1 CAPÍTULO 4 Diseños factoriales Uso de software estadístico 111

CAPÍTULO 4
Conceptos básicos en diseños factoriales

4.1. Diseños factoriales con dos factores

4.2. Diseños factoriales con tres factores
4.3. Diseño factorial general
4.4. Modelos de efectos aleatorios
4.5. Uso de un software estadístico
113 CAPÍTULO 4 Diseños factoriales Diseños factoriales 113

Competencias

Explicar cuando un diseño de experimentos es un diseño factorial, describiendo los

conceptos básicos que estos involucran y mostrado cómo se hace tal experimentación.
Desarrollar los diseños factoriales de dos y tres factores. Conocer el diseño factorial
general y diferenciar los modelos de efectos fijos con los modelos de efectos aleatorios.
Interpretar correctamente los análisis gráficos y el análisis de varianza en los diseños
factoriales.

Conceptos básicos en diseños factoriales

Es frecuente que en muchos procesos existan varios factores de los que es necesario
investigar de manera simultánea su influencia sobre una o varias variables de respuesta,
donde cada factor tiene la misma importancia a priori desde el momento que se decide
estudiarlo, y es poco justificable suponer de antemano que los factores no interactúan
entre sí. Los diseños experimentales que permiten estudiar de manera simultánea el
efecto de varios factores son los llamados diseños factoriales.

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre

una o varias respuestas o características de calidad y determinar una combinación de
niveles de los factores en la cual el desempeño del proceso sea mejor que en las
condiciones de operación actuales; es decir, encontrar nuevas condiciones de operación
del proceso que eliminen o disminuyan ciertos problema de calidad en la variable de
salida.

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 poder estudiar la manera en que
incluye cada factor sobre la variable respuesta, es necesario elegir al menos dos niveles
de prueba para cada uno de ellos (tres máquinas, dos operadores, tres velocidades, dos
temperaturas, etc.). Con el diseño factorial completa se corren aleatoriamente en el
proceso todas las posibles combinaciones que pueden formarse con los niveles
seleccionados.

Un diseño de experimentos factorial 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 de prueba, se forma el diseño factorial , que consiste de
cuatro combinaciones o puntos experimentales.

Considerando otra vez k = 2 factores, pero ahora uno con tres niveles y el otro
con dos niveles, se pueden construir 3 x 2 combinaciones que dan lugar al diseño
factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita 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 réplica se
lleva a cabo cada vez que se repite el arreglo completo.

Más en general, la familia de diseños factoriales consiste de k factores, todos

con dos niveles de prueba; y la familia de diseños factoriales consiste de k factores
114 CAPÍTULO 4 Diseños factoriales Diseños factoriales 114

cada uno con tres niveles de prueba. Es claro que si los k factores no tienen la misma
cantidad de niveles, entonces no se puede factorizar de esta forma, y debe escribirse el
producto de manera más explícita: por ejemplo con k = 3 factores, el primero con cuatro
niveles y los dos restantes con dos niveles, se tiene el diseño factorial
, que consiste de 16 combinaciones de niveles diferentes.

4.1. Diseños factoriales con dos factores

El experimento factorial más sencillo es en el que intervienen solamente dos factores,
por ejemplo, A y B. Hay niveles del factor A y niveles del factor B. El experimento
tiene réplicas y cada réplica contiene todas las combinaciones de tratamientos .
Considere los factores A y B con y ( ) niveles de prueba,
respectivamente. Con ellos se puede construir el arreglo o diseño factorial , que
consiste de tratamientos. Se llama réplica cada repetición completa del arreglo
factorial. Los diseños factoriales que involucran menos de cuatro factores se corren
replicados para poder tener la potencia necesaria en las pruebas estadísticas sobre los
efecto de interés, de tal forma que si se hacen réplicas, el número total de corridas
experimentales es ( ).

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.

Ejemplo
Diseño factorial . Suponga que en un proceso de fermentación tequilera, se tienen
dos factores A: tipo de levadura y B: temperatura, cada uno con dos niveles denotados por
respectivamente. La respuesta de interés es el
rendimiento del proceso de fermentación. En la tabla 4.1 se muestran los cuatro
tratamientos o puntos del diseño factorial , 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 4.1 sólo se anotaron los resultados de la primera
réplica.

Tabla 4.1 Diseño factorial

A: Levadura B: Temperatura Y: Rendimiento
28
41
63
45

Para los datos de la tabla 4.1, los efectos principales están dados por
115 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 115
115
115

Efecto A =

Efecto B =

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
4.1: 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 alta) = 45 - 63 = 13

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 de A y B
interactúan sobre Y. En la práctica, el cálculo del efecto 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 se
denotan por AB y se calculan como la diferencia entre la respuesta media cuando ambos
factores se encuentran en el m ismo 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 levadura x temperatura está dado por

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 coro) se requiere el análisis de
varianza (ANOVA).

Modelo estadístico
Con un diseño factorial se pueden estudiar los dos efectos individuales y el efecto
de interacción de ambos factores. En términos estadísticos, lo que se afirma es que el
comportamiento de la respuesta Y en el experimento con k réplicas se podría describir
mediante el modelo de efectos:

donde es la media general, es el efecto debido al i-ésimo nivel del factor es el

efecto del j-ésimo nivel del factor B, representa al efecto de interacción en la
116 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 116
116
116

combinación es el error aleatorio que supone sigue una distribución con media
cero y varianza constante y son independientes entre sí. Para que la
estimación de los parámetros en este modelo sea única, se introducen las restricciones:

Es decir, los efectos dados en el modelo son desviaciones respecto de la media

global. Puede usarse el análisis de varianza para probar hipótesis relativas a los efectos
principales de los factores A y B y la interacción AB.
En este modelo, las hipótesis de interés para los tres efectos son:

Estas hipótesis se prueban mediante la técnica de análisis de varianza que para

un diseño factorial con réplicas resulta de descomponer la variación total como,

donde los respectivos grados de libertad de cada una de ellas son:

El factor en los grados de libertad de la suma de cuadrados del error

( ) señala que se necesitan al menos dos réplicas del experimento para calcular ese
componente y, por ende, para construir una tabla de ANOVA. Recordemos que las
sumas de cuadrados divididas entre sus correspondientes grados de libertad se llama
cuadrados medios . Al dividir éstos entre el cuadrado medio del error se
obtienen estadísticos de prueba con distribución F. Toda esta información se sintetiza
en la siguiente tabla:

ANOVA para el diseño factorial

FV SC GL CM Valor-p
Efecto A
Efecto B
Efecto AB
Error
Total

Si el valor-p es menor al nivel de significancia prefijado, se rechaza la

hipótesis nula y se concluye que el correspondiente efecto está activo o influye en la
variable de respuesta.
117 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 117
117
117

Recordemos la notación de puntos para representar sumas y medias:

Con esta notación la suma de cuadrados totales es:

donde N = es el total de observaciones en el experimento. Las sumas de cuadrados

de efectos son:

y al final, al restar éstas del total, se obtiene la suma de cuadrados del error como:

Ejemplo
Consideremos un experimento en el que se quiere estudiar el efecto de los factores A:
profundidad de corte sobre el acabado de un metal y B: velocidad de alimentación.
Aunque los factores son de naturaleza continua, en este proceso sólo se puede trabajar
en 4 y 3 niveles, respectivamente. Por ello, se decide correr un factorial completo 4 x 3
con tres réplicas, que permitirá obtener toda la información relevante en relación al
efecto de esos factores sobre el acabado. Al aleatorizar las 36 pruebas se obtienen los
datos de la siguiente tabla:
118 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 118
118
118

Datos del experimento factorial 4 x 3

B: velocidad
0,20 0,25 0,30 Total
0,15 74 92 99
64 198 86 266 98 299 763
60 88 102
A: Profundidad 0,18 79 98 104
68 220 104 290 99 298 808
73 88 95
0,21 82 99 108
88 262 108 302 110 317 881
92 95 99
0,24 99 104 114
104 299 110 313 111 332 944
96 99 107
Total 979 1 171 1 246

El acabado ( ) está en unidades de gramos e interesa minimizar su valor

De acuerdo a esto para obtener el ANOVA para el ejemplo, calculemos los

totales necesarios. De donde:

La suma de cuadrados totales y la suma de cuadrados del error están dadas por

Con esta información se construye el análisis de varianza de la tabla 4.2. Del

ANOVA se concluye que los tres efectos A: velocidad, B: profundidad y AB están
activos o influyen en el acabado. Dado que el efecto de integración AB resulta
significativo, prácticamente toda la información relevante del experimento se aprecia en
su representación gráfica (figura 4.1). Nótese que aparecen tantas líneas como niveles
tenga el factor que se dibuja en la parte de arriba, que en este caso es la profundidad
con sus cuatro niveles que se denotan con la escala de -1 a 1. La significancia de la
interacción detectada por el ANOVA se observa en el hecho de que las líneas en la
figura 5.1 tienen pendientes relativamente diferentes. Como lo que interesa es
minimizar la variable de respuesta, se observa que a mayor velocidad y profundidad hay
una tendencia a obtener peores acabados. Además se ve que cuando se tiene velocidad
119 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 119
119
119

alta ( ) el efecto de profundidad es menor (véase la dispersión de las líneas en la

figura cuando la velocidad es alta). Por lo tanto, las condiciones de operación o
tratamiento que convienen es profundidad y velocidad bajas ( ).

El ANOVA de la tabla 5.2 se dice que no está desglosado, ya que cuando en un

experimento hay factores cuantitativos con más de dos niveles, el ANOVA se puede
desglosar para estudiar con mayor detalle en el efecto de tal factor.

Tabla 5.2 ANOVA para el ejemplo

FV SC GL CM Valor-p
B: velocidad 3 160.5 2 1 580,25 55,02 0,0000
A: profundidad 2 125,10 3 708,37 24,66 0,0000
AB 557,07 6 92,84 3,23 0,0180
Error 689,33 24 28,72
Total 6 532,0 35

El planteamiento de hipótesis quedaría de la siguiente manera:

Con su nivel de significancia como con sus grados de libertad respectivamente

tenemos que el valor de F crítica es: y
Se concluye que

Se rechaza

Se rechaza

Se acepta

Resultado arrojado en Minitab para el ejemplo anterior

Factores: 2 Réplicas: 3
Corridas base: 12 Total de corridas: 36
Bloques base: 1 Total de bloques: 1

Número de niveles: 4; 3

Modelo lineal general: RESPUESTA vs. PRFUNDIDAD; VELOCIDAD

Factor Tipo Niveles Valores

PRFUNDIDAD A fijo 4 0.15; 0.18; 0.21; 0.24
VELOCIDAD B fijo 3 0.20; 0.25; 0.30

Análisis de varianza para RESPUESTA, utilizando SC ajustada para pruebas

Fuente GL SC sec. SC ajust. MC ajust. F P

PRFUNDIDAD A 3 2125,11 2125,11 708,37 24,66 0,000
VELOCIDAD B 2 3160,50 3160,50 1580,25 55,02 0,000
PRF.*VEL. AB 6 557,06 557,06 92,84 3,23 0,018
Error 24 689,33 689,33 28,72
Total 35 6532,00
120 CAPÍTULO 4 Diseños factoriales Diseños factoriales con dos factores 120
120
120

Comparación de medias

Las comparaciones de medias se introdujeron en la sección ´´Diseño completamente al

azar y ANOVA´´ del capítulo 2, para después de un ANOVA en el que se rechaza ,
investigar cuáles medias causa las diferencias detectadas. El ANOVA sólo indica que al
menos un par de niveles del factor significativo son diferentes entre sí, pero no dice
cuáles son. Por facilidad, denotemos los cuatro niveles de la profundidad (A) del
ejemplo anterior como así como los tres niveles de la velocidad (B)
como Entonces es, los seis pares de hipótesis para comparar las medias del
factor A son:

mientras que para el factor B se tienen los tres pares de hipótesis,

Para probar estas hipótesis con el método LSD habría que calcular las
diferencias muestrales en el valor absoluto y compararlas con la diferencia mínima
significativa. Cabe aclarar que este análisis es engañoso cuando el efecto de interacción
es significativo. Por ello, y sólo por ilustrar el método, se prueban las hipótesis del
factor A ignorando por el momento la interacción. La diferencia mínima significativa
para comparar los niveles del factor A, está dada por:

Donde es el punto porcentual 100( de la distribución T de

Student, los grados de libertad del cuadrado medio del error, y son el
total de observaciones en los niveles del factor A, que están comparando. De esta
manera, en el ejemplo, como es un diseño balanceado = = 9; entonces,
121 CAPÍTULO 4 Diseños factoriales Comparación de medias 121
121
121

De los totales marginales dados en el renglón inferior de la tabla donde se

representan los datos del experimento factorial 4 x 3, se obtienen las medias del factor
A, al dividir entre 9, que son el número de mediciones involucradas en cada total. Así,
las seis posibles diferencias muestrales en valor absoluto resultan ser:

donde sólo la primer diferencia resulta no significativa, es decir, se acepta

; en cambio, en las cinco comparaciones restantes se rechaza .

Ejercicios

1.- La pintura tapaporo de aviones se aplica en superficies de aluminio utilizando dos

métodos: por inmersión y por aspersión. El objeto de la pintura tapaporo es mejorar la
adherencia de la pintura, y en algunas partes puede aplicarse utilizando cualquiera de los
dos métodos. Al grupo de ingenieros responsable del proceso de esta operación le
interesa saber si tres pinturas tapaporo diferentes difieren en sus pro piedades de
adherencia. Se realizó un experimento factorial para investigar el efecto que tiene el tipo
de pintura tapaporo y el método de aplicación sobre la adherencia de la pintura. Se
pintaron tres ejemplares de prueba con cada pintura utilizando cada uno de los métodos
de aplicación, se aplico la pintura final, y se midió la fuerza de adherencia. Probemos la
hipótesis apropiada y saquemos conclusiones

Tipo de Inmersión Aspersión

tapaporo
1 4.0, 4,5 4.3 12.8 5.4, 4.9, 5.6 15.9 28.7
2 5.6, 4.9, 5.4 15.9 5.8, 6.1, 6.3 18.2 34.1
3 3.8, 3.7, 4.0 11.5 5.5, 5.0, 5.0 15.5 27.0
40.2 49.6 89.8 =

Resultado en Minitab
Diseño factorial de múltiples niveles

Factores: 2 Réplicas: 3
Corridas base: 6 Total de corridas: 18
Bloques base: 1 Total de bloques: 1

Número de niveles: 3; 2

Modelo lineal general: Respuesta vs. Tapaporo; Adherencia

Factor Tipo Niveles Valores

Tapaporo fijo 3 1; 2; 3
122 CAPÍTULO 4 Diseños factoriales Comparación de medias 122
122
122

Adherencia fijo 2 Inmersión; Aspersión

Análisis de varianza para Respuesta, utilizando SC ajustada para pruebas

Fuente GL SC sec. SC ajust. MC ajust. F P

Tapaporo 2 4,5811 4,5811 2,2906 27,86 0,000
Adherencia 1 4,9089 4,9089 4,9089 59,70 0,000
Tapaporo*Adherencia 2 0,2411 0,2411 0,1206 1,47 0,269
Error 12 0,9867 0,9867 0,0822
Total 17 10,7178

S = 0,286744 R-cuad. = 90,79% R-cuad.(ajustado) = 86,96%

Dado que utilizamos un = 0.05 y puesto que el valor de tanto para el factor
A (tipo de pintura) como para el factor B(tipo de aplicación), con su nivel de
significancia como con sus grados de libertad respectivamente tenemos
y . Se concluye que los efectos principales del tipo de pintura
tapaporo y del método de aplicación afectan la fuerza de adherencia. Además, puesto
que 1,5 , no hay indicios de interacción entre estos factores. En la
última columna del ANOVA se muestra el valor P para cada cociente F. Obsérvese que
los valores P de los dos estadísticos de prueba para los efectos principales son
considerablemente menores que 0,05 mientras que el valor P para el estadístico de
prueba de la interacción es mayor que 0,05.

Se rechaza

Se rechaza

Se acepta

2.- Se presentan los resultados de un experimento en el que interviene una batería de

almacenamiento usada en el mecanismo de lanzamiento de un misil tierra-aire para
cargar al hombro. Pueden usarse tres tipos de materiales para hacer las placas de la
batería. El objetivo es diseñar una batería que se mantenga relativamente sin
alteraciones por la temperatura ambiente. La respuesta de salida de la batería es la vida
efectiva en horas. Se seleccionan tres niveles de temperatura y se corre un experimento
factorial con cuatro replicas. Los datos son los siguientes:

Material Temperatura (
Baja Media Alta
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60

a) Pruebe las hipótesis apropiadas y saque conclusiones utilizando el análisis de

123 CAPÍTULO 4 Diseños factoriales Ejercicios 123

b) varianza con = 0.05

c) Analice gráficamente la interacción
d) Analice los residuales de este experimento

3.- En un artículo se describe un experimento para investigar el efecto de dos factores

(tipo de cristal y tipo de fósforo) sobre la brillantez de un cinescopio. La variable de
respuesta media es la corriente (en microamperes) necesaria para obtener un nivel
especifico de brillantez. Los datos se presentan en la siguiente tabla:

Tipo de Tipo de fósforo

cristal 1 2 3
1 280 300 290
290 310 285
285 295 290
2 230 260 220
235 240 225
240 235 230

a) Enuncie las hipótesis de interés en este experimento

b) Pruebe las hipótesis anteriores y saque conclusiones utilizando análisis de
varianza con = 0.05
c) Analice los residuales de este experimento

4.- Se condujo un experimento para determinar si la temperatura del fuego o la posición

en el horno afectan la densidad de endurecimiento de un ánodo de carbono. Los datos
son los siguientes:

Posición Temperatura ( )
800 825 850
1 570 1 063 565
565 1 080 510
583 1 043 590
2 528 988 526
547 1 026 538
521 1 004 532

a) Enuncie las hipótesis de interés

b) Pruebe las hipótesis anteriores utilizando el análisis de varianza con = 0.05.
¿A qué conclusiones se llega?
c) Utilizando el método de la LSD de Fisher, investigar las diferencias entre la
media de la densidad del endurecimiento de los ánodos en los tres diferentes
niveles de temperatura

4.2. Diseños factoriales con tres factores

Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o más
variables de respuesta, y el número de niveles de prueba en cada uno de los factores es
a, b y c, respectivamente, se puede construir el arreglo factorial , que consiste
de tratamientos o puntos experimentales. Entre los arreglos de este tipo que se
utilizan con frecuencia en aplicaciones diversas se encuentran: el factorial , el
124 CAPÍTULO 4 Diseños factoriales Ejercicios 123

factorial y los factoriales mixtos con no más de cuatro niveles en dos de los factores,
por ejemplo, el factorial 4 x 3 x 2 y el factorial 4 x 4 x 2, por mencionar dos de ellos.

Hipótesis de interés
El estudio factorial de tres factores (A, B y C) permite investigar los efectos: A, B, C,
AB, AC, BC y ABC, donde el nivel de desglose o detalle con el que pueden estudiarse
depende del número de niveles utilizando en cada factor. Por ejemplo, si un factor se
prueba en dos niveles, todo su efecto marginal (individual) es lineal, o sea que su efecto
individual no se puede descomponer; pero, si tuviera tres niveles su efecto marginal se
puede descomponer en una parte lineal y otra cuadrática pura.

En resumen, se tienen siete efectos de interés sin considerar desglose, y con ellos
se pueden plantar las siete hipótesis nulas

cada una aparejada con su correspondiente hipótesis alternativa. El ANOVA para probar
estas hipótesis se muestran en la siguiente tabla.

ANOVA para el diseño a x b x c

FV SC GL CM Valor-p
Efecto A
Efecto B
Efecto C
Efecto AB
Efecto AC
Efecto BC
Efecto ABC
Error
Total

Al efecto cuyo valor-p sea menor al valor especificado para alfa, se declara
estadísticamente significativo o se dice que está activo. Las sumas de cuadrados son
muy similares a las obtenidas para dos factores; habrá que considerar un subíndice
adicional para el tercer factor, y comenzando otra vea, por la suma total de cuadrados,
éstas resultan ser:

donde N = es el total de observaciones en el experimento. Las sumas de cuadrados

125 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 125
125
125

de efectos son:

Al restar éstas del total, la suma de cuadrados del error resulta ser

cuyos respectivos grados de libertad se dan en la tabla anterior. Una vez hecho el
ANOVA, se procede a interpretar los efectos activos, y luego (aunque no
necesariamente después) a diagnosticar la calidad del modelo.

Ejemplo
El experimento. Se desea investigar el efecto del tipo de suspensión (A), abertura de
malla (B) y temperatura de ciclaje (C) en el volumen de sedimentación Y(%) de una
suspensión. Para ello se decide correr un experimento factorial 3 x 2 x 2 con seis
réplicas, y las observaciones obtenidas en las 72 corridas experimentales se muestran en
la siguiente tabla:

60, 75, 75 67, 73, 73 62, 68, 65 71, 80, 80 76, 71, 75 75, 75, 75
86, 70, 70 67, 68, 68 76, 65, 65 72, 80, 80 70, 68, 73 75, 75, 77
55, 53, 53 52, 52, 57 44, 44, 45 60, 60, 60 52, 51, 50 56, 55, 57
55, 55, 55 52, 54, 54 48, 48, 45 67, 67, 65 52, 48, 54 59, 50, 55

Los niveles de prueba para cada factor, tanto en unidades originales como en
unidades codificadas, se muestran en la siguiente tabla
126 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 126
126
126

Factor U. originales U. codificadas

Bajo Medio Alto Bajo Medio Alto
A: Tipo de suspensión -1 0 1
B: Abertura de malla 40 - 60 -1 - 1
C: Temperatura 0 - 30 -1 - 1

El análisis de varianza para este ejemplo se muestra en la siguiente tabla. De

aquí se concluye que no influyen los efectos ABC, AC ni A, dado que su valor-p es
mayor que . Por otra parte, se encuentran activos los efectos B, C, AB y en
menor medida BC. Éstos son los cuatro efectos que se deben interpretar. Los efectos
que no influyeron se pueden eliminar mandándolos al término error. El ANOVA
simplificado, pero con el efecto A note que el en ambos ANOVAS es
prácticamente igual. En general se recomienda interpretar sólo los efectos significativos.

Diseño factorial de múltiples niveles

Factores: 3 Réplicas: 6
Corridas base: 12 Total de corridas: 72
Bloques base: 1 Total de bloques: 1

Número de niveles: 3; 2; 2

Modelo lineal general: Respuesta vs. Suspensión; Abertura de malla; ...

Factor Tipo Niveles Valores

Suspensión fijo 3 A1; A2; A3
Abertura de malla fijo 2 B1; B2
temperatura fijo 2 C1; C2

Análisis de varianza para Respuesta, utilizando SC ajustada para pruebas

Fuente GL SC sec. SC ajust. MC ajust. F P

Suspensión 2 13,86 13,86 6,93 0,49 0,613
Abertura de malla 1 480,50 480,50 480,50 34,25 0,000
temperatura 1 6086,72 6086,72 6086,72 433,90 0,000
Suspensión*Abertura de malla 2 788,25 788,25 394,13 28,10 0,000
Suspensión*temperatura 2 40,86 40,86 20,43 1,46 0,241
Abertura de malla*temperatura 1 56,89 56,89 56,89 4,06 0,049
Suspensión*Abertura de malla* 2 31,03 31,03 15,51 1,11 0,338
temperatura
Error 60 841,67 841,67 14,03
Total 71 8339,78

S = 3,74537 R-cuad. = 89,91% R-cuad.(ajustado) = 88,06%

Observaciones inusuales de Respuesta

Residuo
Obs Respuesta Ajuste Ajuste SE Residuo estándar
23 60,0000 72,6667 1,5290 -12,6667 -3,70 R
36 76,0000 66,8333 1,5290 9,1667 2,68 R
52 86,0000 72,6667 1,5290 13,3333 3,90 R

R denota una observación con un residuo estandarizado grande.

127 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 127
127
127

Dado que utilizamos un = 0.05 y puesto que el valor de , con su nivel de

significancia como con sus grados de libertad en tablas respectivamente tenemos
y .
; Se acepta
; Se rechaza
; Se rechaza
, Se rechaza
; Se acepta
, Se rechaza

Ejercicios
1.- Se investigan el porcentaje de la concentración de madera dura en la pulpa cruda, la
libertad de orientación de la fibra o lof, y el tiempo de cocción de la pulpa en cuanto a
sus efectos sobre la resistencia del papel. En la siguiente tabla se muestran los datos de
un experimento factorial con tres factores.

Porcentaje de la 1.5 horas de tiempo de cocción 2.0 horas de tiempo de cocción

Concentración de lof lof
Madera dura 350 500 650 350 500 650
10 96.6 97.9 99.4 98.4 99.6 1000.6
96.0 96.0 99.8 98.6 100.4 100.9
15 98.5 96.0 98.4 97.5 98.7 99.0
97.2 96.9 97.6 98.1 96.0 99.0
20 97.5 95.6 97.4 97.6 97.0 98.5
96.6 96.2 98.1 98.4 97.8 99.8

a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a

2.- El departamento de control de calidad de una planta de acabados textiles estudia los
efectos de varios factores sobre el teñido de una tela combinada de algodón y fibra
sintética que se usa para hacer camisas. Se seleccionan tres operadores, tres duraciones
del ciclo y dos temperaturas, y tres ejemplares de prueba pequeños de tela se tiñeron
bajo cada conjunto de condiciones. La tela terminada se comparó con un patrón y se
asigno una puntuación numérica. Los resultados se presentan en la tabla siguiente

Temperatura
300 350
Operador Operador
Duración del ciclo 1 2 3 1 2 3
40 23 27 31 24 38 34
24 28 32 23 36 36
25 26 28 28 35 39
50 36 34 33 37 34 34
35 38 34 39 38 36
36 39 35 35 36 31
60 28 35 26 26 36 28
24 35 27 29 37 26
27 34 25 25 34 34
128 CAPÍTULO 4 Diseños factoriales Diseños factoriales con tres factores 128
128
128

a) Enuncie y pruebe las hipótesis apropiadas usando el análisis de varianza con

3.- Un ingeniero mecánico estudia la rugosidad superficial de una pieza producida en

una operación de corte de metal. Son de interés tres factores: la rapidez de alimentación
(A), la profundidad del corte (B) y el ángulo de la herramienta (C). A los tres factores se
les ha asignado dos niveles, y se corren dos réplicas de un diseño factorial

Profundidad del corte

0.025 pulgada 0.04 pulgada
Rapidez de Ángulo de la herramienta
alimentación 15 25 15 25
30 pulg/min 9 11 9 10
7 10 11 8
30 pulg/min 10 10 12 16
12 13 15 14

a) Analice los datos usando el análisis de varianza bajo el supuesto de que todos
los factores son fijos. Use
b) Encuentre los valores de P de los cocientes F del inciso a

4.3. Diseño factorial general

Lo que se ha dicho para los dos diseños factoriales con 2 y 3 factores puede extenderse
fácilmente para cuando se tienen más factores. Considerarse factores A, B, C,…, K
con niveles respectivamente, donde la letra K denota al -ésimo o último
factor del conjunto a estudiar, no necesariamente el undécimo, que es el lugar de esta
letra en el alfabeto. Con estos niveles y factores se puede construir el diseño factorial
general que consiste de tratamientos o puntos de prueba.
Con este diseño se pueden estudiar efectos principales, interacciones
dobles, interacciones triples, y así sucesivamente hasta la
única interacción de los factores (ABC…K). El cálculo del número de interacciones
de cierta cantidad de factores se hace mediante la operación ¨combinaciones de en
¨ que cuenta el número de diferentes maneras de seleccionar
factores de los , donde =

Por ejemplo, el diseño factorial tiene cinco efectos principales, 10

interacciones dobles, 10 interacciones triples, cinco interacciones cuádruples y una
interacción quíntuple, lo cual da un total de 31 efectos. Por su parte, el factorial
también tiene este mismo número de efectos, pero al contar con tres niveles en cada
factor, cada efecto principal se puede descomponer en su parte lineal y cuadrática. Cabe
destacar que mientras el diseño factorial tiene 32 tratamientos, el factorial tiene
243, una cantidad de tratamientos difícil de manejar. Aun si pudiera correrse, representa
una opción muy ineficaz; además, existen arreglos experimentales más pequeños y
eficientes.
129 CAPÍTULO 4 Diseños factoriales Diseño factorial general 129

De acuerdo con lo antes dicho, en el factorial general se pueden

plantear hipótesis que se prueban mediante el análisis de varianza. Si se tienen
réplicas. Las primeras tres columnas de este ANOVA se muestran en la siguiente tabla

ANOVA para el diseño factorial general

FV SC GL

Error
Total

La suma de cuadrados totales está dada por:

donde N = es el total de observaciones en el experimento. Las sumas de

cuadrados de efectos son:
130 CAPÍTULO 4 Diseños factoriales Diseño factorial general 130

Al final, la suma de cuadrados del error se calcula por sustracción,

En el ANOVA para el factorial general se observa la necesidad de

contar con al menos dos réplicas del experimento para calcular la suma de cuadrados del
error ( ), y completar toda la tabla ANOVA. Sin embargo, esta necesidad de réplicas
( , que se ha mencionado,. Es para el caso irreal de que interesan los
efectos. Pero resulta que, con excepción del factorial , en un factorial completo
prácticamente nunca interesan todos sus posibles efectos, puesto que en términos
generales sólo algunos de ellos están activos. El principio de Pareto, que en este contexto
también se llama principio de esparcidad de efectos, dice que la mayoría de la
variabilidad observada se debe a unos pocos de los efectos posibles; por lo común se
debe a algunos efectos principales e interacciones dobles.

4.4. 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 comprar aunque
existan otros materiales de ese tipo. Con factores fijos, las conclusiones obtenida s sólo
son validas 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 del nivel
131 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 131
131
131

como en 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 niveles
elegidos de una población grande de niveles, entonces si los tratamientos se
replican veces, el modelo de efectos aleatorios es

donde es la media general, es el efecto debido al nivel del factor A,

es el efecto del nivel del factor B, representa al efecto de interacción
en la combinación y es el error aleatorio que se supone sigue una distribución
normal con media cero y varianza constante, y son independientes entre sí. El
aspecto de este modelo es igual al de efectos fijos, pero el hecho de que los efectos sean
aleatorios implica que no tiene sentido probar hipótesis directamente sobre tales efectos
(medidas), sino que ahora el interés se enfoca en estudiar la varianza de dichos efectos.
Para ello, se supone que los términos son variables aleatorias
independientes normales, con media cero y varianzas , , , y ,
respectivamente.

De esta manera, si se calcula la varianza en ambos lados del modelo anterior, se

obtiene el modelo de componentes de varianza dado por:

+ + +

donde , , son las contribuciones de cada efecto a la variación total y se llaman

componentes de varianza; es el componente de varianza debido al error aleatorio.
Las hipótesis de interés son

Los cálculos necesarios para probar estas hipótesis involucran las mismas sumas
de cuadrados del modelo de efectos fijos (diseños factoriales con dos factores), de las
cuales se obtienen los correspondientes cuadrados medios. Para obtener los estadísticos
de prueba apropiados debe tomarse en cuenta que los valores esperados de los
cuadrados medios son
132 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 132
132
132

de tal forma que para probar la hipótesis mencionadas, los estadísticos de prueba
apropiados en el ANOVA son

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,

Ejemplo
En una compañía dedicada a la fabricación de bombas y válvulas, algunos componentes
críticos tienen tolerancias muy estrechas que son difíciles de cumplir. De aquí que sea
necesario estimar el error de medición con el fin de ver la posibilidad de reducirlo para
cumplir con las especificaciones. El ancho de una pieza particular es una característica
de calidad crítica, cuyas especificaciones son 69 0,4mm. Se eligen dos inspectores al
azar y siete piezas para correr un experimento, a fin de estimar la contribución de los
inspectores, de las piezas y del error aleatorio (repetibilidad) en la variabilidad total
observada. El experimento utilizado se muestra en la siguiente tabla:
133 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 133
133
133

Número de Inspector Z Inspector W

piezas 1 2 1 2
1 69,38 69,60 69,62 69,52
2 39,72 69,80 69,78 69,90
3 69,58 69,70 69,70 69,92
4 69,50 69,50 69,46 69,50
5 69,48 69,40 69,50 69,42
6 69,56 69,40 69,68 69,64
7 69,90 70,02 69,94 69,88

Nótese que cada inspector mide dos veces cada pieza. Sean los inspectores el
factor A y las piezas el factor B, el primero con dos niveles y el segundo con siete
niveles, en ambos casos seleccionados al azar. El modelo de componentes de varianza
propuesto para describir estos datos es donde es el componente de varianza de los
inspectores, es el componente debido a las piezas, es el componente de
interacción de ambos factores y es el componente aleatorio.
Interesa probar las hipótesis:

y estimar los componentes de varianza. El ANOVA para probar estas hipótesis se

muestran en la siguiente tabla.

FV SC GL CM Valor-p
A: Insp. 0,00036 1 0,00036 0,069 0,8043
B: Pieza 0,7516 6 0,1252 24,07 0,0000
AB 0,0313 6 0,0052 0,75 0,6169
Error 0,097 14 0,0069
Total 0,8803 27

Las tres primeras columnas se obtienen igual que el modelo de efectos fijos,
pero las dos últimas deben corregirse de acuerdo con el estadístico de prueba apropiado
para un modelo de efectos aleatorios ( y
). Los valor-p indican que la variabilidad de las piezas es
estadísticamente diferente a cero, mientras que la variabilidad de los inspectores y de la
interacción inspector x pieza no es significativa (es igual a cero). Desde el punto de
vista del objetivo del experimento, los resultados del ANOVA son los deseados: la
reproducibilidad ( + ) es estadísticamente igual a cero, es decir, los inspectores no
afectan el proceso de medición. La estimación de los componentes de varianza, a partir
de los cuadros medios, queda como:
134 CAPÍTULO 4 Diseños factoriales Modelo de efectos aleatorios 134
134
134

De aquí se concluye que la reproducibilidad ( + ) no tiene

contribución y la repetibilidad expresada como 5.15 es igual a 0,428. Si este valor se
compara con la tolerancia de 0.8, se encuentra que ocupa 53% de ésta, cuando lo
deseable es que este porcentaje sea menor al 10%, por lo que el instrumento es
inadecuado para discriminar entre piezas buenas y malas.

4.5. Uso de un software estadístico

Utilizando Minitab

1. El primer paso consisten en seleccionar la opción Estadísticas del Menú Principal de

Minitab y, dentro de esa opción, seleccionar la opción DOE luego Factorial y Crear
diseño factorial como se presenta en la siguiente Figura.

2. Como consecuencia de la acción anterior le debe aparecer la siguiente pantalla

<<Crear diseño factorial>>. El paso en esta pantalla será seleccionar en Tipo de
diseño la casilla de Diseño factorial completo general luego escoger el número de
factores considerados en el experimento (en nuestro ejemplo son dos factores: A y B),
por tanto en la casilla <<Número de factores>> usted deberá tener el número 2. Luego
135 CAPÍTULO 4 Diseños factoriales Uso de software 135
135
135

debe oprimir el botón de la opción <<Diseños>> para poder escoger su diseño, número
de repeticiones y otras opciones.

3. En la siguiente ventana escribir el nombre de nuestros factores A y B, además de

indicar el numero de niveles para ambos (4 y 3 respectivamente), también indicará que
realizamos tres repeticiones por tratamiento, para esto en la casilla <<Número de
replicas>>, usted deberá tener el valor de 3. Finalice esta pantalla oprimiendo
<<Aceptar>>. Esto lo devolverá a la pantalla anterior <<Crear diseño factorial>>.

4. De vuelta en la pantalla <<Crear diseño factorial>>. Seleccionar factores y

aparecerá una siguiente ventana.

En la casilla <<Tipo>> seleccionar texto para ambos factores, <<Valores de nivel>> ,

indicar los valores correspondientes tanto para el factor A así como para el factor B,
luego indicar aceptar, lo que lo llevara nuevamente a la pantalla <<Crear diseño
factorial>>.

5. De vuelta a la pantalla <<Crear diseño factorial>> oprima <<Aceptar>>.

MINITAB le creará la siguiente pantalla. Minitab crea las columnas de los
tratamientos, lo único que usted tiene que ingresar a MINITAB es una columna
con la respuesta del experimento. Proceda entonces a ingresar los datos en la columna
C7
136 CAPÍTULO 4 Diseños factoriales Uso de software 136
136
136

6. Una vez capturados los datos (estos datos deberán corresponder al factor A con
respecto a factor B de acuerdo a la tabla original) en su correspondiente renglón. El
siguiente paso es regresar al paso 1.

sólo que esta vez seleccionaría la secuencia: <<Estadísticas>> seguida de <<DOE>>,

<<Factorial>> y <<Analizar diseño factorial>>.
137 CAPÍTULO 4 Diseños factoriales Uso de software 137
137
137

Esta acción resultará en la pantalla donde sólo es necesario indicar la columna de

la variable de respuesta <<Respuesta>> seguido de aceptar y MINITAB le ofrecerá el
resultado correspondiente.

Para capturar los datos en Minitab, de tres factores, es idéntico al de dos

factores, solo que en la ventana correspondiente indicar que se trata de tres factores, y
se aplica la misma secuencia.
138 CAPÍTULO 4 Diseños factoriales Uso de software 138
138
138