Professional Documents
Culture Documents
Diseño Factorial 2K
y
Diseño Factorial Fraccionado 2K- P
El más importante de estos casos especiales ocurre cuando se tienen k factores, cada
uno con dos niveles. Estos niveles pueden ser cuantitativos como sería el caso de
dos valores de temperatura presión o tiempo. También pueden ser cualitativos como
sería el caso de dos máquinas, dos operadores, los niveles "superior" e "inferior" de
un factor, o quizás, la ausencia o presencia de un factor.
Diseño Factorial 22
Este modelo estudia el efecto de dos factores considerando dos niveles en cada uno.
Cada replica de este diseño consiste de 2x2=4 combinaciones o tratamientos que se
pueden denotar de diferentes maneras.
La notación de Yates tiene un significado diferente a las demás: con ella se representa
el total o suma de las observaciones en cada tratamiento, mas que el tratamiento
mismo. En la notación de Yates la lógica es la siguiente: si una letra minúscula esta
presente, entonces el factor correspondiente se encuentra en su nivel alto; si esta
ausente, el factor esta en su nivel bajo. Este hecho hace que la notación de Yates
simplifique la escritura de las expresiones de los efectos a estudiar.
Ejemplo:
En el caso de este diseño hay tres efectos de interés: los dos efectos principales (A y
B) y el efecto de interacción (AB). Con el uso de la notación de Yates como los totales
de las n repeticiones en cada punto de diseño, se tiene que en el nivel alto del factor A
se mide a y ab y en el nivel bajo del mismo se observa b y (1). La media en el nivel
alto de A es entonces (a+ab)/2n y en el nivel bajo es (b+(1))/2n, donde la constante 2n
sale del hecho de que en cada nivel del factor se están sumando 2n datos, que son la
mitad de los datos del experimento. Entonces:
EfectoA =
1
[ a + ab − b − (1)] = [ a + ab ] − [ b + (1)]
2n 2n 2n
EfectoB =
1
[ b + ab − a − (1)] = [ b + ab] − [ a + (1)]
2n 2n 2n
El efecto de interacción entre los dos factores A y B esta dado por la diferencia entre
el efecto de A en el nivel alto de B y el efecto de A en el nivel bajo de B.
EfectoAB =
1
[ ab + (1) − a − b] = [ ab − b] − [ a − (1)]
2n 2n 2n
Análisis de Varianza
Aunque los efectos calculados sean números distintos de cero, esto no implica que el
efecto correspondiente sea estadísticamente diferente de cero. Para poder afirmar
que tales efectos contribuyen a explicar el comportamiento de la respuesta, se debe
hacer un Análisis de Varianza.
Contraste
2K
Es una combinación de la forma c = ∑c i Yi con ∑c i =0
i =1
Contraste B = [b + ab – a - (1)]
Son contrastes por el hecho de que son combinaciones lineales donde los coeficientes
suman cero (1 + 1 – 1 – 1 = 0). Una vez obtenido el contraste, el efecto
correspondiente se obtiene dividiéndolo entre la constante que lo convierta en una
diferencia de medias. En el factorial 2K con n replicas los contrastes se dividen por
n2(K-1) para estimar los efectos. Lo que indica que para el diseño 22 se divide por n2(2-1)
= 2n.
CONTRASTES
EFECTOS
SUMAS DE CUADRADOS
ANOVA
Para investigar cuales de los tres efectos están activos o son significativos se procede
a probar las hipótesis dadas por:
Efecto A = 0
Ho: Efecto B = 0
Efecto AB = 0
Diseño factorial 2K
Una vez obtenida la tabla de signos, el cálculo de contrastes es más fácil. La tabla de
signos se construye haciendo todas las posibles combinaciones de los K factores.
Como se menciono anteriormente los diseños factoriales 2K son recomendados en
experimentos cuyos factores son menor o igual a 5, para un numero mayor de
factores se recomienda usar los diseños factoriales fraccionados 2K-P.
1
EfectoABC .... K = [contrasteA BC .... K ]
n 2 K −1
Para la cual su suma de cuadrados con un grado de libertad esta dada por:
1
SC AB .... K = [contrasteA B.... K ]
n2 K
Ninguno de los diseños listados en la tabla tiene más de 32 corridas, sin contar las
posibles repeticiones al centro que se explicaran mas adelante. Se puede afirmar que
la mayoría de los experimentos factoriales 2K o fracciones de ellos que se utilizan en la
practica requieren a lo mas 32 corridas experimentales, y con ellas se pueden
estudiar hasta una cantidad grande de factores (K>8).
Una sola replica del factorial 2K completo es una estrategia adecuada cuando se
tienen cuatro o mas factores, considerando que a partir de K=4 se comienza a tener
mucha información con el diseño factorial completo. Esta información extra se refleja
en que los efectos de interés primario, como lo son los efectos principales y las
interacciones dobles, se estiman con gran precisión, por ejemplo en el caso de K=5,
estos efectos se estimarían como la diferencia de medias de 16 datos cada una. Pero
además se pueden estimar interacciones de alto orden, las cuales generalmente no
son significativas. Tales interacciones de alto orden pueden utilizarse para estimar un
error que permita construir un ANOVA aproximado.
Se deben eliminar o mandar al error al menos 8 efectos pequeños para que tenga
mayores posibilidades de estar bien estimado. Puede haber efectos con los que no es
nada claro si se deben o no mandar al error.
Existen varia técnicas que ayudan a detectar con bastante seguridad los efectos que
pueden utilizarse para conformar el error. El uso de tales técnicas es lo que permite
construir un cuadrado medio del error los mas apegado posible a la realidad. Si
mandamos al error un efecto que no se debe al azar, que es un efecto real, este
puede inflar el CME lo que reduciría la potencia del ANOVA para detectar efectos
significativos; por otro lado, si el error resulta exageradamente pequeño, se estaría
detectando como significativos efectos que no lo son, lo cual puede llevar a decisiones
incorrectas.
Las técnicas para decidir que efectos mandar al error no funcionan bien cuando los
efectos que tiene el diseño son pocos. Por ejemplo, los diseños 22 y 23 no tendrían
suficientes efectos para que estos métodos realmente tengan utilidad práctica. Pero
estos diseños se corren frecuentemente con replicas suficientes para construir el
análisis de varianza directamente, evitando la necesidad de construir un error hasta
cierto punto arbitrario.
Factoriales 2K en bloques
Los diseños factoriales fraccionados son una parte o una fracción de los diseños
factoriales completos, permiten reducir el numero de corridas experimentales, y al
mismo tiempo obtener la información acerca de los efectos considerados de antemano
relevantes. La teoría de diseños factoriales fraccionados se basa en una
jerarquización de los efectos: son mas importantes los efectos principales, seguido por
las interacciones dobles, luego las triples, cuádruples, etc.
Al correr solo una fracción del diseño factorial completo ocurren dos hechos:
La estructura de alias consiste en escribir explícitamente cuales son los alias de cada
efecto, y esta estructura se deduce finalmente del generador de la fracción,
considerando el signo utilizado. Por ejemplo:
De la tabla 8:
Contraste A = (a + abc – b - c)
Contraste BC = (a + abc – b – c)
Lo que indica que los efectos A y BC son alias, porque al estimar el efecto A también
se estima el efecto B.
AxI=AxABC=A2BC=BC
Para interpretar los efectos alias es necesario suponer que solo uno de ellos es el
responsable del efecto observado y que los demás efectos son nulos. Por ejemplo, si
se utilizara el diseño 23-1 con estructura de alias dada, los efectos alias se interpretan
atribuyendo (por jerarquía) el efecto observado al efecto principal de cada grupo,
considerando nulas las interacciones dobles. En general resulta bastante riesgoso
suponer a priori que las interacciones dobles no afectan, de aquí que no se
recomienda usar este diseño, a menos que el costo experimental no permita correr el
factorial completo. En general no es buena estrategia utilizar diseños fraccionados
donde se alían dos efectos que son potencialmente importantes, como son los efectos
principales y las interacciones dobles.
Resolución