NIVEL SUPERIOR
5TO CUATRIMESTRE SECCIÓN B
DISEÑO DE EXPERIMENTOS
DISEÑOS FACTORIALES
PARCIAL 3
INGENIERÍA INDUSTRIAL Y DE SISTEMAS
CARLOS LLANAS OSIEL BOCANEGRA LLANAS, 3969
20 DE JULIO DEL 2024
6. TIPOS DE FACTORES
Factores Principales (Main Factors)
Descripción: Son las variables independientes principales que se están investigando en el
experimento. Ejemplo: En un estudio sobre el crecimiento de plantas, los factores principales
podrían ser la cantidad de agua y la cantidad de luz.
Factores de Interacción (Interaction Factors)
Descripción: Se refieren a cómo la combinación de dos o más factores influye en el
resultado. La interacción ocurre cuando el efecto de un factor depende del nivel de otro
factor. Ejemplo: En el mismo estudio de plantas, podría haber una interacción entre la
cantidad de agua y la cantidad de luz, donde el efecto de la luz en el crecimiento depende de
la cantidad de agua disponible.
Factores de Bloqueo (Blocking Factors)
Descripción: Se utilizan para controlar la variabilidad no deseada en el experimento. Los
bloques son grupos de unidades experimentales que son similares en alguna característica.
Ejemplo: Si las plantas se cultivan en diferentes tipos de suelo, el tipo de suelo podría ser un
factor de bloqueo para controlar su influencia en el crecimiento.
Factores de Niveles (Level Factors)
Descripción: Cada factor puede tener diferentes niveles o valores que se prueban en el
experimento. Ejemplo: La cantidad de agua podría tener tres niveles: baja, media y alta.
Factores Aleatorios (Random Factors)
Descripción: Son factores cuyos niveles se seleccionan al azar de una población más
grande. Se utilizan para generalizar los resultados a una población más amplia. Ejemplo: Si
se seleccionan diferentes variedades de plantas al azar para el estudio, la variedad de planta
sería un factor aleatorio.
Factores Fijos (Fixed Factors)
Descripción: Son factores cuyos niveles se seleccionan deliberadamente y no se pretende
generalizar más allá de los niveles estudiados. Ejemplo: Si se eligen tres tipos específicos de
fertilizantes para el estudio, el tipo de fertilizante sería un factor fijo.
Factores Cuantitativos y Cualitativos
Cuantitativos: Son factores que se pueden medir numéricamente. Ejemplo: La cantidad de
fertilizante en gramos.
Cualitativos: Son factores que se describen en términos de categorías o cualidades. Ejemplo:
El tipo de fertilizante (orgánico, inorgánico).
7. GRAFICA FACTORIAL
8.
Explique
brevemente como sería el ANOVA para un diseño factorial
a) Definición de Factores y Niveles:
Descripción: Identificar los factores independientes y sus niveles.
Ejemplo: En un estudio sobre el crecimiento de plantas, los factores podrían ser la cantidad
de luz (con niveles: baja, media, alta) y la cantidad de agua (con niveles: baja, media, alta).
b) Diseño del Experimento:
Descripción: Planificar cómo se asignarán los tratamientos a las unidades experimentales.
Ejemplo: Asignar diferentes combinaciones de luz y agua a diferentes grupos de plantas.
c) Recolección de Datos:
Descripción: Realizar el experimento y recolectar los datos de la variable dependiente.
Ejemplo: Medir la altura de las plantas después de un período de crecimiento.
d) Cálculo de Sumas de Cuadrados:
Descripción: Calcular las sumas de cuadrados para cada factor, la interacción y el error.
Ejemplo: Calcular la variabilidad debida a la luz, al agua, a la interacción entre luz y agua, y
al error experimental.
e) Construcción de la Tabla ANOVA:
Descripción: Organizar los cálculos en una tabla que incluya las sumas de cuadrados, los
grados de libertad, los cuadrados medios y los valores F.
Ejemplo: Crear una tabla que muestre estos valores para la luz, el agua, la interacción y el
error.
f) Prueba de Hipótesis:
Descripción: Evaluar las hipótesis nulas de que no hay efecto de los factores ni de la
interacción.
Ejemplo: Comparar los valores F calculados con los valores críticos de F para determinar si
se rechazan las hipótesis nulas.
g) Interpretación de Resultados:
Descripción: Interpretar los resultados del ANOVA para entender los efectos de los factores y
sus interacciones.
Ejemplo: Concluir si la cantidad de luz y agua, y su interacción, tienen un efecto significativo
en el crecimiento de las plantas.
h) Ejemplo de ANOVA Factorial:
Supongamos que queremos estudiar el efecto de dos factores, la cantidad de luz (baja,
media, alta) y la cantidad de agua (baja, media, alta), en el crecimiento de plantas. Después
de realizar el experimento y recolectar los datos, construimos la tabla ANOVA y encontramos
que tanto la luz como el agua tienen efectos significativos en el crecimiento, y también hay
una interacción significativa entre estos factores
9. Elabore un listado de las ventajas de los diseños factoriales (mínimo 3), puedes
consultar en libros, videos, web, etc.
I. Eficiencia en la Investigación:
Descripción: Los diseños factoriales permiten estudiar múltiples factores y sus interacciones
en un solo experimento.
Ventaja: Esto reduce el número de experimentos necesarios, ahorrando tiempo y recursos.
Ejemplo: En lugar de realizar experimentos separados para cada factor, se pueden combinar
en un solo diseño factorial1.
II. Detección de Interacciones:
Descripción: Los diseños factoriales permiten identificar y analizar las interacciones entre
diferentes factores.
Ventaja: Esto proporciona una comprensión más completa de cómo los factores influyen en
la variable dependiente.
Ejemplo: En un estudio sobre el crecimiento de plantas, se puede observar cómo la
combinación de diferentes niveles de luz y agua afecta el crecimiento, algo que no sería
posible con un diseño de un solo factor2.
III. Mayor Precisión y Control:
Descripción: Al considerar todos los factores y sus combinaciones, los diseños factoriales
ofrecen un mayor control sobre las variables experimentales.
Ventaja: Esto mejora la precisión de los resultados y reduce la variabilidad no deseada.
Ejemplo: En un experimento agrícola, se pueden controlar mejor las condiciones ambientales
al estudiar múltiples factores simultáneamente3.
IV. Flexibilidad en el Análisis:
Descripción: Los diseños factoriales permiten realizar análisis detallados y complejos de los
datos.
Ventaja: Esto facilita la identificación de efectos principales y de interacción, así como la
optimización de las condiciones experimentales.
Ejemplo: Se pueden utilizar técnicas estadísticas avanzadas como el ANOVA factorial para
analizar los datos y obtener conclusiones robustas4.
V. Aplicabilidad en Diversos Campos:
Descripción: Los diseños factoriales son aplicables en una amplia variedad de disciplinas,
desde la ingeniería hasta las ciencias sociales.
Ventaja: Esto los convierte en una herramienta versátil para la investigación científica y
aplicada.
Ejemplo: En psicología, se pueden estudiar los efectos combinados de diferentes métodos de
enseñanza y factores socioeconómicos en el rendimiento académico.
10. Elabore una conclusión propia de lo aprendido en este tema (diseño factorial)
El diseño factorial es una herramienta poderosa y versátil en la investigación experimental
que permite estudiar múltiples factores y sus interacciones de manera eficiente. A través de
este enfoque, se pueden obtener insights profundos sobre cómo diferentes variables influyen
en el resultado de un experimento, lo que no sería posible con diseños de un solo factor.
En resumen, el diseño factorial no solo facilita una investigación más eficiente y precisa, sino
que también enriquece la comprensión de las interacciones complejas entre múltiples
factores. Esta metodología es fundamental para avanzar en la investigación científica y
aplicada, proporcionando una base sólida para la toma de decisiones informadas y la
innovación.