1

Nombre: Cielo Berenice Pacheco Alpuche

180300300

Irving Alexis Chable Martinez

210300560

Carrera: Ingeniería en logística y cadena de suministro.

Tarea: Investigación documental

Materia: Almacenes e inventarios.

Profesor: Canul Chale Juan Diego.

14 de noviembre de 2024. Cancún, Quintana Roo, México.

 2

Introducción: 3
CONFUSIÓN DEL DISEÑO FACTORIAL 3K. 5
¿Qué es la Confusión del diseño factorial 3^k? 6
Confusión en el diseño factorial 3k en tres bloques. 7
Ventajas del diseño 3^k: 8
Aplicaciones 8
Ejemplo. 9
Hipótesis. 9
Datos obtenidos por el software (MiniTab) 10
análisis de varianza ANOVA 10
Diagrama de pareto. 10
Gráfica de probabilidad normal. 11
Conclusión del ejemplo. 12
Conclusión: 13
Referencias: 14
 3

Introducción:

En el campo del diseño de experimentos, los diseños factoriales se utilizan para

estudiar el efecto de múltiples factores en un proceso o fenómeno en particular. Entre estos, el

diseño factorial 3^k se caracteriza por considerar tres niveles en cada factor involucrado,

permitiendo analizar tanto efectos principales como interacciones entre factores en un marco

más detallado. Esta estructura es particularmente útil cuando se espera que los efectos de los

factores no sean lineales, ya que los tres niveles (usualmente etiquetados como bajo, medio y

alto) facilitan la captura de posibles relaciones cuadráticas o curvilíneas entre los factores y la

respuesta.

El diseño factorial 3^k encuentra aplicaciones en diversas áreas, tales como la

manufactura, el desarrollo de productos, y la investigación farmacéutica, entre otros. En estos

campos, es común que se requiera investigar cómo varias variables, como temperatura,

presión o concentración, afectan la calidad, eficiencia o efectividad de un producto o proceso.

Al emplear un diseño factorial 3^k, los investigadores pueden evaluar de manera exhaustiva

todas las combinaciones posibles de los niveles de los factores, obteniendo una visión más

completa sobre las interacciones y la naturaleza de los efectos de cada variable.

A lo largo de esta investigación, se explorarán los fundamentos del diseño factorial

3^k, su estructura y método de análisis, así como sus ventajas, limitaciones y aplicaciones en

el ámbito de la optimización de procesos y productos.

 4

¿QUÉ ES EL DISEÑO FACTORIAL 3^k?

El diseño factorial 3^k es un tipo de diseño experimental donde cada factor o variable

de estudio puede tomar tres niveles distintos (como bajo, medio y alto), y se estudian todos

los posibles combinaciones entre estos niveles para k factores.

En un diseño factorial 3^k:

● Cada combinación de niveles se llama "tratamiento".

● Si hay k factores, y cada uno tiene 3 niveles, entonces el número total de

combinaciones o tratamientos es 3^k.

● Este diseño permite analizar no sólo los efectos principales de cada factor, sino

también las interacciones entre los factores de distintos niveles.

Características:

El diseño factorial 3^k considera a K como los factores con 3 niveles, cada uno tiene 3^k

tratamientos. La primera desventaja de los 3^k es que al aplicarse requieren mayor cantidad

de pruebas.

Está constituido por puntos centrales, que sirven 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.

Niveles de presentación
 5

CONFUSIÓN DEL DISEÑO FACTORIAL 3K.

En cualquier experimento factorial fraccionado, algunos efectos están

confundidos entre sí. El objetivo de los diseños factoriales fraccionados es asegurar

que los efectos de interés primario están claramente separados (o sin confusión) o, si

esto no es posible, confundidos con efectos que no posean apreciable magnitud. Una

primera definición del término confusión podría ser referida a situaciones donde un

efecto no puede ser atribuido sin ambigüedad a un efecto principal o interacción. La

definición formal presentada a continuación refiere la confusión de efectos

explícitamente a su cálculo. Acorde a esta definición, un efecto está confundido con

respecto a otro si las representaciones de los dos efectos son idénticas, dejando de lado un

posible cambio de signo. Los efectos que están confundidos en esta manera son

llamados alias.

Efectos confundidos: Dos o más efectos experimentales están confundidos si

los efectos calculados pueden ser atribuidos solamente a su influencia combinada en la

respuesta, no a sus influencias individuales. Dos o más efectos están confundidos si

el cálculo de un efecto usa la misma (aparte del signo) diferencia o contraste de los

promedios de respuesta respecto al cálculo de los otros efectos.

En algunos diseños experimentales, efectos de factores están confundidos con

efectos de otros factores. En otros diseños, efectos de factores están confundidos

con efectos de bloques. Es imperativo que un experimentador conozca cuáles

efectos están confundidos, y con qué otros efectos lo están, cuando se diseña un

experimento. Este conocimiento es necesario para asegurar que las conclusiones acerca de
 6

los efectos de interés no estarán comprometidas por las posibles influencias de otros

efectos.

La confusión de efectos no sólo ocurre cuando un experimento factorial

completo es ejecutado en bloques; también ocurre cuando sólo una porción de todas

las posibles combinaciones de factor-nivel están incluidas en el diseño. Como se mencionó

anteriormente, una confusión ocurre debido a que dos o más representaciones de efectos

son iguales (sin considerar el cambio en todos los signos). Un efecto calculado

representa entonces la influencia combinada de los efectos. En algunos casos (por

ejemplo, en experimentos OFAT, tratados en la primera sección de este trabajo), el patrón

de confusión podría ser tan complejo que no puede establecerse con seguridad que

cualquiera de los efectos calculados miden los efectos de los factores deseados. Es por esto

que la confusión planeada, confusión en la cual los efectos importantes están sin

confundir o están confundidos con efectos considerados insignificantes, es la base para

la construcción estadística de los experimentos factoriales fraccionados.

¿Qué es la Confusión del diseño factorial 3^k?

La "confusión" en un diseño factorial 3^k se refiere a la interferencia o dificultad

para interpretar los efectos de los factores debido a la presencia de patrones repetitivos en

la configuración de los niveles de los factores. Esta confusión surge cuando hay un patrón

sistemático o estructura repetitiva en la forma en que se asignan los niveles de los factores

en el diseño.

En un diseño 3^k, donde cada factor tiene tres niveles, si existe alguna repetición

sistemática en la asignación de estos niveles entre diferentes factores o combinaciones de

factores, puede dificultar la identificación clara de los efectos de cada factor sobre la

variable de respuesta. Esta repetición puede llevar a que los efectos de un factor se
 7

mezclen o se confundan con los efectos de otro factor, lo que hace difícil atribuir los

cambios en la variable de respuesta a un factor específico.

La confusión puede surgir debido a la estructura del diseño y la forma en que se

asignan los niveles de los factores, lo que puede requerir técnicas adicionales de análisis

para desentrañar los efectos confundidos y comprender correctamente la influencia de

cada factor en la respuesta.

Entonces cuando se considera una sola réplica del diseño 3^k, ésta requiere tantas

corridas que es improbable que puedan hacerse las 3^k corridas bajo condiciones

uniformes. Por lo tanto, con frecuencia es necesario hacer la confusión (o mezclado) en

bloques. El diseño 3^k puede confundirse en 3^p bloques incompletos, donde p < k. Por lo

tanto, estos diseños pueden confundirse en tres bloques, nueve bloques, etcétera.

Confusión en el diseño factorial 3k en tres bloques.

Suponga que se quiere confundir el diseño 3^k en tres bloques incompletos. Estos tres

bloques tienen dos grados de libertad entre ellos; por lo tanto, debe haber dos grados de

libertad confundidos con los bloques. Recordando que en la serie factorial 3^k cada efecto

principal tiene dos grados de libertad. Además, cada interacción de dos factores tiene cuatro

grados de libertad y puede descomponerse en dos componentes de la interacción (por

ejemplo, AB y 4B^2), cada uno con dos grados de libertad; cada interacción de tres factores

tiene ocho grados de libertad y puede descomponerse en cuatro componentes de la

interacción (por ejemplo, ABC, ABC^2, AB^2C y AB^2C^2), cada uno con dos grados de

libertad; y así sucesivamente. Por lo tanto, es conveniente confundir un componente de

interacción con los bloques.

 8

El procedimiento general consiste en construir una definición de contrastes.

𝛼i representa el exponente del factor i-ésimo en el efecto que va a confundirse y 𝑥i

es el nivel del factor i-ésimo en una combinación de tratamientos particular. Para la serie

3^k se tiene 𝛼𝑖= 0, 1 o 2, donde la primera 𝛼𝑖 diferente de cero es la unidad, y 𝑥𝑖=0 (nivel

bajo), 1 (nivel intermedio) o 2 (nivel alto). Las combinaciones de tratamientos del diseño

3^k se asignan a bloques con base en el valor de L. Debido a que L sólo puede asumir los

valores 0, 1 o 2, tres bloques están definidos de manera única. Las combinaciones de

tratamientos que satisfacen L = 0 constituyen el bloque principal. Este bloque incluirá

siempre la combinación de tratamientos 00…0.

Ventajas del diseño 3^k:

● Es útil cuando se desea investigar efectos no lineales, ya que los tres niveles permiten

capturar posibles relaciones de segundo orden (curvas).

● Permite un análisis detallado de cómo cada combinación de niveles afecta la variable

de respuesta.

Aplicaciones

El diseño factorial 3^k es utilizado en áreas donde los factores tienen niveles que no se

pueden simplificar a solo dos opciones (como en un diseño 2^k), y se requiere un análisis de

interacciones y posibles efectos curvilíneos, como en procesos industriales, ingeniería de

calidad, y optimización de productos.

 9

Ejemplo.
Se piensa que la vida efectiva de una herramienta de corte instalada en una máquina

controlada numéricamente se afecta por la velocidad de corte y el ángulo de la

herramienta.Se seleccionan tres velocidades y tres ángulos, y se lleva a cabo un experimento

factorial con 2 réplicas. Los datos se presentan a continuación.

Hipótesis.

𝐻0: α1 = α2 = α3 = 0
𝐻1: 𝐴𝑙 𝑀𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 α𝑖 ≠ 0

𝐻0: β1 = β2 = β3 = 0
𝐻1: 𝐴𝑙 𝑀𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 β𝑗 ≠ 0

𝐻0: (αβ) = 0 𝑒𝑛 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑖, 𝑗

𝐻1: 𝐴𝑙 𝑀𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 (αβ) ≠ 0
 10

Datos obtenidos por el software (MiniTab)

análisis de varianza ANOVA

Análisis:
Esta tabla mide el nivel de significancia de los factores de estudio de nuestro diseño

de experimentos, analizando el contenido podemos identificar que ambos factores pasa la

prueba estadística por lo que ambos factores son estadísticamente significativos en los

resultados del diseño de experimento con valores p de 0.008 y 0.009 respectivamente y la

interacción entre ambos son significativas en el diseño

Diagrama de pareto.
 11

Análisis:
Un diagrama de Pareto indica que cada factor tiene tres niveles se utiliza para

visualizar y priorizar los efectos más significativos en el modelo de experimentos. El

propósito es identificar las causas más influyentes por lo que podemos observar que aunque

las diferentes interacción son significativas.La interaccion entre ambos factores tiene

resultado estadísticamente mayores que individualmente

Gráfica de probabilidad normal.

análisis:

El diagrama de probabilidad normal (en un contexto de diseño de experimentos

factorial es una herramienta gráfica utilizada para evaluar la normalidad de los efectos

estimados (ya sean efectos principales o de interacción) , la cual nos dice que los datos deben

temer una varianza constante y sin puntos extremos la cual podemos observar que no se

presenta en nuestro diseño por lo que podemos decir que nuestros datos son adecuados.
 12

Conclusión del ejemplo.

Como resumen de los datos obtenidos, la tabla anova nos demostró que los datos son

estadísticamente significativos por lo que en laa tres hipótesis se rechaza la hipótesis nula y

se acepta la hipótesis alternativa , también nos dice que la interacción entre ambos factores es

la que más afecta a los resultados del experimento y gracias a la gráfica de probabilidad

normal descubrimos que los datos son adecuados para el diseño del experimento.
 13

Conclusión:

Como conclusión el estudio detallado de la confusión en los diseños factoriales 3^k

revela la complejidad inherente en la asignación de niveles de factores y su influencia en

la interpretación de los efectos experimentales. La presencia de confusión se manifiesta a

través de patrones repetitivos en la disposición de los niveles de los factores, lo que

dificulta identificar con precisión los efectos individuales de cada factor en la respuesta

observada. Esta confusión es más prominente en los diseños 3^k, donde la elección de

niveles se vuelve crucial para desentrañar los efectos reales de los factores sobre la

variable de interés.

Los diseños fraccionados y la confusión planificada emergen como estrategias

fundamentales para abordar la confusión. La planificación cuidadosa de qué efectos

confundir o separar puede mejorar significativamente la interpretación de los resultados

experimentales. Sin embargo, es esencial reconocer que la confusión planificada puede ser

un desafío en sí misma, especialmente cuando múltiples factores interrelacionados

influyen en la respuesta. La comprensión de cuáles efectos están confundidos entre sí y

cómo se interrelacionan es fundamental para extraer conclusiones válidas y precisas de los

experimentos.

En resumen, el análisis detallado de la confusión en los diseños factoriales 3^k

destaca la importancia crítica de una planificación cuidadosa y estratégica para evitar que

los efectos se mezclen entre sí. La selección adecuada de los efectos a confundir o separar

permite una interpretación más clara y precisa de los efectos individuales de los factores,

allanando el camino para decisiones informadas y una comprensión más profunda de las

interacciones en los estudios experimentales.

 14

Referencias:

Montgomery, D.C (2004). Diseño y Análisis de experimentos, 2º Edición, (Universidad

estatal de Arizona.)