INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

“AÑO DEL DIALOGO Y LA RECONCILIACION

NACIONAL”

CARRERA PROFESIONAL DE INGENIERIA EN

INDUSTRIAS ALIMENTARIAS

DISEÑO FACTORIAL COMPLETAMENTE ALEATORIO

CURSO : ANÁLISIS Y DISEÑO DE EXPERIMENTOS

DOCENTE : MSC. GALLEGOS RAMOS, JULIO ROMUALDO
INTERGRANTES :
 ARI HUANCO, EDISON
 PARIAPAZA CCARI, PEDRO

SEMESTRE : VI
FECHA : 30/07/2018

JULIACA - PUNO - PERÚ

2018
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

Contenido
I. Conceptos básicos en diseños factoriales ................................................................................................... 3
II. Representación de los efectos principales y la interacción......................................................................... 4
III. Ventajas de los diseños factoriales.......................................................................................................... 6
IV. Modelos de efectos aleatorios ................................................................................................................ 7
V. Ejemplo de Diseño Factorial Completamente Aleatorio ............................................................................. 9
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

I. Conceptos básicos en diseños factoriales

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una o varias respuestas,
cuando se tiene el mismo interés sobre todos los factores. Por ejemplo, uno de los objetivos particulares
más importantes que en ocasiones tiene un diseño factorial es determinar una combinación de niveles
de los factores en la que el desempeño del proceso sea mejor.
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador, la presencia o
ausencia de una operación previa, etc.), o de tipo cuantitativo (temperatura, humedad, velocidad,
presión, etc.). Para estudiar la manera en que influye cada factor sobre la variable de respuesta es
necesario elegir al menos dos niveles de prueba para cada uno de ellos. Con el diseño factorial
completo se corren aleatoriamente todas las posibles combinaciones que pueden formarse con los
niveles de los factores a investigar.
Así, la matriz de diseño o arreglo factorial es el conjunto de puntos experimentales o tratamientos que
pueden formarse considerando todas las posibles combinaciones de los niveles de los factores. Por
ejemplo, con k = 2 factores, ambos con dos niveles, se forma el diseño factorial 2 × 2 = 22, que consiste
en cuatro combinaciones o puntos experimentales. Si ahora uno tiene tres niveles y el otro dos, se
pueden construir 3 × 2 combinaciones que dan lugar al diseño factorial 3 × 2. Observe que en el nombre
del diseño factorial va implícito el número de tratamientos que lo componen. Para obtener el número
de corridas experimentales se multiplica el número de tratamientos por el número de réplicas, donde
una de éstas se lleva a cabo cada vez que se corre el arreglo completo.
En general, la familia de diseños factoriales 2k consiste en k factores, todos con dos niveles de prueba
(los factoriales 2k se estudian con detalle en el capítulo 6); y la familia de diseños factoriales 3k consiste
en k factores cada uno con tres niveles de prueba (capítulo 7). Es claro que si los k factores no tienen
la misma cantidad de niveles, debe escribirse el producto de manera explícita; por ejemplo, con k = 3
factores, el primero con cuatro niveles y los dos restantes con dos niveles, se tiene el diseño factorial
4 × 2 × 2 o 4 × 22 .
Ejemplo 1
Diseño factorial 22. Supongamos que en un proceso de fermentación tequilera, se tienen dos factores
A: tipo de levadura y B: temperatura, cada uno con dos niveles.

Tabla 1. Diseño factorial 22

A: Levadura B: Temperatura Y: Rendimiento
A1 = 1 (–1) B1 = 22 (–1) 28
A2 = 2 (1) B2= 22 (–1) 41
A1 = 1 (–1) B1 = 30 (1) 63
A2 = 2 (1) B2 = 30 (1) 45

denotados por A1 = 1, A2 = 2 y B1 = 22°C, B2 = 30°C, respectivamente. La respuesta de interés es el

rendimiento del proceso de fermentación. En la tabla 5.1 se muestran los cuatro tratamientos o puntos
del diseño factorial 22, y entre paréntesis se ha indicado cada nivel con los códigos (1, –1). En el
experimento original cada tratamiento se corrió tres veces (tres réplicas), lo cual da un total de 12
corridas del proceso pero, por simplicidad, en la última columna de la tabla 1 sólo se anotaron los
resultados de la primera réplica.
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

Efecto principal y efecto de interacción. El efecto de un factor se define como el cambio observado
en la variable de respuesta debido a un cambio de nivel de tal factor. En particular, los efectos
principales son los cambios en la media de la variable de respuesta que se deben a la acción individual
de cada factor. En términos matemáticos, el efecto principal de un factor con dos niveles es la
diferencia entre la respuesta media observada cuando tal factor estuvo en su primer nivel, y la respuesta
media observada cuando el factor estuvo en su segundo nivel. Por ejemplo, para los datos de la tabla
1, los efectos principales están dados por

41 + 45 28 + 62
𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 = − = −2.5
2 2
63 + 45 28 + 41
𝐸𝑓𝑒𝑐𝑡𝑜 𝐵 = − = 19.5
2 2

por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte, se dice que dos
factores interactúan entre sí o tienen un efecto de interacción sobre la variable de respuesta, cuando el
efecto de un factor depende del nivel en que se encuentra el otro. Por ejemplo, los factores A y B
interactúan si el efecto de A es muy diferente en cada nivel de B, o viceversa. Ahora veamos esto con
los datos de la tabla 1: el efecto de A cuando B es baja está determinado por

𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 (𝑐𝑜𝑛 𝐵 𝑏𝑎𝑗𝑜) = 41 − 28 = 13

y cuando la temperatura es alta, el efecto de A es

𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 (𝑐𝑜𝑛 𝐵 𝑎𝑙𝑡𝑜) = 45 − 63 = −18

Como estos dos efectos de A en función del nivel de B son muy diferentes, entonces es evidencia de
que la elección más conveniente del nivel de A depende del nivel en que esté B, y viceversa. Es decir,
eso es evidencia de que los factores A y B interactúan sobre Y. En la práctica, el cálculo del efecto de
A en cada nivel de B no se hace, y más bien se calcula el efecto global de la interacción de los dos
factores, que es denotado por AB y se calculan como la diferencia entre la respuesta media cuando
ambos factores se encuentran en el mismo nivel: (–1, –1); (1, 1), y la respuesta media cuando los
factores se encuentran en niveles opuestos: (–1, 1) (1, –1). Para el ejemplo, el efecto de interacción
tiempo × temperatura está dado por
28 + 45 41 + 63
𝐴𝐵 = − = −15.5
2 2
Los valores absolutos (sin importar el signo) de los efectos principales y del efecto de interacción son
una medida de importancia de su efecto sobre la variable de respuesta. Sin embargo, como se tienen
estimaciones muestrales, para saber si los efectos son estadísticamente significativos (diferentes de
cero) se requiere el análisis de varianza (ANOVA).

II. Representación de los efectos principales y la interacción

El efecto principal de un factor se representa de manera gráfica como en la figura 2.1a, en cuyo eje
horizontal se ubican los niveles del factor y en el eje vertical se encuentra la media de la respuesta
observada en los correspondientes niveles. En la figura referida se aprecia que, en el ejemplo 1, el
efecto principal (individual) del factor B es mayor que el del factor A.
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

El efecto de interacción de los dos factores de la tabla 1 se pueden graficar como en la figura 2.1b; en
el eje vertical se pone una escala que represente la magnitud de la variable de respuesta, luego uno de
los factores se representa con sus dos niveles en el eje horizontal y en dirección vertical de cada uno
de estos niveles, se anota un punto que represente la respuesta promedio en cada nivel del otro factor.
Al final, cada punto del lado izquierdo se une con su correspondiente punto del lado derecho mediante
una línea recta. Resulta que cuando existe interacción las líneas obtenidas tienen una pendiente muy
diferente (véase figura 2.1b), y si no hay interacción las líneas tienen pendientes similares, que son
aproximadamente paralelas (véase figura 2.2). Por ejemplo, en la figura 2.1b se muestra la interacción
AB, poniendo el factor B en el eje horizontal, mientras que en la figura 2.1c se representa el mismo
efecto de interacción pero ahora con el factor A en el eje horizontal.

Para entender e interpretar de qué manera un efecto de interacción afecta la variable de respuesta, se
debe ser cuidadoso y analizar con detalle lo que pasa en Y cuando se mueve un factor dependiendo del
nivel en el que esté el otro. Por ejemplo, en el caso del inciso c) de la figura 2.1 se aprecia que si A se
cambia de su nivel (–1) al (1), cuando B = –1, la respuesta Y también se incrementa; pero si B = 1, la
respuesta decrece de manera importante. En otras palabras, el factor A tiene un efecto positivo o
negativo sobre Y, dependiendo del nivel de B. En el caso del inciso b) de esta misma figura se puede
ver que si B se incrementa (cambia) de (–1) al (1), cuando A = l, la respuesta Y se incrementa
ligeramente; pero si A = –1, la respuesta se incrementa mucho.

De esta manera, con un efecto de interacción como el de la figura 2.1, si se quiere maximizar,
minimizar o llevar a un valor objetivo a Y, no se puede mover al factor A sin tomar en cuenta en qué
nivel está B, y viceversa.

Cabe señalar que en muchos procesos industriales y biológicos hay factores que tienen un efecto fuerte
de interacción sobre Y, y que si esto se ignora, lo que algunas veces es una solución (incrementar B
cuando A = –1), en otras ocasiones es insuficiente o incluso contraproducente (incrementar B cuando
A = 1). Esto en la práctica provoca desconcierto a los ingenieros e investigadores, les genera
explicaciones falsas y finalmente los lleva a ignorar aspectos básicos de sus procesos.

Figura 2.1 Interacción para datos tabla 1. Sí existe interacción: el efecto del incremento de B sobre Y
es diferente dependiendo del nivel de A, y viceversa.
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

Figura 2.2. No hay efecto de interacción. En b) se aprecia que si A se aumenta, Y aumenta,

independientemente del valor B.

Ejemplo de no interacción. La interacción AB en la figura 2.1 contrasta con la interacción en la figura

2.2, ya que en el inciso b) se aprecia que si el factor A se cambia de su valor (–1) al (+1), la variable
de respuesta Y aumenta de forma similar para ambos niveles del factor B. Mientras que en el inciso a)
de esta figura se ve que si el factor B se aumenta, la respuesta Y prácticamente no cambia en ambos
niveles de A. De esta manera, la figura 2.2 muestra que no hay interacción, ya que el efecto de A no
depende del nivel donde esté B y viceversa.

Como hemos visto antes, la interpretación de la interacción es de vital importancia tanto para entender
cómo actúan los factores sobre la variable de respuesta, como para acumular conocimiento sobre el
sistema o proceso correspondiente. Cuando se concluye que una interacción doble (de dos factores)
tiene un efecto estadísticamente importante sobre la respuesta, su interpretación tiene prioridad sobre
los correspondientes efectos principales, aunque éstos también sean significativos.
Esto se debe a que la interacción termina dominando en el proceso.

Una de las principales utilidades de una gráfica de interacción es que ayuda a seleccionar la condición
en la que debe operarse el proceso para mejorar su desempeño.
Por ejemplo, en el caso de la figura 2.1b, el mínimo de Y se logra en A = –1 y
B = –1; mientras que el máximo en A = –1 y B = +1.

III. Ventajas de los diseños factoriales

1. Permiten estudiar el efecto individual y de interacción de los distintos factores.
2. Son diseños que se pueden aumentar para formar diseños compuestos en caso de que
se requiera una exploración más completa. Por ejemplo, es útil aumentar el diseño si el
comportamiento de la respuesta no es lineal en los factores controlados.
3. Se pueden correr fracciones de diseños factoriales, las cuales son de gran utilidad en las
primeras etapas de una investigación que involucra a muchos factores, cuando interesa
descartar de manera económica los que no son importantes, antes de hacer un estudio
más detallado con los factores que sí son importantes.
4. Pueden utilizarse en combinación con diseños de bloques en situaciones en las que no
puede correrse todo el diseño factorial bajo las mismas condiciones. Por ejemplo,
cuando cada lote de material sólo alcanza para correr la mitad del experimento, éste se
puede realizar en dos bloques (dos lotes), lo cual implica repartir las pruebas en los dos
lotes de la manera más conveniente posible.
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

5. La interpretación y el cálculo de los efectos en los experimentos factoriales se puede

hacer con aritmética elemental, en particular cuando cada factor se prueba en dos
niveles.

IV. Modelos de efectos aleatorios

Hasta aquí los modelos de efectos que se han utilizado son modelos de efectos o factores fijos, lo cual
significa que todos los niveles de prueba en cada factor son todos los disponibles para ese factor, o
bien, se estudian todos los niveles de interés en ese factor; es en este sentido que los niveles están fijos.
Éste es el caso, por ejemplo, cuando en el factor operador se toman los tres únicos operadores como
los niveles de prueba, o cuando los niveles del factor máquinas son las cuatro máquinas existentes. O
bien, cuando se comparan tres tipos de material porque son los que interesa comparar aunque existan
otros materiales de ese tipo. Con factores fijos, las conclusiones obtenidas sólo son válidas para los
niveles de prueba que se estudian en el experimento.
En ocasiones, los niveles de prueba son una muestra aleatoria de la población de niveles posibles. En
este caso es más apropiado utilizar un modelo de efectos o factores aleatorios. Un ejemplo de esta
situación es cuando se prueban cinco instrumentos de medición, pero la población de los mismos es
de 100 instrumentos; obviamente, no es posible experimentar con todos los equipos. Entonces se
experimenta sólo con cinco de ellos elegidos al azar, y las conclusiones obtenidas se infieren como
válidas para la población entera de instrumentos.
La aplicación de un modelo de efectos aleatorios conlleva la necesidad de considerar la incertidumbre
asociada con la elección aleatoria de los niveles de prueba.
Es decir, ya no tiene sentido, para un factor A, preocuparse por el efecto ai del nivel i como con efectos
fijos. Lo que ahora (con efectos aleatorios) tiene sentido es hablar de la varianza con la que el factor
aleatorio contribuye a la variación total; es decir, es preciso estimar dicha varianza y probar si su
contribución a la variabilidad total es significativa.
El caso de dos factores aleatorios
Si se consideran dos factores aleatorios A y B, de los cuales se prueban a y b niveles elegidos de una
población grande de niveles, entonces si los a x b tratamientos se replican n veces, el modelo de efectos
aleatorios es
𝑌𝑖𝑗𝑘 = 𝑢 + 𝛼𝑖 + 𝛽𝑗 +(𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘 ; 𝑖 = 1, 2, … , 𝑎; 𝑗 = 1, 2, … , 𝑏; 𝑘 = 1, 2, … , 𝑛

donde 𝑢 es la media general, 𝛼𝑖 es el efecto debido al i-ésimo nivel del factor A, 𝛽𝑗 es el efecto del j-
ésimo nivel del factor B, (𝛼𝛽)𝑖𝑗 representa al efecto de interacción en la combinación ij y 𝜀𝑖𝑗𝑘 es el
error aleatorio que se supone sigue una distribución normal con media cero y varianza constante, N(0,
σ2) y son independientes entre sí.
El aspecto de este modelo es igual al de efectos fijos (ecuación 5.1), pero el hecho de que los efectos
sean aleatorios implica que no tiene sentido probar hipótesis directamente sobre tales efectos (medias),
sino que ahora el interés se enfoca en estudiar la varianza de dichos efectos. Para ello, se supone que
los términos 𝛼𝑖 , 𝛽𝑗 , (𝛼𝛽)𝑖𝑗 y 𝜀𝑖𝑗𝑘 son variables aleatorias independientes normales, con media cero y
varianzas 𝜎𝛼2 , 𝜎𝛽2 , 𝜎𝛼𝛽
2
y σ2 respectivamente.
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

De esta manera, si se calcula la varianza en ambos lados del modelo anterior, se obtiene el modelo de
componentes de varianza dado por:

𝑉𝑎𝑟(𝑌𝑖𝑗𝑘 ) = 𝜎𝛼2 +𝜎𝛽2 +𝜎𝛼𝛽

2
+σ2

Donde 𝜎𝛼2 , 𝜎𝛽2 , 𝜎𝛼𝛽

2
son las contribuciones de cada efecto a la variación total y se llaman componentes
de varianza; σ es el componente de varianza debido al error aleatorio. Las hipótesis de interés son
2

𝐻0 : 𝜎𝛼2 = 0, 𝐻0 : 𝜎𝛽2 = 0 y 𝐻0 : 𝜎𝛼𝛽

2
= 0. Los cálculos necesarios para probar estas hipótesis involucran
las mismas sumas de cuadrados del modelo de efectos fijos de las cuales se obtienen los
correspondientes cuadrados medios. Para obtener los estadísticos de prueba F0 apropiados debe
tomarse en cuenta que los valores esperados de los cuadrados medios son

2
𝐸(𝐶𝑀𝐴 ) = 𝜎 2 + n𝜎𝛼𝛽 + 𝑏𝑛𝜎𝛼2
2
𝐸(𝐶𝑀𝐴 ) = 𝜎 2 + n𝜎𝛼𝛽 + 𝑎𝑛𝜎𝛽2
2
𝐸(𝐶𝑀𝐴 ) = 𝜎 2 + n𝜎𝛼𝛽
𝐸(𝐶𝑀𝐴 ) = 𝜎 2

de tal forma que para probar las hipótesis son 𝐻0 : 𝜎𝛼2 = 0, 𝐻0 : 𝜎𝛽2 = 0 y 𝐻0 : 𝜎𝛼𝛽
2
= 0, los estadísticos
de prueba apropiados en el ANOVA son 𝐹0 = 𝐶𝑀𝐴 /𝐶𝑀𝐴𝐵 , 𝐹0 = 𝐶𝑀𝐵 /𝐶𝑀𝐴𝐵 y 𝐹0𝐴𝐵 = 𝐶𝑀𝐴𝐵 /𝐶𝑀𝐸 ,
𝐴 𝐵

respectivamente. Observe que en el modelo de efectos aleatorios los cuadrados medios de los efectos
principales se comparan con el cuadrado medio de la interacción, y no con el cuadrado medio del error,
como se hace en el modelo de efectos fijos. En caso de rechazar alguna de las hipótesis sobre las
varianzas, se concluye que el efecto correspondiente contribuye de manera significativa a la variación
de la respuesta. La conclusión práctica no consiste en determinar el mejor tratamiento, sino que
generalmente se traduce en tomar medidas para que la contribución del componente de varianza se
reduzca.

Al resolver las ecuaciones dadas por los valores esperados de cuadrados medios para los componentes
de varianza, se obtienen estimadores de éstos en función de los cuadrados medios del error, esto es,

𝜎 2 = 𝐶𝑀𝐸

𝐶𝑀𝐴𝐵 − 𝐶𝑀𝐸
𝜎2 =
𝑛
𝐶𝑀𝐵 − 𝐶𝑀𝐴𝐵
𝜎2 =
𝑎𝑛
𝐶𝑀𝐴 − 𝐶𝑀𝐴𝐵
𝜎2 =
𝑏𝑛
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

V. Ejemplo de Diseño Factorial Completamente Aleatorio

Planteamiento: En un Laboratorio de Biología se realiza un experimento para investigar si influye el
tipo de verdura (Lechuga–L y Cilandro–C) y la temperatura (8 a20°C) de almacenamiento en la
sobrevivencia de una bacteria de Gram negativa con forma de bastón que provoca el cólera en los seres
humanos, se hicieron varias réplicas, el porcentaje de sobrevivencia obtenido después de 24 horas de
inoculado al alimento se muestra a continuación.

TEMPERATURA
ALIMENTO 20°C 8°C
LECHUGA 13,1 15,0 33,6 35,5 6,2 28,5 41,0 35,9
42,0 11,1 12,8 37,0 25,0 23,8 70,0 41,6
CILANDRO 19,0 19,0 66,6 66,6 84,3 68,7 68,7 30,5
11,0 11,0 49,0 49,0 30,5 11,0 11,0 20,0

1. Comparar el efecto de los AINES (verduras)

ANOVA
Sobrevivencia
Suma de Media
cuadrados gl cuadrática F Sig.
Entre grupos 646,201 1 646,201 1,395 0,247
Dentro de
13895,659 30 463,189
grupos
Total 14541,860 31

2. Comparar el efecto de la Temperatura

ANOVA
Sobrevivencia
Suma de Media
cuadrados gl cuadrática F Sig.
Entre grupos 347,161 1 347,161 0,734 0,398
Dentro de
14194,699 30 473,157
grupos
Total 14541,860 31

3. Diseño Factorial Completamente Aleatorio

 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

Pruebas de efectos inter-sujetos

Variable dependiente: Sobrevivencia
Tipo III de
suma de Media
Origen cuadrados gl cuadrática F Sig.
a
Modelo corregido 1039,443 3 346,481 0,718 0,549
Intersección 36992,000 1 36992,000 76,710 0,000
Verduras 646,201 1 646,201 1,340 0,257
Temperatura 347,161 1 347,161 0,720 0,403
Verduras *
46,080 1 46,080 0,096 0,760
Temperatura
Error 13502,418 28 482,229
Total 51533,860 32
Total corregido 14541,860 31
a. R al cuadrado = .071 (R al cuadrado ajustada = -.028)

4. Descriptivos (medias marginales estimadas)

Tipo de verduras * Temperatura

Variable dependiente: Sobrevivencia
Intervalo de confianza al
95%
Tipo de Error Límite Límite
verduras Temperatura Media estándar inferior superior
Lechuga t_20° 25,013 7,764 9,109 40,916
t_8° 34,000 7,764 18,096 49,904
Cilandro t_20° 36,400 7,764 20,496 52,304
t_8° 40,588 7,764 24,684 56,491
 INGENIERIA EN INDUSTRAS ALIMENTARIAS ANALISIS Y DISEÑO DE EXPERIMENTOS

5. Gráficos de interacción entre los medicamentos