DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept.

2007

EXPERIMENTOS FACTORIALES
2K

Página 1 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

CONTENIDO

1. Principios y definiciones básicas

2. Diseño factorial de dos factores

Página 2 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

DISEÑOS FACTORIALES

1. Principios y definiciones básicas

M uchos experimentos se llevan a cabo para estudiar los

efectos producidos por dos o más factores. Puede mostrarse
que en general los diseños factoriales son los más eficientes para
este tipo de experimentos. Por diseño factorial se entiende aquel en
el que se investigan todas las posibles combinaciones de los niveles
de los factores en cada ensayo completo o réplica del experimento.
Por ejemplo, si existen “a” niveles del factor A y “b” niveles del factor
B, entonces cada réplica del experimento contiene todas las “ab”
combinaciones de los tratamientos. A menudo, se dice que los
factores están cruzados cuando éstos se arreglan en un diseño
factorial.

El efecto de un factor se define como el cambio en la respuesta

producida por un cambio en el nivel del factor. Con frecuencia, éste
se conoce como efecto principal porque se refiere a los factores de
interés primordial del experimento. Por ejemplo, consideremos los
datos de la tabla 1. El efecto principal del factor A podría
interpretarse como la diferencia entre la respuesta promedio en el
primer y segundo nivel de ese factor. Numéricamente:

40 + 52 20 + 30
A = − = 21
2 2

Página 3 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Factor B
B1 B2

A1 20 30

Factor A

A2 40 52

Tabla 1 Un experimento factorial

En otras palabras incrementar el factor A del nivel 1 al 2 produce un

cambio en la respuesta promedio de 21 unidades. Similarmente, el
efecto principal de B es:
30 + 52 20 + 40
B = − = 11
2 2

Si los factores tienen más de dos niveles, el procedimiento anterior

debe ser modificado ya que las diferencias entre las respuestas
promedio pueden expresarse de muchas formas.

En algunos experimentos puede encontrarse que la diferencia en la

respuesta entre los niveles de un factor no es la misma en todos los
niveles de los otros factores. Cuando esto ocurre existe una
interacción entre los factores. Por ejemplo, considérense los datos de
la Tabla 2.

Factor B
B1 B2

A1 20 40

Factor A

A2 50 12

Tabla 2. Un experimento factorial con interacción

Página 4 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

En el primer nivel del factor B, el efecto de A es:

A = 50 - 20 = 30

Mientras que en el segundo nivel de B, el efecto de A es:

A = 12 - 40 = 28

Puede observarse que existe una interacción entre los factores A y B

porque el efecto de A depende del nivel elegido de B.

Estas ideas pueden ilustrarse gráficamente. En la Fig. 1 se muestra

una gráfica de la respuesta de los datos de la Tabla 1 contra los
niveles del factor A para ambos niveles del factor B. Se observa que
las rectas B1 y B2 son, aproximadamente, paralelas. Esto indica que
no hay interacción entre los factores. De manera similar, en la Fig. 2
se presenta una gráfica de la respuesta de los datos de la Tabla 2.

60
B2
50
Respu esta

B1
40
30 B2
20
B1
10

A1 A2
Factor A

Figura 1 Un experimento factorial sin interacciones

En este caso se ve que las rectas B1 y B2 no son paralelas. Esto

muestra que existe una interacción entre A y B. Sin embargo, no debe
ser la única técnica para analizar los datos, porque su interpretación
60y su apariencia, a menudo, es B
es subjetiva 1
engañosa.
Respu esta

50
B2
40
30
20
B1
10 B2
Página 5 de 15
A1 A2
Factor A
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Figura 2 Un experimento factorial con interacciones

Hay que notar que cuando una interacción es grande los

correspondientes efectos principales tienen poco significado práctico.
Una estimación del efecto principal de A de los datos de la Tabla 2 es:

50 +12 20 + 40
A = − =1
2 2

El cual resulta ser muy pequeño corriéndose el riesgo de concluir que

no existe un efecto debido a A. Sin embargo, cuando se examinó el
efecto de A en niveles diferentes de B se concluyó que éste no era el
caso. El factor A tiene un efecto, pero depende del nivel del factor B.
En otras palabras, es más útil conocer la interacción AB que el efecto
principal. Una interacción significativa oculta a menudo el significado
de los efectos principales.

Ventajas de los diseños factoriales

L as ventajas de los diseños factoriales

fácilmente. Supongamos que se tienen dos factores, A y B, cada
uno con dos niveles. Estos niveles se representan mediante A 1, A2, B1
pueden ilustrarse

y B1. La información acerca de ambos factores puede obtenerse

variando un factor a la vez como aparece en la tabla 3. El efecto de
variar el factor A está dada por A2B1 -A1B2. A causa de que existe error
experimental, es conveniente realizar, por ejemplo, dos

Página 6 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

observaciones de cada combinación de tratamientos y hacer una

estimación de los efectos de los factores usando las respuestas
promedio. Por lo tanto, se requiere un total de seis observaciones.

Factor B
B1 B2

A1 A1B1 A1B2

Factor A

A2 A2B1 12

Tabla 3 El método de un factor a la vez

Los diseños factoriales poseen algunas ventajas.

 Son más eficientes que los experimentos de un factor a la vez.

 Los diseños factoriales son necesarios cuando alguna

interacción puede estar presente, para evitar hacer
conclusiones engañosas.

 Los diseños factoriales permiten estimar los efectos de un

factor en diversos niveles de los otros factores, produciendo
conclusiones que son válidas sobre toda la extensión de las
condiciones experimentales.

2. Diseño factorial de dos factores

Página 7 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

E l primer diseño de la serie 22 es aquel en el que solo dos factores,

A y B, cada uno con dos niveles. Este diseño se conoce como
diseño factorial 22. Arbitrariamente, los niveles del factor pueden
llamarse “bajo” y “alto”.

Ejemplo 1 Considérese una investigación llevada a cabo para

estudiar el efecto que tiene la concentración de un reactivo y la
presencia de un catalizador sobre el tiempo de reacción de un
proceso químico. Sea la concentración del reactivo el factor A con dos
niveles de interés, 15% y 20%. El catalizador constituye el factor B; el
nivel alto o superior denota el uso de dos sacos de catalizador y el
nivel bajo o inferior denota el uso de un solo saco. El experimento se
realiza (“replica o repite”) tres veces, y los datos son como sigue:

Replica
Combinación de Tota
tratamientos I II III l En la figura 4
A baja, B baja 2 2 2 80
siguiente se
8 5 7
A alta, B baja 3 3 3 100 presentan
6 2 2 gráficamente las
A baja, B alta 1 1 2 60 combinaciones
8 9 3 de tratamiento
A alta, B alta 3 3 2 90
para este diseño,
1 0 9
el efecto de un
factor se denota por la letra latina minúscula. De este modo, “A” se
refiere al efecto del factor “A”, y “B” se refiere al efecto del factor
b = 60(18+19+23) ab = 90(31+30+19)
Cantidad de catalizador B

“B”, y Alto
“AB” (2
se sacos)
refiere +a la interacción entre AB. En el diseño 2 2 los
niveles bajo y alto de A y B se denotan por “-“ y “+” respectivamente,
en los ejes A y B. Así – en el eje B representa el nivel bajo de
catalizador mientras que + denota el nivel alto.

bajo (1 saco) -
(1) = 80(28+25+27) a = 100(36+32+32)

Página 8 de 15
- +
bajo (15%) alto (20%)
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Fig. 3

Las cuatro combinaciones de tratamientos en el diseño pueden

representarse por letras minúsculas, cono se muestra en la figura 3.
En esta figura se aprecia que el nivel superior de cualquier factor de
una combinación de tratamientos esta representado por la presencia
de la letra minúscula correspondiente, mientras que la ausencia de
esta ultima representa el nivel inferior del factor.

Así

 “a” representa la combinación de tratamientos, en la que A se

encuentra en el nivel superior y B en el nivel inferior;

 “b” representa aquella en la que A se halla en el nivel inferior y

B en el superior, y

 “ab” representa a ambos factores en el nivel superior.

 Por convención (1) se usa para representar a ambos factores en

el nivel inferior.
 El efecto promedio de un factor se define como el cambio en la
respuesta producida por un cambio en el nivel de ese factor,
promediado sobre los niveles del otro factor.

Como se ilustra en la figura 3, las letras minúsculas (1), a, b y ab

también se usan para representar los totales de las n replicas de las
combinaciones de tratamientos correspondientes. Ahora bien, el

Página 9 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

efecto de A en el nivel B es {a-(1)}/n. Mientras que el nivel superior B

es {ab-b}/n. Tomando el promedio de estas dos cantidades se
obtiene:

1 1
A = {[ab ] [
− b + a − (1) ]} = [ab − a − b − (1) ]
2n 2n

El efecto promedio de B se determina a partir de su efecto en el nivel

inferior de A (esto es, {b-(1)}/n, y de su efecto en el nivel superior de
A (que es igual a [ab-a]/n obteniéndose:

B =
1
{[ab ] [
− a + b − (1) ]} = 1
[ab + b - a − (1) ]
2n 2n

El efecto de la interacción AB se define como la diferencia promedio

entre el efecto de A en el nivel superior de B y su efecto en el nivel
inferior de B, así:

{[ab ] [ ]} = [ab ]
1 1
AB = − b − a − (1) + (1) − a − (b)
2n 2n

Por otro lado se puede definir AB como la diferencia promedio entre el

efecto de B en el nivel superior de A y el efecto de B en el nivel
inferior de A.

Las formulas para los efectos de A, B y AB pueden deducirse por otro

método. El efecto de A puede hallarse como la diferencia en la
respuesta promedio de las dos combinaciones de tratamiento en la
mitad derecha (que llamaremos Y A+, puesto que es la respuesta
promedio para las combinaciones de tratamientos a las que A que se
encuentra en el nivel alto) y las dos combinaciones de tratamientos
en la mitad izquierda (o Y A). Esto es,

A = YA + −YA −

Página 10 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

ab +a b +(1)
= −
2n 2n

=
1
[ab + a −b −(1) ]
2n

Este es exactamente el mismo resultado, el efecto de B se encuentra

como la diferencia entre el promedio de las dos combinaciones de
tratamientos en la parte superior del cuadrado ( Y B+) y el promedio
de las dos combinaciones de tratamientos en la parte inferior ( Y B-), o

B = YB + −YB −

ab +b a +(1)
= −
2n 2n

=
1
[ab +b −a −(1) ]
2n

Finalmente el efecto de interacción AB es el promedio de las

combinaciones de tratamientos en la diagonal de derecha a izquierda
del cuadrado  ab y (1) menos el promedio de las combinaciones de
tratamientos en la diagonal de izquierda a derecha (a y b), o

ab +(1) a +b
AB = −
2n 2n

=
1
[ab +(1) −a −b ]
2n

Con los datos que aparecen en la figura 1, las estimaciones de los

efectos promedio son:

( 90 ) = 8.33
1
A = +100 − 60 − 80
2(3)

B =
1
(90 + 60 −100 − 80 ) = −5.00
2(3)

(90 ) = 1.67
1
AB = + 80 −100 − 60
2(3)

El efecto de A (concentración de reactivo) es positivo; esto sugiere

que al elevar A del nivel bajo (15%) al nivel alto (25%) incrementará

Página 11 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

el rendimiento. El efecto de B (catalizador) es negativo; esto sugiere

que elevar la cantidad del catalizador agregada al proceso reducirá
el rendimiento. Al parecer, el efecto de interacciones es pequeño
comparado con los dos efectos principales.

En muchos experimentos que implican diseños 2K se examina la

magnitud y la dirección de los efectos de los factores para determinar
cuales variables es probable que sean importantes. Por lo general
puede emplearse el análisis de varianza para confirmar esta
interpretación. En el diseño 2k existen algunos métodos rápidos
especiales para realizar los cálculos del análisis de varianza.

Consideremos la suma de cuadrados para A, B y AB. Obsérvese la

primera ecuación que se utiliza un contraste para estimar A; esto es,

C o ntra ste A= a b + a − b − (1 )

Este contraste suele llamarse efecto total de A. A partir de la

segunda y tercera ecuación, puede apreciarse que también se utilizan
contraste para estimar B y AB. Además, estos tres contrastes son
ortogonales. La suma de cuadrados de cualquiera de ellos puede
calcularse usando la siguiente ecuación:

(
SSc = ∑1 )
aciyi. 2 n ∑a ci 2
a .

Esta ecuación establece que la suma de cuadrados de contraste es

igual al contraste elevado al cuadrado entre el producto del número
de las observaciones de cada total del contraste por la suma de
cuadrados de los coeficientes del mismo. En consecuencia, se obtiene
que las sumas de cuadrados de A, B y AB sean:

Página 12 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

SS A =
[ab + a − b − (1) ]2
n* 4

SS B =
[ab + b − a − (1) ]2
n * 4

SS AB =
[ab + (1) − a − b ]2
n* 4

Con los datos de la figura 1, las sumas de cuadrados se pueden

calcular aplicando las ecuaciones anteriores, obteniéndose:

2
50
SS A = = 208.33
4(3)
2
−30
SS B = = 75.00
4(3)
2
10
SS AB = = 8.33
4(3)

La suma total de cuadrados se determina de la manera usual

mediante:

2
2 ∑ 2 ∑ n 2 Y ...
SS T = ∑i=1 j=1 k=1 Y ijk −
4n

En general SST tiene 4n –1 grados de libertad. La suma de cuadrados

del error, con 4(n-1) G.L. se puede calcular en la forma usual, por
diferencia, mediante.

2
2 2 3 2 Y
SS E = ∑ ∑ ∑ Yijk − = 9398.00 − 9075.00 = 323.00
i=1j=1k =1 4(3)

SS E = SS T − SS A − SS B − SS AB

= 3 2 3 .0 0− 2 0 8 .33− 75 .0 0− 8 .3 3 = 3 1.3 4

El análisis de varianza completo se presenta en la tabla siguiente.

Ambos efectos principales son significativos al 1%.

A menudo se es conveniente escribir las combinaciones de

tratamientos en el orden (1), a, b, y ab. Este orden se conoce como
orden estándar. Cuando se utiliza es posible apreciar que los
coeficientes de los contrastes usados para estimar los efectos son

Página 13 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Efect (1 a b A
os ) b
A: -1 + -1 +
B: -1 1 + 1
AB: + -1 1 +
1 -1 -1 1
+
1

Tabla ANOVA para los datos del ejemplo 3.1 es la siguiente:

Fuente
de
variació G.L
n SS . MS Fo
A 208.3 1 208.3 53.15
B 3 1 3 a

AB 75.00 1 75.00 19.13

Error 8.33 8 8.33 a

Total 31.34 11 3.92 2.13

323.0
0
a
significativo al 1%

Signos algebraicos para calcular los efectos en un diseño 22

Combinación Efecto
De Factorial

Tratamientos I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +

Página 14 de 15
DISEÑOS DE EXPERIMENTOS FACTORIALES 2K P. Reyes / Sept. 2007

Observe que los coeficientes de los contrastes usados para estimar la

interacción son iguales al producto de los coeficientes
correspondientes a los dos efectos principales. Los coeficientes de
los contrastes siempre son +1 o –1 y se puede usar una tabla de
signos positivos y negativos como la mostrada en la de signos
algebraicos para determinar el signo apropiado de cada combinación
de tratamientos. En el encabezado de las columnas de tabla y se
encuentran los efectos principales (A y B), la interacción AB, e I, que
representa el total el total o el promedio de todo el experimento. Se
observa que la columna encabezada por I se compone de solo de
signos positivos. Los renglones corresponden a las combinaciones de
tratamientos.

Para encontrar un contraste con el fin de estimar cualquier efecto,

simplemente se multiplican los signos de la columna apropiada de la
tabla por la correspondiente combinación de tratamientos, y se suma.
Por ejemplo, el contraste para estimar A es –(1) + a – b + ab, lo cual
concuerda con la ecuación.

A =
1
{[ab ] [
− b + a − (1) ]} = 1
[ab − a − b − (1) ]
2n 2n

Los tipos más sencillos de diseños factoriales implican sólo dos

factores o conjuntos de tratamientos. Haya “a” niveles del factor A y
“b” niveles del factor B, dispuestos en un diseño factorial; esto es,
cada A repetición o réplica del experimento contiene todas las
combinaciones de tratamiento ab. En general, hay n repeticiones.

Página 15 de 15