Saltar al contenido
Volver a los resultados

Experimento factorial completo — Diseño experimental factorial completo

Propuesto por
Ronald A. Fisher
Año
1926 (Fisher's foundational paper); codified by the 1950s–1960s
Tipo
Experimental design
Familia
Experimental design

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

Un experimento factorial completo ejecuta todas las combinaciones posibles de todos los niveles de factores elegidos, lo que lo convierte en el estándar de oro para estimar simultáneamente los efectos principales, las interacciones de dos vías y las interacciones de orden superior entre múltiples variables independientes.

Introducido a través del trabajo fundamental de Ronald Fisher sobre diseños factoriales en la década de 1920 y sistematizado por Box, Hunter y Montgomery, proporciona información completa sobre cómo los factores actúan individual y combinadamente sobre un resultado.

La intuición detrás del método

Suponga que está probando dos tipos de fertilizantes (A, B) y tres programas de riego (diario, semanal, mensual) en el rendimiento de los cultivos. Un diseño factorial completo significa que cultiva cultivos bajo las 2 × 3 = 6 combinaciones posibles, no solo cada factor de forma aislada. Esto es poderoso porque el efecto del fertilizante puede depender de la frecuencia de riego, una interacción que los estudios de un factor a la vez omiten por completo. El factorial completo captura cada interacción al garantizar que cada nivel de un factor aparezca con cada nivel de cada otro factor, lo que proporciona una visión equilibrada y sin confundir de todo el espacio de factores.

Historia

Ronald Fisher introdujo el concepto de experimentación factorial en su artículo fundamental de 1926 y lo desarrolló completamente en The Design of Experiments (1935), argumentando que estudiar múltiples factores simultáneamente es más eficiente que los enfoques de un factor a la vez. Frank Yates formalizó la notación y el cálculo de los efectos factoriales en la década de 1930. George Box, J. Stuart Hunter y William Hunter sistematizaron la aplicación práctica de los diseños factoriales para entornos industriales y científicos en su libro de texto seminal de 1978 (actualizado en 2005). El libro de texto ampliamente adoptado de Douglas Montgomery (primera edición 1976) ha convertido desde entonces el diseño factorial completo en un elemento central de los planes de estudio de ingeniería y ciencias aplicadas en todo el mundo.

Cuándo usarlo

Utilice un experimento factorial completo cuando tenga un número pequeño de factores (típicamente k ≤ 4 o 5 para diseños de dos niveles) y necesite estimar todos los efectos principales e interacciones sin ambigüedad. Es la elección correcta cuando se esperan interacciones o su presencia es científicamente importante, cuando los recursos permiten completar cada combinación y cuando el resultado es medible en condiciones controladas. NO utilice un diseño factorial completo cuando k sea grande (digamos k ≥ 6 a dos niveles), porque las 64+ corridas requeridas se vuelven inviables; prefiera diseños factoriales fraccionarios o de superficie de respuesta en su lugar. Evítelo también cuando el costo de la corrida o los límites de materiales hagan que N = 2^k (o 3^k) sea prohibitivo, o cuando solo le interesen los efectos principales y tenga fuertes razones teóricas para suponer que no hay interacciones.

Limitaciones y consideraciones

  • El número de corridas crece exponencialmente con el número de factores: 2^k = 32 corridas para 5 factores, 64 para 6, volviéndose rápidamente impráctico.
  • Las interacciones de orden superior (tres vías o más) son estimables pero rara vez interpretables o científicamente significativas, lo que hace que muchas corridas sean informativamente redundantes.
  • Asume que los factores se pueden establecer con precisión en los niveles especificados; el control de factores a menudo es más fácil en el laboratorio que en entornos de campo u organizacionales.
  • La replicación requiere muchos recursos; sin ella, la estimación del error depende de la agrupación de interacciones de orden superior insignificantes, lo que requiere juicio.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Estima cada efecto principal y cada interacción sin aliasing o confusión: la imagen más completa posible de un experimento controlado.
  • Diseño ortogonal: todas las estimaciones de efectos son estadísticamente independientes, lo que hace que la interpretación sea sencilla.
  • Proporciona una estimación pura del error cuando las corridas se replican, lo que permite pruebas de hipótesis rigurosas a través de ANOVA.
  • Estructura flexible: funciona con tipos de factores continuos, categóricos o mixtos y puede incorporar bloqueo para el control de molestias.
  • Escala naturalmente: un diseño 2^k con corridas de punto central se puede aumentar a un diseño de superficie de respuesta (compuesto central o Box-Behnken) para la detección de curvatura.

Aplicaciones

  • Formulación farmacéutica: optimización simultánea de la concentración del fármaco, el tipo de excipiente y la temperatura para maximizar la tasa de disolución.
  • Ciencia agrícola: prueba de combinaciones de fertilizantes, nivel de riego y densidad de siembra en el rendimiento de los cultivos.
  • Mejora de procesos de fabricación: identificación de cómo la velocidad de la máquina, la temperatura y el grado del material afectan conjuntamente la resistencia a la tracción del producto.
  • Experimentos conductuales y educativos: examen de cómo el método de enseñanza, el tamaño de la clase y el tipo de evaluación interactúan para afectar los resultados del aprendizaje.
  • Investigación clínica y de salud: evaluación de combinaciones de componentes de intervención conductual para identificar qué combinaciones impulsan el efecto terapéutico.
  • Ingeniería de software: prueba del impacto del tipo de algoritmo, el tamaño del conjunto de datos y la configuración del hardware en el rendimiento computacional.

Cómo funciona

Cómo funciona

1

Identifique k factores experimentales y especifique los niveles para cada uno. Un diseño de dos niveles (cada factor en bajo/alto) se denota como 2^k; un diseño de tres niveles es 3^k. Los niveles de los factores deben elegirse para abarcar el rango de interés práctico o científico. El número total de combinaciones de tratamiento es igual al producto de todos los recuentos de niveles entre los factores.

2

El número total de corridas experimentales es N = el producto de todos los recuentos de niveles (por ejemplo, 2^3 = 8 para tres factores de dos niveles). Esto crece exponencialmente con el número de factores, por lo que los diseños factoriales completos son más factibles cuando k es pequeño (típicamente k ≤ 5 para factores de dos niveles). Se construye una matriz de diseño que enumera cada combinación; la replicación de cada combinación fortalece la estimación del error.

Fórmula
N = \prod_{i=1}^{k} l_i
3

Las unidades experimentales se asignan aleatoriamente a cada combinación de tratamiento, o el orden de las corridas se aleatoriza completamente. La aleatorización protege contra sesgos sistemáticos debidos a tendencias temporales, fatiga o deriva del equipo. Si se conocen algunas variables de molestia (por ejemplo, lote, operador, día), se agrega el bloqueo para aislar su varianza sin confundir las estimaciones de los factores.

4

La variable de respuesta se mide para cada corrida experimental bajo su combinación asignada de niveles de factores. Los datos se registran sistemáticamente, preservando el vínculo entre el orden de la corrida, la configuración de los factores y el resultado observado. Se recomiendan múltiples réplicas por celda siempre que los recursos lo permitan, ya que proporcionan una estimación pura del error experimental.

5

Los efectos principales y todos los efectos de interacción se estiman utilizando el método de mínimos cuadrados (o ANOVA). En un diseño 2^k, cada estimación de efecto es igual a un contraste lineal de las medias de las celdas; se aplica la fórmula beta-sombrero = (X'X)^{-1} X'y donde X es la matriz del modelo de configuraciones de factores codificadas. Debido a que se prueban todas las combinaciones, todos los efectos son ortogonales y estimables sin aliasing.

Fórmula
\hat{\beta} = (X^\top X)^{-1} X^\top y
6

Las tablas ANOVA particionan la varianza total en efectos principales, interacciones de dos factores, interacciones de tres factores, y así sucesivamente. Las interacciones significativas se interpretan utilizando gráficos de interacción: las líneas paralelas indican que no hay interacción; las líneas que se cruzan o divergen señalan que el efecto de un factor cambia en los niveles de otro. Las interacciones de orden superior (tres vías o más) son raras en la práctica, pero son estimables y comprobables en un diseño factorial completo.

Errores comunes

  • Ignorar las interacciones al elegir el diseño: si no espera interacciones, un factorial completo desperdicia corridas, pero si existen interacciones y utilizó un enfoque de un factor a la vez, las omitirá por completo.
  • Usar demasiados niveles sin justificación: un diseño 3^k tiene 3^5 = 243 corridas para cinco factores; a menos que se sospeche específicamente curvatura, los diseños de dos niveles suelen ser suficientes y mucho más eficientes.
  • Confundir un factorial completo con un factorial fraccionario: un factorial fraccionario omite deliberadamente ciertas combinaciones y aliase algunas interacciones; si necesita que todas las interacciones sean estimables, solo el factorial completo proporciona esto.
  • No aleatorizar el orden de las corridas: las tendencias sistemáticas (calentamiento del equipo, aprendizaje del operador, degradación de reactivos) inflan o desinflan las estimaciones de efectos si las corridas se ejecutan en un orden fijo y no aleatorio.
  • Analizar efectos principales de forma aislada cuando las interacciones son significativas: una interacción estadísticamente significativa significa que las conclusiones de los efectos principales dependen del nivel del factor moderador y deben interpretarse condicionalmente.

Preguntas frecuentes

¿Cuál es la diferencia entre un diseño factorial completo y uno fraccionario?

Un factorial completo ejecuta todas las combinaciones posibles de niveles de factores, estimando todos los efectos principales e interacciones sin aliasing. Un factorial fraccionario ejecuta solo una fracción cuidadosamente elegida de esas combinaciones, aliando deliberadamente ciertas interacciones de orden superior para reducir el número de corridas. Use el factorial completo cuando las interacciones importen y los recursos lo permitan; use el factorial fraccionario cuando k sea grande y esté dispuesto a asumir que ciertas interacciones de orden superior son insignificantes.

¿Cómo elijo cuántos niveles usar para cada factor?

Dos niveles (bajo y alto) son suficientes cuando se espera una respuesta aproximadamente lineal en el rango del factor y se está interesado principalmente en la dirección y magnitud de los efectos. Se necesitan tres niveles cuando se sospecha curvatura (una respuesta no lineal), pero triplican el número de corridas por cada factor adicional. Una estrategia práctica es comenzar con diseños 2^k aumentados con puntos centrales para detectar curvatura antes de comprometerse con un diseño 3^k.

¿Necesito replicar cada combinación de tratamiento?

La replicación es muy recomendable. Sin replicación, la única fuente de estimación de error es la suma de cuadrados agrupada de interacciones de orden superior insignificantes (asumidas como cero), lo cual es una suposición arriesgada. Con incluso una réplica completa (duplicando todas las corridas), se obtiene una estimación genuina de error puro, intervalos de confianza más ajustados y pruebas de significancia más confiables.

¿Qué prueba estadística utilizo para analizar un experimento factorial completo?

El análisis estándar es un ANOVA factorial (o su equivalente en modelo de regresión), que particiona la varianza total en componentes atribuibles a cada efecto principal y cada término de interacción. La significancia del efecto se juzga mediante pruebas F. Cuando el resultado no es normal u ordinal, se utilizan alternativas no paramétricas o modelos lineales generalizados en su lugar.

¿En qué punto debería cambiar a un diseño de superficie de respuesta en su lugar?

Si su experimento factorial completo 2^k (posiblemente con puntos centrales) revela curvatura estadísticamente significativa en la respuesta, el modelo factorial lineal es inadecuado y se debe utilizar un diseño de superficie de respuesta, como un diseño compuesto central o Box-Behnken. Los diseños de superficie de respuesta agregan puntos axiales (estrella) para estimar términos cuadráticos y mapear la curvatura completa de la superficie de respuesta.

Métodos relacionados

Fuentes

  1. Box, G. E. P., Hunter, J. S., & Hunter, W. G. (2005). Statistics for Experimenters: Design, Innovation, and Discovery (2nd ed.). Wiley-Interscience.

    ISBN: 978-0471718130
    Copiado.
  2. Montgomery, D. C. (2017). Design and Analysis of Experiments (9th ed.). Wiley.

    ISBN: 978-1119492443
    Copiado.