TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico Superior de Coatzacoalcos

Ingeniería Química

Nombre del Alumno: ______de León___ Céspedes_______ _Gilberto___

Apellido Paterno Apellido Materno Nombre(s)

UNIDAD 5
ANÁLISIS EN DISEÑOS FACTORIALES

Nombre de la Asignatura: Periodo:

__ANÁLISIS DE DATOS EXPERIMENTALES__ __AGOSTO - DICIEMBRE 2023___

No. Control: 22081359 Semestre: 3° Grupo: C

Nombre del Rumayor Rivera Haydee

Docente: Apellido Paterno Apellido Materno Nombre(s)
Índice
DESARROLLO ................................................................................................................ 1
1. Diseños factoriales 2k: ....................................................................................... 1
1.1 Concepto ........................................................................................................ 1
1.2 Conceptos para evaluar el efecto sobre una respuesta de “k” factores en 2
niveles: ..................................................................................................................... 2
1.3 CONCLUSIÓN .................................................................................................... 3
2. Esquemas de Diseño factorial general .................................................................... 4
2.1 Diseño factorial al zar 2x2................................................................................... 4
2.2 Anova factorial .................................................................................................... 5
2.3 Descomposición polietápica de las sumas de cuadrados ................................... 5
2.4 Inferencias de análisis ........................................................................................ 6
2.5 Gráfico interacción .............................................................................................. 7
2.6 Diseños factoriales 2x2 de bloques .................................................................... 7
3. Diseños factoriales de 2 y 3 factores y establecimiento de la varianza ................... 8
CONCLUSIÓN .............................................................................................................. 10
REFERENCIA BIBLIOGRÁFICA ................................................................................... 11
Desarrollo

1.1 Diseños factoriales 2k:

1.1 Concepto

Un Plan factorial Equilibrado en el que los K factores se estudian con sólo dos

niveles o variantes se denomina un diseño 2K. En efecto, 2K es el número de

tratamientos diferentes a estudiar en estos diseños, que coincidirá con el número de

pruebas si el diseño es no replicado.

Como en todo Plan Factorial Equilibrado, en los diseños 2K todos los efectos

posibles (efectos simples, interacciones dobles e interacciones de orden superior) son

ortogonales entre sí, y pueden estimarse a partir de los datos sin que se confundan

unos con otros. El análisis de los resultados de un diseño 2K, puede llevarse a cabo

realizando un Análisis de la Varianza, que en este caso resulta especialmente sencillo,

tal como se expone en el siguiente apartado.

Alternativamente la determinación de los efectos significativos puede también

llevarse a cabo mediante el método gráfico de Daniel, que se explica en el apartado. El

estudio de los planes 2K, lo vamos a llevar a cabo fundamentalmente mediante el

análisis de algunos ejemplos reales1.

1
1.2 Conceptos para evaluar el efecto sobre una respuesta de “k” factores en 2

niveles:

En un diseño 2K con r replicaciones, la variabilidad total de los rx2K datos,

medida por su SCtotal con rx2K - 1 grados de libertad, puede en principio

descomponerse en los siguientes términos en el Anova:

K efectos simples, cada uno de ellos con 2-1 = 1 g.I

𝑘
( ) interacciones dobles, cada uno con 1x1 = 1 g.I
2

𝑘
( ) interacciones triples, cada uno con 1x1x1 = 1 g.I
3

𝑘
( ) = 1 interacción de orden k con 1x1….x1 = 1 g.I
3

En el caso de factores a dos niveles, la Suma de Cuadrados de un efecto sea

simple o interacción puede obtenerse fácilmente a partir de la expresión:

Donde cada efecto se obtiene, por la diferencia entre la media de las pruebas

asociadas a signos + en la columna del efecto y la media de las pruebas asociadas a

signos - en dicha columna. La Suma de Cuadrados Residual se calcula, como de

costumbre, por diferencia respecto a la total, al igual que sus grados de libertad.

En los planes 2K no replicados y con valores pequeños de K (K  4), los grados

de libertad residuales pueden resultar reducidos (de hecho, si se calculasen las

interacciones de todos los órdenes posibles, serían cero) Ello se traduce en análisis

poco potentes, en los que no se detectan como significativos efectos que pueden ser

importantes. Para obviar este problema, se acostumbra a acumular en el residuo las

SC y los g.l de aquellos efectos que resulten pequeños (por ejemplo, con Fratio

2
menores que 2), especialmente si corresponden a interacciones. Se recomienda al

respecto, que los glres sean del orden de 10 o mayores, y, en cualquier caso, los glres

deberían ser al menos 4, pues en caso contrario la potencia resultante sería muy

pequeña.

1.3 Conclusión

Los diseños factoriales 2k son una herramienta poderosa en el diseño de

experimentos para evaluar el efecto de múltiples factores en una respuesta. En estos

diseños, cada factor se estudia en dos niveles, lo que permite explorar tanto los efectos

principales como las interacciones entre los factores

Los diseños 2k permiten evaluar de manera eficiente el efecto de múltiples

factores al considerar todas las combinaciones posibles de niveles de factores. Esto

facilita la identificación de factores significativos que afectan la respuesta.

Una ventaja importante de los diseños 2k es la capacidad para analizar las

interacciones entre los factores. Las interacciones pueden revelar cómo los efectos de

un factor pueden depender de los niveles de otros factores, proporcionando una

comprensión más completa del sistema.

El análisis de varianza (ANOVA) se utiliza comúnmente para evaluar la

significancia de los efectos en los diseños 2^k. Los términos principales y de interacción

se someten a pruebas estadísticas para determinar cuáles son estadísticamente

significativos.

Puedo concluir que los diseños factoriales 2k son de suma importancia en la

investigación experimental y la optimización de procesos, ya que proporcionan

3
información detallada sobre los efectos de múltiples factores y sus interacciones. La

aplicación adecuada de estos diseños puede llevar a decisiones informadas y mejoras

significativas en la eficiencia y calidad de los procesos industriales y experimentos

científicos.

2. Esquemas de Diseño factorial general:

2.1 Diseño factorial al zar 2x2:

La combinación de tratamientos por grupo o casilla:

El formato del diseño completamente al azar:

4
 2.2 Anova factorial:

Modelo estructural del avar diseño factorial 2x2:

Donde:

2.3 descomposición polietápica de las sumas de cuadrados:

5
2.4 Inferencias de análisis:

Interacción nula:

Interacción positiva:

Interacción negativa:

Interacción inversa:

6
2.5 Grafico interacción:

2.6 Diseños factoriales 2x2 de bloques:

7
3. Diseños factoriales de 2 y 3 factores y establecimiento de la varianza:

Los diseños factoriales de dos y tres factores son estrategias clave en la

experimentación para entender el impacto de múltiples variables en una respuesta.

Los diseños factoriales de dos factores constituyen una estrategia esencial en el

diseño experimental, permitiendo la evaluación simultánea de dos variables

independientes y su impacto en una respuesta específica. Bajo la notación 2 2, estos

diseños exploran cuatro condiciones experimentales, posibilitando el análisis de efectos

principales e interacciones entre los factores.

El análisis de estos diseños se realiza generalmente mediante técnicas de

análisis de varianza (ANOVA), lo que facilita la evaluación estadística de la significancia

de los efectos observados. La presencia de interacciones indica la dependencia del

impacto de un factor respecto al nivel del otro, ampliando la comprensión del sistema

estudiado.

La replicación de condiciones experimentales se destaca como un elemento

clave para mejorar la precisión de las estimaciones y discernir efectos reales de la

variabilidad aleatoria. Aunque estos diseños son eficientes para explorar la interacción

de dos factores, su limitación radica en la omisión de interacciones más complejas que

involucren más variables.

En cambio, los diseños de tres factores amplían la capacidad de modelar

sistemas más complejos al estudiar el impacto simultáneo de tres variables

independientes y sus interacciones. Este enfoque proporciona una visión más detallada

8
de cómo múltiples factores interactúan de manera conjunta en una respuesta

específica.

La complejidad del análisis estadístico aumenta con los diseños de tres factores,

especialmente al considerar interacciones triples. Se requiere una mayor atención a la

replicación y la recopilación de datos para obtener resultados confiables. Estos diseños

son ideales cuando se busca entender interacciones más elaboradas y modelar

sistemas más complicados, revelando relaciones y dependencias que podrían pasarse

por alto en diseños de dos factores.

La elección entre ambos enfoques depende de la naturaleza específica de la

investigación y los objetivos experimentales. Los diseños de dos factores son

apropiados para situaciones más simples, mientras que los de tres factores son

esenciales para un análisis más detallado en sistemas complejos. En última instancia,

la elección se basa en encontrar el equilibrio adecuado entre la simplicidad y la

capacidad de modelar la complejidad del sistema bajo estudio.

Para la estabilización de la varianza se considera:

• En ambos casos, la replicación de experimentos contribuye a estabilizar

la varianza.

• Los diseños factoriales permiten controlar y entender mejor los factores

que contribuyen a la variabilidad.

• La inclusión de bloques aleatorios en los diseños puede ayudar a

gestionar fuentes adicionales de variación no controladas.

9
Conclusión

Los diseños factoriales de dos y tres factores son estrategias básicas de diseño

experimental, cada una con características y aplicaciones específicas. Los modelos

bivariados son más simples, más eficientes y particularmente útiles para estimar los

efectos combinados y las interacciones entre dos variables independientes. Su análisis

estadístico es más directo y accesible, lo que hace que estos diseños sean adecuados

para sistemas menos complejos.

Se puede decir que el diseño de tres factores brinda una oportunidad más

amplia para modelar sistemas complejos al considerar los efectos simultáneos de tres

variables independientes y sus interacciones. Aunque su análisis estadístico es más

complejo y son posibles interacciones ternarias, estos modelos son esenciales para

buscar una comprensión más detallada de sistemas más complejos.

En cualquier caso, la estabilidad de la dispersión se convierte en una

consideración importante. La repetición de condiciones experimentales ayuda a reducir

los efectos de la variación aleatoria, mejorando así la precisión de las estimaciones de

los efectos. Los modelos factoriales 2k y 3k proporcionan herramientas poderosas para

explorar muchas combinaciones de niveles de factores y controlar la variabilidad,

facilitando la identificación de patrones y relaciones en datos experimentales.

Se puede concluir que la elección entre diseños factoriales de dos o tres factores

depende de la complejidad del sistema y de los objetivos específicos del experimento.

Ambos enfoques contribuyen a estabilizar la varianza mediante la replicación y el

control cuidadoso de los factores, brindando herramientas poderosas para entender y

mejorar procesos y sistemas.

10
Bibliografía

• E Yacuzzi, F. Martín, H. M. Quiñones y M. J. Popovsky, "El diseño experimental y los

métodos de Taguchi: conceptos y aplicaciones en la industria farmacéutica,"

Pharmaceutical Management, pp 1-28, febrero de 2004

• W. G. Cochran y G. M. Cox, Diseños experimentales. México: Editorial Trillas, 1990, cap

5, pp. 177-182.

• J. Ferré y X. Rius, "Diseño factorial completo 2k," Técnicas de Laboratorio, vol. 25, No.

287, pp. 999-1004, Octubre de 2003.

• ] C. O. Lozada Riascos y J. A. Urrutia Mosquera. Diseño factorial 2k aplicado a la

determinación del valor de conservación de inmuebles de interés cultural. Universidad

Tecnológica de Pereira. Colombia, septiembre de 2008.

11