ser
fracciones. Ejemplos: mquinas, lotes, marcas, etc.
Factor cuantitativo: Sus niveles de prueba pueden tomar cualquier valor dentro de cierto
intervalo. La escala es continua, como por ejemplo temperatura, velocidad, presin, etc.
Arreglo factorial: Conjunto de puntos experimentales o tratamientos que pueden formarse
al considerar todas las posibilidades de combinacin de los niveles de los factores.
Efecto de un factor: Es el cambio observado en la variable de respuesta debido a un cambio
de nivel en el factor.

[Escribir texto]

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 interaccin: Dos factores interactan significativamente sobre la variable de
respuesta cuando el efecto de uno depende del nivel en que est el otro.
VENTAJAS DE LOS DISEOS FACTORIALES:
1. Son diseos que se pueden aumentar para formar diseos compuestos en caso de
que se requiera una exploracin ms completa.
2. Se pueden corres fracciones de diseos factoriales, las cuales son de gran utilidad en
las primeras etapas de una investigacin que involucra a muchos factores, cuando
interesa descartar de manera econmica los que no son importantes, antes de hacer
un estudio ms detallado con los factores que s son importantes
3. Pueden utilizarse en combinacin con diseos de bloques en situaciones en las que
no puede correrse todo el diseo factorial completo bajo las mismas condiciones o
circunstancias.
4. La interpretacin y clculo de los efectos en los experimentos factoriales se puede
hacer con aritmtica elemental, en particular cuando cada factor se prueba en dos
niveles.

1.1.1

DISEO FACTORIAL GENERAL

Considere f factores A, B, C,, K con niveles a, b, c,, k respectivamente, donde la

letra K denota al f-simo o ltimo factor del conjunto a estudiar, no necesariamente al
dcimoprimero que es lugar de esta letra en el alfabeto. Con estos niveles y factores se
puede construir el diseo factorial general a x b x x k, que consiste de a x b x x k
tratamientos o puntos de prueba. Con este diseo se pueden estudiar f efectos
principales, f(f-1)/2 interacciones dobles, f(f-1)(f-2)/(3 x 2) interacciones triples, y as
sucesivamente hasta la nica interaccin de los f factores (ABCK). el clculo del
nmero de interacciones de cierta cantidad m de factores se hace mediante la operacin
combinaciones de f en m

que cuenta el nmero de

maneras diferentes de seleccionar m factores de los f, donde f! = f x (f-1) x x 2 x 1.

En resumen con el factorial general descrito se pueden estudiar los siguientes 2 f 1
efectos.

[Escribir texto]

1.1.2

PASOS PARA EL ANLISIS FACTORIAL

Primer paso: Objetivos del anlisis factorial

El punto de comienzo en el anlisis factorial es el problema objeto de investigacin. El
propsito general de las tcnicas analticas de factores es encontrar una manera de resumir
la informacin contenida en una serie de variables originales en una serie mas pequea de
dimensiones compuestas o factores nuevos con una mnima perdida de datos.
Las tcnicas del anlisis factorial pueden satisfacer cualquiera de estos 2 objetivos:
1. La identificacin de estructura mediante el resumen de datos
2. La reduccin de datos
1. La identificacin de estructura mediante resumen de datos
El anlisis factorial puede identificar la estructura de las relaciones entre las variables
mediante la investigacin de las correlaciones entre las variables. Por ejemplo supongamos
que tenemos 100 encuestados basados en 10 caractersticas. Si el objetivo de la
investigacin fuera el resumen de las caractersticas, se aplicara el anlisis factorial a una
matriz de correlacin de las variables. A este tipo de anlisis factorial se le conoce como
anlisis factorial R. ste analiza una serie de variables para identificar las dimensiones que
son latentes (que no son fciles de observar). Tambin se puede aplicar el anlisis factorial
a la matriz de correlacin de los encuestados individuales basada en sus caractersticas. A
ste tipo se le denomina anlisis factorial Q, siendo un mtodo para combinar grandes
grupos de personas en grupos claramente diferentes dentro de una poblacin mayor. Pero
generalmente para analizar este tipo de cuestiones se utiliza el tipo de anlisis cluster.

[Escribir texto]

2. Reduccin de datos
El anlisis factorial tambin puede: identificar las variables suplentes de una serie de
variables ms grande para su utilizacin en anlisis de multivariantes posteriores o crear
una serie de valores completamente nueva, mucho ms pequea en nmero, para
reemplazar parcial o completamente la serie original de variables para su inclusin en
tcnicas posteriores. En ambos casos el propsito es retener la naturaleza y el carcter de
las variables originales, pero reducir su nmero.
El resumen de datos hace que la identificacin de los factores sean fines de por s; las
estimaciones de los factores y las contribuciones de cada variable a los factores constituyen
todo lo que se necesita para el anlisis.

Segundo paso: El diseo de un anlisis factorial

El diseo de un anlisis factorial implica tres decisiones bsicas:
1. Clculo de datos de entrada
2. El diseo de estudio en termino de numero de variables, las propiedades de
medicin y los tipos permisibles
3. El tamao de muestra
1. Las correlaciones entre las variables
La primera decisin en el diseo se concentra en la aproximacin que se usa para calcular
la matriz de correlacin tanto para el anlisis de tipo R como para el del tipo Q. el
investigador puede ocupar la matriz de datos de entrada a partir del clculo de las
correlaciones entre las variables, empleando el anlisis del tipo R. el investigador tambin
pude elegir la matriz de correlacin de las correlaciones entre los encuestados individuales.
En este tipo de anlisis, el resultado ser una matriz factorial que identifica sujetos
similares.
2. La seleccin de variables y cuestiones de medicin
Ahora es necesario abordar 2 preguntas: Cmo se miden las variables? Y Cuntas
variables deberan ser? Se supone que las variables a incluir en el anlisis tienen escala
mtrica. En algunos casos, se pueden utilizar variables ficticias (codificadas 0-1), aunque se
consideran como no mtricas.
Adems, el investigador debe intentar minimizar el nmero de variables que se incluyen;
no obstante, debe mantener un numero razonable de variables por factor. Si se est
diseando un estudio para valorar una estructura propuesta, el investigador deber incluir
varias variables (cinco o ms) que deban representar cada factor propuesto.

[Escribir texto]

3. Tamao muestral
Generalmente el investigador no usara el anlisis factorial para una muestra inferior a 50
observaciones, y preferiblemente el tamao muestral debera ser 100 o ms grande. Como
regla general, el mnimo es tener por lo menos un nmero de observaciones cinco veces
mayor que el nmero de variables a ser analizadas.

Tercer paso: Supuestos en el anlisis factorial

Los supuestos bsicos subyacentes del anlisis factorial son ms de tipo conceptual que
estadstico. Desde un punto de vista estadstico, se pueden obviar supuestos de normalidad,
homocedasticidad y linealidad siendo consientes de que su incumplimiento produce una
disminucin en las correlaciones observadas. En realidad, solo es necesaria la normalidad
cuando se aplica una prueba estadstica a la significacin de los factores; sin embargo,
raramente se utilizan estas pruebas. De hecho es deseable que haya cierto grado de
multicolinealidad, dado que el objetivo es identificar series de variables interrelacionadas.
Adicionalmente a las bases estadsticas para las correlaciones de la matriz de datos, el
investigador tiene que asegurarse tambin de que la matriz tiene suficientes correlaciones
para justificar la aplicacin de dicho anlisis. Si la inspeccin visual revela que no hay
nmero sustancial de correlaciones mayores a 0.30, entonces el anlisis es inapropiado.
Otra manera de determinar la conveniencia del anlisis es examinar la matriz de correlacin
entera. El contraste de esfericidad de Bartlett, una prueba estadstica para la presencia de
correlaciones entre variables, es una de estas herramientas. Proporciona la probabilidad
estadstica de que la matriz de correlacin de las variables sea una matriz identidad.
Otra medida para cuantificar el grado de intercorrelaciones entre las variables y la
conveniencia del anlisis es la medida de suficiencia de muestreo (MSA). Este ndice se
extiende de 0 a 1, llegando a 1 cuando cada variable es perfectamente predicha sin error por
las otras variables.
Los supuestos conceptuales que subyacen en el anlisis factorial se relacionan con la serie
de variables seleccionadas y la muestra elegida. Un supuesto bsico del anlisis factorial es
que existe una estructura subyacente en la serie de variables seleccionadas. Es
responsabilidad del investigador asegurarse de que las pautas observadas sean validas y
conceptualmente apropiadas para utilizar el anlisis factorial.
Cuarto paso: La estimacin de los factores y la valoracin del ajuste general
Una vez que se especifican las variables y se separa la matriz de correlacin, ya se est
preparado para aplicar el anlisis factorial que identifique la estructura subyacente de las

[Escribir texto]

relaciones. Para realizar esta operacin, es necesario tomar decisiones con respecto a: el
mtodo de extraccin de los factores; y el nmero de factores seleccionados para
representar la estructura subyacente de los datos. La seleccin del mtodo depende del
objetivo del investigador. Se utiliza el anlisis de componentes principales cuando el
objetivo es resumir la mayora de la informacin original (varianza) en una cantidad
mnima de factores con propsitos de prediccin. Por el contrario, se utiliza el anlisis
factorial comn para identificar los factores subyacentes o las dimensiones que reflejan qu
es lo que las variables comparten en comn.
El anlisis factorial comn frente a anlisis de componentes
El investigador puede usar dos modelos bsicos para obtener soluciones factoriales. Estos
se conocen como anlisis factorial comn y anlisis de componentes principales. Con el fin
de seleccionar el modelo apropiado, en primer lugar el investigador tiene que comprender
las diferencias entre los tipos de varianzas. Para los propsitos del anlisis factorial, existen
tres tipos de varianza total:
1. Comn
2. Especifica (nica)
3. Error
Se define la varianza comn como aquella que se comparte con todas las otras variables en
el anlisis. La varianza especfica es aquella asociada solamente con una variable
especfica. La varianza de error es aquella que se debe a la poca fiabilidad en el proceso de
recoleccin de datos, error de medicin o componente aleatorio en el fenmeno medido.
El anlisis de componentes principales considera la varianza total y estima los factores que
contienen proporciones bajas de la varianza nica, y en algunos casos, de la de error.
En el anlisis factorial comn se incorporan las varianzas compartidas en la diagonal.
La seleccin de un modelo u otro se basa en 2 criterios:
1. Los objetivos del anlisis factorial
2. El grado de conocimiento anterior acerca de las varianzas
El anlisis de componentes principales es apropiado cuando el inters principal se centra
en la prediccin o el mnimo numero de factores necesarios para justificar la porcin
mxima de la varianza representada en la serie de variables original, y cundo el
conocimiento previo sugiere que la varianza especifica y de error representan una porcin
relativamente pequea de la varianza total. Por el contrario cuando el objetivo es identificar
las dimensiones latentes o las construcciones representadas en las variables originales y el
investigador tiene poco conocimiento acerca de la varianza especifica y de error, lo mas
apropiado es usar el modelo factorial comn.

[Escribir texto]

Criterios para el clculo del nmero de factores a ser extrados

En general se utilizan los siguientes criterios para la extraccin del nmero de factores:
Criterio de raz latente. Es la tcnica ms utilizada por su sencillez. La racionalidad que
se usa es que cualquier factor individual debera justificar la varianza de por lo menos una
nica variable. Cada variable contribuye con un valor de 1 para el autovalor total. Por tanto,
slo se consideran los factores que tienen races latentes; explican al menos una variable, se
considera que todos los factores con races latentes menores que 1 no son significativas y
por tanto, se desestiman a la hora de incorporarlos a la interpretacin.
Criterio a priori. El criterio a priori es un criterio simple y a la vez razonable bajo ciertas
circunstancias. Con su aplicacin, el investigador ya sabe cuntos factores hay que extraer
antes de iniciar el anlisis factorial. El investigador simplemente instruye al computador
para parar el anlisis cuando se haya extrado el nmero de factores deseado.
Criterio de porcentaje de la varianza. El criterio de porcentaje de varianza es una
aproximacin que se basa en obtener un porcentaje acumulado especificado de la varianza
total extrada. El propsito es asegurar una significacin prctica de los factores derivados,
asegurando que explican por lo menos una cantidad especificada de la varianza. En las
ciencias naturales, el procedimiento de factores normalmente no debera ser detenido hasta
que los factores extrados cuenten con por lo menos un 95% de la varianza o hasta que el
factor justifique solamente una pequea porcin (menos del 5%). Por contraste, en las
ciencias sociales, donde la informacin muchas veces es menos precisa, es normal
considerar una solucin que represente un 60% de la varianza total como satisfactoria.
Criterio de contraste de cada. El contraste de cada se utiliza para identificar el nmero
ptimo de factores que pueden ser extrados antes de que la cantidad de la varianza nica
empiece a dominar en la varianza comn. Se estima el contraste de cada con el trazo de
races latentes en funcin del nmero de factores en su orden de extraccin, y se utiliza la
forma de la curva consiguiente para evaluar el punto de corte.
Heterogeneidad de la muestra. La existencia de varianza compartida entre las variables es
el ncleo tanto de los modelos de factores comunes como de los de componentes. Un
supuesto subyacente es que la varianza compartida se extiende a lo largo de toda la
muestra. Si la muestra es heterognea al menos con respecto a un subconjunto de variables,
los primeros factores representaran aquellas variables que son ms homogneas a lo largo
de toda la muestra. Las variables con mayor capacidad de discriminar entre subconjuntos
muestrales cargaran sobre los ltimos factores.

[Escribir texto]

Quinto paso: Interpretacin de los factores

Para interpretar los factores y seleccionar la solucin factorial definitiva se deben seguir
tres pasos.
En primer lugar, se calcula la matriz inicial de factores no rotados para que nos d una
indicacin preliminar acerca del nmero de factores a extraer. La matriz de factores
contiene las cargas factoriales para cada variable sobre cada factor. Al calcular la matriz de
factores no rotada, el investigador simplemente est interesado en la mejor combinacin
lineal de variables, es decir, en encontrar aquella combinacin particular de las variables
originales que cuenta con el mayor porcentaje de varianza de los datos. En consecuencia, el
primer factor puede contemplarse como el mejor resumen de las relaciones lineales que los
datos manifiestan.
El segundo factor se define como la segunda mejor combinacin lineal de las variables,
sujeta a la restriccin de que sea ortogonal al primer factor. Para ser ortogonal al primer
factor el segundo factor debe derivarse de la varianza restante tras la extraccin del primer
factor. As, el segundo factor puede definirse como la combinacin lineal de las variables
que da cuenta del mayor porcentaje de la varianza residual una vez se ha eliminado de los
datos el efecto del primer factor. Los factores subsiguientes se definen de forma anloga
hasta haber agotado la varianza de los datos.
Las soluciones factoriales no rotadas alcanzan el objetivo de reduccin de los datos, pero el
investigador debe preguntarse si la solucin factorial no rotada facilita una informacin que
ofrezca la interpretacin ms adecuada de las variables examinadas. La mayor de las veces
no resulta as. La carga factorial es el medio para interpretar la funcin que cada variable
desempea al definir cada factor. Las cargas factoriales son la correlacin entre cada
variable y el factor. Las cargas indican el grado de correspondencia entre cada variable y el
factor, haciendo una variable con mayor carga representativa del factor. La solucin
factorial no rotada puede no dar un patrn significativo de cargas de las variables. Si se
espera que los factores no rotados sean significativos, el usuario puede especificar que la
rotacin no se lleve a cabo. Generalmente la rotacin es deseable porque simplifica la
estructura de los factores, y habitualmente es difcil determinar si los factores no rotados
sern significativos. Por tanto, el segundo paso hace un uso de un mtodo de rotacin para
lograr soluciones factoriales ms simples y tericamente ms significativas. En muchos
casos la rotacin de los factores mejora la interpretacin disminuyendo alguna de las
ambigedades que a menudo acompaan a las soluciones factoriales inicialmente no
rotadas.
En una tercera etapa, el investigador valora la necesidad de especificar de nuevo el modelo
de factores debido a:
1. La eliminacin de variables en el anlisis

[Escribir texto]

2. El deseo de emplear un mtodo de rotacin diferente para la interpretacin

3. La necesidad de extraer un numero diferente de factores
4. El deseo de cambiar de un mtodo de extraccin a otro
La especificacin nueva del modelo factorial viene acompaada de la vuelta a la etapa de
extraccin, rotacin de factores y de nuevo a su interpretacin.

Rotacin de factores
Una herramienta importante al interpretar los factores es la rotacin de factores. El termino
rotacin significa exactamente lo que indica. Concretamente, se giran en el origen los ejes
de referencia de los factores hasta alcanzar una determinada posicin. Como se indico
previamente, las soluciones factoriales no rotadas extraen factores segn su orden de
importancia. El primer factor tiende a ser un factor general por el que casi toda variable se
ve afectada significativamente dando cuenta del mayor porcentaje de varianza. El segundo
y siguientes factores se basan en la varianza residual. Cada uno explica porcentajes de
varianza cada vez menores. El efecto ltimo de rotar la matriz de factores es redistribuir la
varianza de los primeros factores a los ltimos para lograr un patrn de factores ms simple
y tericamente ms significativo.

1.1.3

EXTRACCIN DE MATRIZ FACTORIAL

ANOVA para el diseo factorial general a x b x x k

Fuente de Variacin

Error

Suma de Cuadrados

Grados de libertad

SCA

a-1

SCK
SCAB

k-1
(a-1)(b-1)

SC(K-1)K
SCABC

(l-1)(k-1)
(a-1)(b-1)(c-1)

SC(K-2)(K-1)K

(m-1)(l-1)(k-1)

SCABK
SCE

(a-1)(b-1)(k-1)
abck(n-1)

[Escribir texto]
Total

SCT

(abckn)-1

La suma de cuadrados totales est dada por

Donde N = abc kn es el total de observaciones en el experimento; los subndices k y m

representan al tercero y ltimo factor, respectivamente.
Las sumas de cuadrados de efectos son:

[Escribir texto]

Finalmente, la suma de cuadrado del error se calcula por

Slo en el caso irreal de que todos los posibles efectos en el factorial general estn activos,
es necesario realizar al menso dos rplicas del experimento. En las situaciones reales se
replican al menso dos veces (y no siempre) slo los diseos factoriales consistentes de 16 o
menos puntos de prueba.

[Escribir texto]

CAPITULO II
DISEO FACTORIAL CON DOS FACTORES

[Escribir texto]

CAPITULO II
DISEO FACTORIAL CON DOS FACTORES

2.1 PRESENTACIN DEL MODELO

El modelo de diseo de experimentos con dos factores tratamiento con interaccin se
conoce como modelo completo de dos vas o modelo de anlisis de la varianza de dos
vas.
Para presentar las formulas generales para el anlisis de varianza de un experimento de dos
factores que utiliza observaciones repetidas en un diseo por completo aleatorio, debe
considerarse el caso de n repeticiones de las combinaciones del tratamiento, determinadas
por niveles del factor A y b niveles del factor B. las observaciones pueden clasificarse
usando un arreglo rectangular, donde los renglones representan los niveles del factor A; y
las columnas, los factor B. Cada combinacin de tratamiento define una celda del arreglo.
As, se tienen ab celdas, cada una de las cuales contiene n observaciones. Se denota con
la k-sima observacin en el i-simo nivel del factor A y el j-simo nivel del factor B.
Modelo matemtico.
El modelo matemtico asociado al diseo de dos factores-tratamiento con interaccin y
replicado es el siguiente:

Para cada
i = 1,2,...,a; j = 1,2,...,b; k = 1,2,...,n,
Con restricciones

Donde:

[Escribir texto]

: Es la media general.
: Es el efecto (positivo o negativo) debido al i-simo nivel del factor A.
: Es el efecto (positivo o negativo) del j-simo nivel del factor B.
: Representa al efecto de interaccin en la combinacin ij.
: Es el error aleatorio que supone sigue una distribucin con media cero
y varianza constante

y son independientes entre si.

2.1.2 ESTIMACIN DE PARAMETROS

Los parmetros del modelo se obtienen por mnimos cuadrados, tcnica que se basa en
minimizar la suma de los cuadrados de los residuos.

Simblicamente la identidad de cuadrados se escribe as:

SST = SSA + SSB +SS(AB) + SSE
Donde SSA y SSB denominan la suma de cuadrados para los efectos principales A y B,
respectivamente, SS(AB) recibe el nombre de suma de cuadrados de la interaccin para A y
B, y SSE es la suma de errores al cuadrado. La participacin de los grados de libertad se
efecta de acuerdo con la identidad

*Suma de todas las observaciones

*Media global

[Escribir texto]

*Total en el nivel i del factor A

*Media en el nivel i del factor A

*Total en el nivel j del factor B

*Media en el nivel i del factor B

2.2.3 C
TABLA ANOVA PARAMETROS
Fuente

Suma de cuadrados

Suma de
cuadrados M.

Efecto
A

a1

Efecto
B

b1

Efecto
AB

(a-1)(b1)

Error

ab(n-1)

[Escribir texto]

Total

abn-1

Manejo de pruebas de hiptesis

*Hiptesis para el efecto A

La hiptesis nula se rechaza al nivel e significancia

cuando

*Hiptesis para el efecto B

La hiptesis se rechaza al nivel e significancia

*Hiptesis para el efecto AB

La hiptesis se rechaza al nivel e significancia

cuando

cuando

[Escribir texto]

2.2.4 Ejemplo:
En la tabla adjunta se presentan los tiempos, en minutos, de conexin con una
direccin de internet desde cuatro puntos geogrficos de una regin y en tres horas
determinadas. El experimento se repeta cuatro veces y era diseado para estudiar la
influencia del factor hora de conexin y el factor lugar de la conexin en la variable
de inters tiempo de conexin.
Analizar estos datos y estudiar la influencia de los dos factores.
Lugar A

Lugar B

Lugar C

Lugar D

Hora 1

0'31
0'46

0'45
0'43

0'82
0'88

1'10
0'72

0'43
0'63

0'45
0'76

0'45
0'66

0'71
0'62

Hora 2

0'36
0'40

0'29
0'23

0'92
0'49

0'61
1'24

0'44
0'31

0'35
0'40

0'56
0'71

1'02
0'38

Hora 3

0'22
0'18

0'21
0'23

0'30
0'38

0'37
0'29

0'23
0'24

0'25
0'22

0'30
0'31

0'36
0'33

Solucin.
Estimacin de los parmetros.
Se obtienen las siguientes tablas de medias y estimaciones
..

L-A

L-B

L-C

L-D

0'413

0'880

0'568

0'610

0'618

0'139

0'320

0'815

0'375

0'667

0'544

0'065

0'210

0'335

0'235

0'325

0'276

-0'203

. .
.j

0'314

0'677

0'393

0'534

-0'165

0'198

-0'086

0'055

H-1

1j

H-2

2j

H-3

3j

...

= 0'479

[Escribir texto]

L-A

L-B

L-C

L-D

H-1

-0'040

0'064

0'036

-0'063

H-2

-0'059

0'073

-0'083

0'068

H-3

0'099

-0'139

0'045

-0'006

.
ij

De donde se deduce la siguiente tabla de residuos:

Residuos

Lugar A

Lugar B

Lugar C

Lugar D

Hora 1

-0'103
0'047

0'037
0'017

-0'060
0'000

0'220
-0'160

-0'138
0'062

-0'118
0'192

-0'160
0'050

0'100
0'010

Hora 2

0'040
0'080

-0'030
-0'090

0'105
-0'325

-0'205
0'425

0'065
-0'065

-0'025
0'025

-0'107
0'043

-0'353
-0'287

Hora 3

0'010
-0'030

0'000
0'020

-0'035
0'045

0'035
-0'045

-0'005
0'005

0'015
-0'015

-0'025
-0'015

0'035
0'005

[Escribir texto]

Tabla ANOVA
Fuentes de
variacin

Suma de
cuadrados

Grados de
libertad

scm

p - valor

Factor hora

1'0330

0'5165

23'222

0'0000

Factor lugar

0'9212

0'3071

13'806

0'0000

Interaccin

0'2501

0'0417

1'874

0'1123

Variab. Exp.
Total

2'2043

11

Residual

0'8007

36

0.0222

= 0'149

Global

3'0050

47

0'0639

= 0'253

Se aceptar la hiptesis de no influencia de la interaccin entre lugar y hora.

Se rechaza esta hiptesis de no influencia del factor hora.

Se rechaza esta hiptesis de no influencia del factor lugar.

[Escribir texto]

CAPITULO III
DISEO FACTORIAL CON TRES FACTORES

[Escribir texto]

CAPTULO III
DISEO FACTORIAL CON TRES FACTORES
3.1.2 ESTIMACION DE LOS PARAMETROS DEL MODELO DE EFECTOS FIJOS
Cuando se tiene tres factores (A B y C) y el numero de niveles de prueba en cada uno de
ellos son a, b y c, se puede construir el arreglo factorial a*b*c, que consiste de a*b*c
tratamientos o puntos experimentales. Entre los arreglos de este tipo que se utilizan con
frecuencia entre aplicaciones diversas se encuentra. El factorial 23, el factorial 33 y los
factoriales mixtos con no ms de cuatro niveles en dos de los factores, por ejemplo, el
factorial 4*3*2 y el factorial 4*4*2 por mencionar dos de ellos.
El estudio factorial de tres factores (A, B y C) permitir investigar los efectos: A, B, C, AB,
AC, BC y ABC, donde el nivel de desglose o detalle con el que pueden estudiarse depende
el nmero de niveles utilizado en cada factor. Por ejemplo, si un factor se prueba en dos
niveles todo su efecto marginal (individual) es lineal, o sea que su efecto individual no se
pueda descomponer; pero si tuviera tres niveles, su efecto marginal se puede descomponer
en una parte lineal y otra cuadrtica pura.
3.2.3 CUADRO DE ANALISIS DE VARIANZA
Tabla ANOVA Para el diseo factorial a*b*c
FV
Efecto A

SC
SCA

GL
a-1

CM
CMA

F0
CMA/CME

Valor-p
P(F> F0A)

Efecto B

SCB

b-1

CMB

CMB/CME

P(F> F0B)

Efecto C

SCC

c-1

CMC

CMC/CME

P(F> F0C)

Efecto AB

SCAB

(a-1)(b-1)

CMAB

CMAB/CME

P(F> F0AB)

Efecto AC

SCAC

(a-1)(c-1)

CMAC

CMAC/CME

P(F> F0AC)

Efecto BC

SCBC

(b-1)(c-1)

CMBC

CMBC/CME

P(F> F0BC)

Efecto ABC

SCABC

(a-1)(b-1)(c-1)

CMABC

CMABC/CME

P(F> F0ABC)

Error
Total

SCE
SCT

abc(n-1)
abcn-1

CME

[Escribir texto]

donde:
FV: Fuente de Variacin.
SC: Suma de Cuadrados.
GL: Grados de Libertad.
CM: Cuadrado Medio.
FO: f Fisher calculado.
Al efecto cuyo valor-p sea menor al valor especificado para , se declara estadsticamente
significativo o se dice que est activo. El ANOVA de tres factores dado en la tabla anterior
tiene cuatro renglones adicionales, por los nuevos cuatro efectos que pueden estudiarse. Las
sumas de cuadrados son muy similares a las obtenidas para dos factores.

FORMULAS
Suma de Cuadrados

Las sumas de cuadrados son muy similares a las obtenidas para dos factores; habr que
considerar un subndice adicional para el tercer factor, comenzando otra vez por la suma de
cuadrados total, stas resultan ser:

SCT
i 1 j 1 k 1 l 1

2
ijk

...2

,
N

donde:

N = abcn es el total de observaciones en el experimento; el subndice k representa ahora el

tercer factor y l las repeticiones. Las sumas de cuadrados de efectos son:

[Escribir texto]

Restando stas del total, la suma de cuadrados del error resulta ser:

SC E SCT SC A SC B SCC SC AB SC AC SC BC SC ABC

Cuyos respectivos grados de libertad se dan en la tabla ANOVA anterior. Una vez hecho el
ANOVA, se procede a interpretar los efectos activos, y luego (aunque no necesariamente
despus) a diagnosticar la calidad del modelo.

[Escribir texto]

Cuadrado Medio

Donde:

CM = Cuadrado Medio del efecto

SC = Suma de cuadrado del efecto
GL = Grados de libertad del efecto

Modelo estadstico
En un diseo factorial a*b*c se supone que el comportamiento de la respuesta Y puede
describirse mediante el modelo de efectos dado por:
Yijkl = +ai + j + k + ()ij + ()ik + ()jk + ()ijk + ijkl;
I=1,2,,a; j=1,2,,b; k=1,2,,c; l=1,2,,n
Donde:
= media general
i = efecto del nivel i-simo del factor A
j = efecto del nivel j del factor B
k = efecto del nivel k en el factor C
()ij, ()ik, ()jk = efectos de interacciones dobles (de dos factores) en los niveles ij, ik, jk,
respectivamente.
()ijk : efecto de interaccin triple en la combinacin o punto ijk
ijkl : error aleatorio en la combinacin ijkl
l : repeticiones o replicas del experimento
Todos los efectos cumplen la restriccin de sumar cero, es decir, son desviaciones respecto
a la medida general .

[Escribir texto]

3.2.4 MANEJO DE HIPTESIS Y SUS CONDICIONES

El estudio factorial de tres factores (A,B,C) permite investigar los efectos
A,B,C,AB,AC,BC y ABC donde el nivel de desglose o detalle con el que puede estudiarse
depende del nmero de niveles utilizado en cada factor. Por ejemplo si un factor se prueba
en dos niveles, todo su efecto marginal es lineal, o sea que su efecto individual no se puede
descomponer; pero si tuviera tres niveles, su efecto marginal se puede descomponer en una
parte lineal y otra cuadrtica pura.
Hiptesis nula

Valor del estadstico

de prueba

Regin de rechazo

H 0A: todas las

=0
H

: todas las

0AB

H 0ABC: todas las

En resumen se tienen siete efectos de inters sin considerar el desglose y con ellos se
pueden plantear las siete hiptesis nulas:
1.
2.
3.
4.

H0: Efecto A = 0
H0: Efecto B = 0
H0: Efecto C = 0
H0: Efecto AB = 0

5. H0: Efecto AC = 0
6. H0: Efecto BC = 0
7. H0: Efecto ABC = 0

3.2.5 EJEMPLO EXPLICADO

Se desea investigar el efecto del tipo de suspensin (A), abertura de malla (B) y temperatura
de ciclaje (C) en el volumen de sedimentacin Y(%) de una suspensin. Para ello se decide
correr un experimento factorial 3*2*2 con seis rplicas, y las observaciones obtenidas en
las 72 corridas experimentales se muestran en la siguiente tabla:
A1
B1
C1

C2

6
0
8
6
5
5

7
5
7
0
5
3

A2
B1

7
5
7
0
5
3

6
7
6
7
5
2

7
3
6
8
5
2

A3

B1
73
68
57

6
2
7
6
4
4

6
8
6
5
4
4

B1
6
5
6
5
4
5

7
1
7
2
6
0

8
0
8
0
6
0

B1
8
0
8
0
6
0

7
6
7
0
5
2

7
1
6
8
5
1

B1
7
5
7
3
5
0

7
5
7
5
5
6

7
5
7
5
5
5

75
77
57

[Escribir texto]
5
5

5
5

5
5

5
2

5
4

54

4
8

4
8

4
5

6
7

6
7

6
5

5
2

a=3
b=2
c=2
n=6
1.
2.
3.
4.
5.
6.
7.

H0: Efecto A es considerablemente influyente en los resultados.

H0: Efecto B es considerablemente influyente en los resultados.
H0: Efecto C es considerablemente influyente en los resultados.
H0: Efecto AB es considerablemente igual en conjunto.
H0: Efecto AC es considerablemente igual en conjunto.
H0: Efecto BC es considerablemente igual en conjunto.
H0: Efecto ABC es considerablemente igual en conjunto.

Suma de Cuadrados (SC)

4
8

5
4

5
9

5
0

55

[Escribir texto]

Grados de Libertad

Cuadrado Medio

[Escribir texto]

[Escribir texto]

A1
B1
B1
75 75 67 73 73

C1

6
0
8 70 70
6
= 436

67

68

68

= 416

A2
B1
62 68
76

65

C2

B1 = 2177
B2 = 2363

B1
B2
B1
B2

con
con
con
con

C1
C1
C2
C2

=
=
=
=

1270
1331
907
1032

72

70

80

80

= 463

68

73

= 433

75

75

77

= 885

52

57

44

44

45

60

60

60

52

51

50

56

55

57

52

54

54

48

48

45

67

67

65

52

48

54

59

50

55

TOTAL =
737
= 1499

= 274

= 379

= 653
TOTAL = 675

=
2061

= 452

52

= 647

TOTAL

65

= 864

= 321

TOTAL = 762

A3
B1
B1
76 71 75 75 75 75

= 401

= 852
5 53 53
5
5 55 55
5
= 326

65

B1
71 80 80

= 307

= 639

TOTAL = 842 TOTAL = 740

TOTAL = 1517

= 332

TOTAL = 784

TOTAL = 1524

=
1939

[Escribir texto]

Tabla ANOVA
FV

SC

GL

CM

FO

FTABLAS

A: Tipo

13.86

6.93

0.49

3.15

B: Abertura

480.5

480.5

34.25

C:
Temperatura
AB

6086.72

6086.72

433.90

788.25

394.12

28.10

3.15

AC

40.86

20.43

1.46

3.15

BC

56.89

56.89

4.06

ABC

31.03

15.51

1.11

3.15

Error

841.66

60

14.03

Total

8339.78

71

Conclusi
n
ACEPTA
RECHAZ
A
RECHAZ
A
RECHAZ
A
ACEPTA
RECHAZ
A
ACEPTA

Conclusiones
1.
2.
3.
4.

Ho se rechaza, la temperatura de ciclaje si influye.

Ho se rechaza, la abertura de la malla si influya.
Ho se acepta, el tipo de suspensin no influye.
Ho se rechaza la temperatura de ciclaje no es igual a la abertura de la
malla en conjunto.
5. Ho se acepta, la temperatura de ciclaje es igual al tipo de suspensin
en conjunto.
6. Ho se rechaza, la abertura de la malla no es igual al tipo de
suspensin en conjunto.
7. Ho se acepta, los tres factores en conjunto se comportan en forma
similar.

[Escribir texto]

CONCLUSION

Un diseo factoriales aquel en el que el conjunto de tratamientos esta conformado por todas
las posibles combinaciones de los distintos niveles de los factores involucrados
Los mayores beneficios de los diseos factoriales completos se obtienen cuando se deben
estudiar pocas variables. El motivo es que el nmero de experimentos crece
exponencialmente con el nmero de factores.
Los diseos factoriales completos son la estrategia experimental ptima para estudiar
simultneamente el efecto de varios factores sobre la respuesta y sus interacciones. Por su
potencia y sencillez, su campo de aplicacin es muy amplio:
- Identificar qu variables influyen en una reaccin, para luego poder optimizarlas hasta
alcanzar el rendimiento deseado, o para disminuir el tiempo de reaccin.
-Decidir qu se debe ajustar en el nuevo proceso de fabricacin para que no se produzcan
tantos productos fuera de especificaciones.
- Estudiar en qu condiciones el proceso es ms robusto a pequeas variaciones de
temperatura, humedad, etc.