Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Py1t5 Ade

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 16

CARRERA:

INGENIERIA QUIMICA

PY1T5:

ANALISIS DE DISEÑO DE FACTORIALES

NOMBREDEL ALUMNO:

ENRIQUE DE JESUS MOLINA ESCOBAR


(20071039)

NOMBRE DEL MAESTRO:

VICTOR MANUEL RENDON SOLIS

VIERNES, 26 NOVIEMBRE 2021


TEMA Nº5 “ANALISIS DE DISEÑO DE FACTORIALES”

INDICE DE CONTENIDO.

1. INTRODUCCIÓN.

2. ANÁLISIS DE FUNDAMENTOS.

2.1 MARCO CONCEPTUAL.


2.1.1 Diseño factorial e interpretación de la
interacción de factoriales
2.1.2 Diseño factorial 2^K
2.1.3 Experimentos 2^K
2.1.4 ANOVA 2^K
2.1.5 Diseño factorial 3^K
2.1.6 Experimentos 3^KÇ
2.1.7 ANOVA 3^K
2.2 MARCO TEÓRICO.
3. BIBLIOGRAFÍA.

2
1. INTRODUCCIÓN

El diseño factorial, como estructura de investigación, es la


combinación de dos o más diseños simples (o unifactoriales); es decir,
el diseño factorial requiere la manipulación simultánea de dos o más
variables independientes (llamados factores), en un mismo
experimento.

Diseños factoriales con dos factores Los resultados del ANOVA para
dos factores pueden ser extendidos a un caso general en donde: a
son los niveles del factor A, b son los niveles del factor B, c son los
factores del nivel C, y así sucesivamente.

Los diseños factoriales so n ampliamente utilizados en experimentos


en los que intervienen varios factores para estudiar el efecto conjunto
de éstos sobre una variable de interés.

Un diseño factorial es aquél en el que se investigan todas las posibles


combinaciones de los niveles de los factores en cada ensayo
completo. En este caso se dicen que están cruzados, apareciendo el
concepto de interacción. Se supone la existencia de repeticiones del
experimento en cada una de las posibles combinaciones de los niveles
del factor correspondiente.

3
2. ANÁLISIS DE FUNDAMENTOS.
2.1 MARCO CONCEPTUAL.
2.1.1 DISEÑO FACTORIAL E INTERPRETACION DE LA
INTENCION DE FACTORIALES

Un diseño factorial completo, con la intención de estudiar


el efecto de los factores. utilizando menos corridas
experimentales. Se recomienda aplicarlo en
diseños factoriales completos con más de 5 factores, y a.
que cuando los factores aumentan, también aumentan el
número de tratamientos, por eso se utiliza el
diseño factorial . Los diseños factoriales son muy útiles
para los psicólogos y los científicos de campo como
estudio preliminar, ya que les permiten juzgar si existe
una conexión entre las variables y reducen la posibilidad
de un error experimental y de variables de confusión.

Imagen 1. Diseño factorial.

2.1.2 DISEÑO FACTORIAL 2^K

Diseños Factoriales 2k En la industria, debido a los


altos costos que se pueden generar debido a la
implementación de un diseño con varios factores y
niveles, es frecuente considerar sólo dos niveles para
cada uno de estos factores. Un diseño
factorial fraccionado 2k-1 representa la cuarta parte
del factorial original completo.

Imagen 1.1 Diseño factorial 2K.

Para obtener este diseño se necesitan dos efectos generadores, de entre las interacciones de alto
orden. Diseño factorial es el 2k, en el cual se tienen k factores con dos niveles cada uno (superior,
inferior). El diseño 2k resulta muy útil cuando tenemos muchos factores por investigar ya que
representa un número menor de corridas con las cuales se pueden estudiar k factores en un diseño
factorial completo.

4
2.1.3 EXPERIMENTOS 2^K

Como cada factor en el experimento tiene 2 niveles los llamaremos


nivel bajo (-) y nivel alto (+). El diseño más pequeño en este tipo
de experimento es el que tiene k = 2 factores. Es importante realizar
réplicas de cada tratamiento o combinación en el experimento ya
que esto me permite comparar entre valores. Para 2 k experimentos
factoriales, tiene 2 k número de carreras únicas, donde k es el
número de variables incluidas en su experimento. Para el ejemplo de
carga de cartón de helado, entonces, tienes 2 3 = 2 x 2 x 2 = 8 carreras
en el experimento porque tiene tres variables de entrada.

Imagen 1.2 Experimento 2K.

2.1.4 ANOVA 2^K

ANOVA mira los promedios de cada nivel contra el promedio general y lo llama entre
tratamientos. ANOVA queda con dos estimados de varianza, dentro y entre los niveles;
con estos saca un cociente, si las 2 varianzas se parecen, es decir, el cociente es
aproximadamente 1. Análisis de la varianza con un factor (ANOVA) El análisis de la
varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2)
son iguales, frente a la hipótesis alternativa de que por lo menos una de las poblaciones
difiere de las demás

Tabla 1. Ejemplo de ANOVA 2K.

5
2.1.5 DISEÑO FACTORIAL 3^K

El diseño factorial 3k es un arreglo factorial


de k factores que tiene 3 niveles cada uno.
Se usarán letras mayúsculas para denotar
los factores y las interacciones de estos
factores. En un 3k (k=2) Es el diseño más
simple del sistema , tiene dos factores con
tres niveles

Imagen 1.3 Diseño factorial 3K.

cada uno, hay ocho grados de libertad entre combinaciones ya que existen 9 combinaciones
de tratamientos, los efectos principales de A y B, tienen dos grados de libertad.

2.1.6 EXPERIMENTOS 3^K

Experimento factorial es un experimento cuyo diseño consta de


dos o más factores, cada uno de los cuales, con distintos valores
o niveles, cuyas unidades experimentales cubren todas las
posibles combinaciones de esos niveles en todo los factores. Este
tipo de experimentos permiten el estudio del efecto de cada factor
sobre la variable

Imagen 1.4 Representación 3K.

6
2.1.7 ANOVA 3^K

ANOVA queda con dos estimados de varianza, dentro y entre los niveles; con
estos saca un cociente, si las 2 varianzas se parecen, es decir, el cociente es
aproximadamente 1, el factor no tiene ningún impacto en la respuesta, pero si
este cociente resulta ser grande permite contrastar la hipótesis nula de que las
medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de
que por lo menos una de las poblaciones difiere

Tabla 1.1 Ejemplo de ANOVA 3K.

7
2.2 MARCO TEÓRICO.
2.2.1 DISEÑO FACTORIAL E INTERPRETACION DE LA INTENCION DE
FACTORIALES

El diseño factorial, además de simplificar el proceso y abaratar el costo de la investigación, permite


muchos niveles de análisis. Además de resaltar las relaciones entre las variables, permite que sean
aislados y analizados por separado los efectos de la manipulación de una sola variable.

La mayor desventaja es la dificultad de experimentar con más de dos factores o muchos niveles.
Un diseño factorial debe ser planificado cuidadosamente, ya que un error en uno de los niveles o en
la operacionalización general pondría en peligro una gran cantidad de trabajo.
Dejando de lado estas pequeñas desventajas, un diseño factorial constituye uno de los pilares de
muchas disciplinas científicas, ya que ofrece excelentes resultados en el campo.

El diseño factorial, como estructura de investigación, es la combinación de dos o mas diseños


simples (o unifactoriales), es decir, el diseño factorial requiere la manipulación simultanea de dos o
mas variables independientes llamados factores en un mismo experimento.

En función de la cantidad de factores o variables de tratamientos, los formatos factoriales se


denominan, también, diseños de tratamientos por tramientos y se simbolizan por AxB, AxBxC,etc.

Un diseño factorial permite que el efecto de varios factores e incluso las interacciones entre ellos
sean determinados con el mismo número de ensayos que son necesarios para determinar
cualquiera de los efectos por sí solo con el mismo grado de exactitud.

Imagen 1. Representación de los diferentes tipos de diseños factoriales.

8
2.2.2 DISEÑO FACTORIAL 2^K

Los diseños factoriales 2k permiten la estimación separada de los efectos individuales y de los
efectos de interacción k factores en un programa experimental en que k factores varían
simultáneamente en una secuencia cuidadosamente organizada de ensayos. Un experimento
factorial con k factores, cada uno a dos niveles, se conoce como un diseño de experimentos factorial
2k. Consiste en 2k ensayos, un ensayo por cada combinación de los niveles de los factores.

Tabla 1. Diferentes notaciones para los diseños factoriales 2k.

Este diseño es el mas sencillo de la serie consideramos dos factores: A y B, cada uno a 2
niveles.

Normalmente consideramos estos niveles como los niveles alto y bajo del factor objeto, el
diseño 2K puede ser representado geométricamente como un cuadrado con 4 ensayos.

Para cualquier diseño 2K con n replicas, la estimación del efecto y de los cuadrados se
estiman de la siguiente forma:

Efecto: Constante/n2K-1
SSx: (Constante)2/n2K

Los efectos de interes en el diseño 2K son los efectos principales de A y B y la interacción


AB.

9
Tabla 1.1 Ejemplo de un diseño 2K.

.
El orden estándar de un diseño 2 k puede hallarse
duplicando el orden estándar de un 2 k-1
uno para el nivel bajo de la nueva variable seguido
de otro para el nivel alto de la nueva variable.

Imagen 1. Representación de un diseño 2K.

Un modelo de regresión con k variables de la forma, puede utilizarse como estimación del problema:

10
2.2.3 EXPERIMENTO 2^K
Un experimento 2k proporciona el menor número de ensayos con los cuales se pueden estudiar k
factores en un diseño factorial completo. Existen varios casos especiales del diseño factorial, pero
el más importante de todos ocurre cuando se tienen k factores, cada uno de ellos a dos niveles.

En un diseño factorial 2k es fácil expresar los resultados del experimento en términos de un modelo
de regresión. Aunque para este tipo de experimentos se pueden usar modelos de efectos como de
promedios, el modelo de regresión es mucho más natural e intuitivo. La ecuación para un modelo
de regresión sería:

y= β + β + β + ε y xx

Un experimento factorial con k factores, cada uno a dos niveles, se conoce como un diseño
de experimentos factorial 2k. Consiste en 2k ensayos, un ensayo por cada combinación de los
niveles de los factores.

Los diseños factoriales se usan ampliamente en experimentos que incluyen varios factores cuando
es necesario estudiar el efecto conjunto de los factores sobre una respuesta. El más importante de
estos casos especiales es el de k factores, cada uno solo con dos niveles. Estos niveles pueden
ser cuantitativos, como dos valores de temperatura, presión o tiempo, o bien cualitativos, como
dos máquinas, dos operadores, los niveles “alto” y “bajo” de un factor, o quizás la presencia o
ausencia de un factor. Una réplica completa de este diseño requiere 2 x 2 x … x 2 = 2k
observaciones y se le llama diseño factorial 2k.

El aumentar el número de factores en un diseño 2k crece rápidamente el número de tratamientos y


por tanto el número de corridas experimentales.

Imagen 1. Representación grafica de un experimento 2k.

11
2.2.4 ANOVA 2^K

El Análisis de Varianza (ANOVA) es análisis estadístico basado en una descomposición de la


variabilidad total, de cara a detectar diferencias en media poblacional de la variable dependiente
continua, respecto a los niveles o tratamientos de cada factor o variable explicativa de tipo
categórico, así como respecto a la interacción de ambos factores en estudio. Siempre se parte del
cumplimiento de los supuestos de partida de este Test Paramétrico, como es normalidad de los
datos o errores, residuos homocedásticos e independencia de las observaciones. Se detectan y
eliminan los outliers en el proceso de depuración de la base de datos, previamente a la ejecución
de cualquier prueba estadística.

Ecuación del modelo matemático del ANOVA


Yij = μ + αi + βj + εij

μ es la media poblacional, un parámetro desconocido a inferir que representa un


efecto común
αi es el efecto asignable al Factor A que recibe la unidad
βj es el efecto asignable al Factor B que recibe la unidad
εij es el efecto donde se confunden las variaciones aleatorias con los posibles efectos
de una interacción entre los 2 factores.

Cuando tengamos un factor, controlado o aleatorio, aparte del error propio de la medida, hablaremos
del ANOVA de un factor.

Para utilizar el ANOVA de forma satisfactoria deben cumplirse tres tipos de hipótesis, aunque se
aceptan ligeras desviaciones de las condiciones ideales:

1. Cada conjunto de datos debe ser independiente del resto.


2. Los resultados obtenidos para cada conjunto deben seguir una distribución normal.
3. Las varianzas de cada conjunto de datos no deben diferir de forma significativa.

Tabla 1. Ejemplo de ANOVA 2K.

12
2.2.5 DISEÑO FACTORIAL 3^K

El diseño factorial 3k es un arreglo factorial de k factores que tiene 3 niveles cada uno. Se usarán
letras mayúsculas para denotar los factores y las interacciones de estos factores.

Características:

Tiene tres niveles en cada factor, lo que permite la estimación de un modelo cuadrático
completo incluyendo las relaciones entre la respuesta y cada factor.
Esta constituido por puntos centrales, que sirve para examinar la presencia de curvatura,
dar información acerca de los cuadráticos y proporcionar una estimación de la magnitud del
error experimental, y puntos de superficie, de igual distancia del punto central.
3K tratamientos
Permite la estimación de efectos de curvatura en caso de existir sobre la variable de
respuesta
Mayor precisión en la estimación de los efectos.

Es el diseño más simple del sistema , tiene dos factores con tres niveles cada uno, hay ocho grados
de libertad entre combinaciones ya que existen 9 combinaciones de tratamientos, los efectos
principales de A y B, tienen dos grados de libertad cada uno, su interacción tiene cuatro grados de
libertad. Si hay n réplicas, habrá n-1 grados de libertad totales y (n-1) grados de libertad del error.

En un 3k (k=2) Es el diseño más simple del sistema , tiene dos factores. con tres niveles cada uno,
hay ocho grados de libertad entre combinaciones ya que existen 9 combinaciones de tratamientos,
los efectos principales de A y B, tienen dos grados de libertad

13
2.2.6 EXPERIMENTOS 3^K

Estos experimentos consisten en una serie de corridas, o pruebas, en las que se realizan cambios
intencionales en las variables de entrada. En cada corrida se recolectan datos. El DOE se utiliza
para identificar las condiciones del proceso y los componentes del producto que afectan la calidad,
para luego determinar la configuración de factores que optimiza los resultados.

Un experimento completo, consta habitualmente de una serie o combinación


de experimentos elementales, y los resultados toman la forma de un valor medio.

Muchos experimentos requieren el estudio de los efectos de 2 ó más factores. En general,


los experimentos factoriales son los más eficientes para este tipo de análisis. En
un experimento factorial se miden en cada etapa completa o réplica del experimento, todas las
posibles combinaciones de los niveles de los factores.

Los factores pueden ser variables cuantitativas o cualitativas, y la condición para considerarse como
“factores” es que los niveles se pueden asignar.

En un diseño factorial 3k es fácil expresar los resultados del experimento en términos de un modelo
de regresión. Aunque para este tipo de experimentos se pueden usar modelos de efectos como de
promedios, el modelo de regresión es mucho más natural e intuitivo.

Imagen 1. Representación gráfica de un experimento 3k.

14
2.2.7 ANOVA 3^K

El ANOVA también puede utilizarse en situaciones donde ambas fuentes de variación son
aleatorias. Un ejemplo sería el análisis de algún compuesto de un vino almacenado en un depósito.
Supongamos que las muestras se toman aleatoriamente de diferentes partes del depósito y se
realizan diversos análisis replicados. Aparte de la variación natural en la medida tendremos una
variación en la composición del vino de les diferentes partes del depósito.

Cuando tengamos un factor, controlado o aleatorio, aparte del error propio de la medida, hablaremos
del ANOVA de un factor. En el caso de que estuviésemos desarrollando un nuevo método
colorimétrico y quisiéramos investigar la influencia de diversos factores independientes sobre la
absorbancia, tales como la concentración de reactivo A y la temperatura a la que tiene lugar la
reacción, entonces hablaríamos de un ANOVA de dos factores.

En los casos donde tenemos dos o más factores que influyen, se realizan los experimentos para
todas las combinaciones de los factores estudiados, seguido del ANOVA. Se puede deducir
entonces si cada uno de los factores o una interacción entre ellos tienen influencia significativa en
el resultado.

Desde el punto de vista práctico, existen múltiples paquetes estadísticos que permiten ejecutar
rápidamente los cálculos del ANOVA. Lo que es interesante, sin embargo, es que el usuario tenga
capacidad para extraer conclusiones químicas de los resultados obtenidos

Imagen 1. Representación grafica de ANOVA 3K.

15
FUENTES BIBLIOGRAFICAS.

1. Gonzalez, Y. (2000, 30 abril). Diseño factorial 2k. . . 2K.


https://es.slideshare.net/yahairalgonzalez/diseo-factorial-2k

2. J. (2001, 28 mayo). Disenos factoriales. factor.e.


https://es.slideshare.net/jaimealvarado2003/disenos-factoriales

3. K, P. (1999, 12 diciembre). Diseños factoriales y factoriales fraccionados - Minitab. (C)


Minitab, LLC. All rights Reserved. 2019. https://support.mial-designs/

4. S, A. (2001, 3 diciembre). Diseño Factorial 3k [m34m309qvpl6]. AS.


https://idoc.pub/documents/diseo-factorial-3k-m34m309qvpl6

5. Shuttleworth, M., & Shuttleworth, M. (2000, 30 julio). Diseño factorial. Factorial.com.


https://explorable.com/es/diseno-factorial

16

También podría gustarte