Diseños Factoriales Aleatorios
Diseños Factoriales Aleatorios
Diseños Factoriales Aleatorios
SEMESTRE : VI
FECHA : 30/07/2018
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
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
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).
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
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.
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:
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
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
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
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