Diseño Experimental Factorial:
Un Análisis Exhaustivo de la Teoría, el Análisis de Varianza y su Aplicación Práctica
Sección I: Fundamentos del Diseño Experimental Factorial
1.1 Introducción a la Eficiencia Experimental
En la investigación científica y la optimización de procesos, es común estudiar una
variable a la vez, manteniendo las demás constantes. Aunque intuitivo, este enfoque es
ineficiente y no permite detectar interacciones entre factores.
El diseño experimental factorial supera estas limitaciones al evaluar todas las
combinaciones posibles de los niveles de dos o más factores en un solo experimento.
Esta estrategia:
•
•
•
•
Reduce el número total de corridas experimentales.
Extrae más información de cada unidad experimental.
Permite detectar interacciones entre factores.
Mejora la robustez y economía del análisis.
1.2 Definiciones Fundamentales
•
Factor: Variable independiente manipulada por el investigador (p. ej.,
temperatura, tipo de semilla).
•
Niveles: Valores específicos que toma un factor (p. ej., 50 °C, 100 °C).
•
Tratamiento: Combinación única de niveles de todos los factores. En un
diseño 2×3 hay 6 tratamientos.
•
Unidad Experimental (UE): Entidad mínima a la que se aplica un tratamiento
(parcela, sujeto, lote).
•
Réplica: Repetición del experimento para cada tratamiento. Es esencial para
estimar el error experimental y analizar interacciones.
1.3 El Arreglo Combinatorio
Un diseño factorial con factor A (a niveles) y factor B (b niveles) genera a × b
tratamientos. Por ejemplo, un diseño 2×3 implica:
B1 B2 B3
A1
A2
Esta estructura garantiza balanceo y ortogonalidad, lo que permite estimar los
efectos de cada factor de forma independiente. Cada nivel de A se prueba con todos los
niveles de B, evitando sesgos en la comparación.
1.4 El Concepto Central de Interacción
La interacción ocurre cuando el efecto de un factor depende del nivel del otro
factor.
•
•
Sin interacción: Las líneas del gráfico de medias son paralelas.
Con interacción: Las líneas no son paralelas (se cruzan o tienen pendientes
distintas).
Tipos de efectos:
•
Efecto principal: Cambio promedio en la respuesta al variar un factor,
promediado sobre los niveles del otro.
•
Efecto simple: Efecto de un factor en un nivel fijo del otro.
El modelo estadístico incluye un término de interacción que corrige el supuesto de
aditividad. Si este término es significativo, los efectos principales no deben
interpretarse aisladamente.
Sección II: Implementación de Arreglos Factoriales
2.1 Diseño Completamente al Azar (DCA)
•
Aplicación: Cuando las unidades experimentales son homogéneas (p. ej.,
laboratorio).
•
Asignación: Los tratamientos se asignan completamente al azar a las UEs.
•
Modelo estadístico:
𝑌𝑖𝑗𝑘 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘
Donde:
–
–
–
–
–
–
𝑌𝑖𝑗𝑘 : observación
𝜇: media global
𝛼𝑖 : efecto del nivel i del factor A
𝛽𝑗 : efecto del nivel j del factor B
(𝛼𝛽)𝑖𝑗 : interacción
𝜀𝑖𝑗𝑘 : error aleatorio
2.2 Diseño de Bloques Completos al Azar (DBCA)
•
Aplicación: Cuando existe una fuente conocida de variabilidad (p. ej., gradiente
de fertilidad en un campo).
•
Bloques: Grupos de UEs homogéneas internamente, pero heterogéneas entre
sí.
•
Asignación: Todos los tratamientos se asignan aleatoriamente dentro de cada
bloque.
•
Modelo estadístico:
𝑌𝑖𝑗𝑘 = 𝜇 + 𝜏𝑘 + 𝛼𝑖 + 𝛽𝑗 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘
Donde 𝜏𝑘 es el efecto del bloque k.
El bloqueo reduce el error experimental, aumentando la potencia del análisis.
Sección III: El Análisis de Varianza (ANOVA)
3.1 Descomposición de la Variabilidad
El ANOVA descompone la variabilidad total en fuentes explicables:
𝑆𝐶𝑇 = 𝑆𝐶Bloques + 𝑆𝐶𝐴 + 𝑆𝐶𝐵 + 𝑆𝐶𝐴𝐵 + 𝑆𝐶𝐸
Donde:
•
•
SCT: Suma de Cuadrados Total
SCE: Suma de Cuadrados del Error
3.2 Tabla ANOVA para Diseño Bifactorial en DBCA
Fuente de
Grados de Suma de
Cuadrado
Variación
Libertad
Cuadrados
Medio
Bloques
b–1
SC_Bloques
CM_Bloques
Factor A
a–1
SC_A
CM_A
Factor B
b–1
SC_B
CM_B
Interacción
A×B
Error
Total
(a–1)(b–1)
SC_AB
CM_AB
ab(r–1)
abr – 1
SCE
SCT
CM_Error
(a = niveles de A, b = niveles de B, r = réplicas/bloques)
3.3 Contraste de Hipótesis
•
Factor A:
•
–
H₀: Todos los αᵢ = 0
–
H₁: Al menos un αᵢ ≠ 0
Factor B:
F
CM_Bloques /
CM_Error
CM_A /
CM_Error
CM_B /
CM_Error
CM_AB /
CM_Error
Valorp
•
–
H₀: Todos los βⱼ = 0
–
H₁: Al menos un βⱼ ≠ 0
Interacción A×B:
–
–
H₀: Todos los (αβ)ᵢⱼ = 0
H₁: Al menos un (αβ)ᵢⱼ ≠ 0
Se rechaza H₀ si valor-p < α (usualmente α = 0.05).
3.4 Validación del Modelo: Análisis de Residuos
Antes de interpretar resultados, verificar:
1.
2.
3.
Normalidad: Gráfico Q-Q o prueba de Shapiro-Wilk.
Homocedasticidad: Gráfico de residuos vs. predichos; pruebas de
Levene/Bartlett.
Independencia: Aleatorización adecuada; gráfico de residuos vs. orden.
Sección IV: Caso de Estudio – Diseño Bifactorial 2×3
4.1 Contexto del Problema
Un agrónomo estudia el rendimiento (kg/ha) de maíz bajo:
•
•
•
Factor A (Variedad): V1 (estándar), V2 (nuevo híbrido)
Factor B (Dosis de N): D1 (50 kg/ha), D2 (100), D3 (150)
Diseño: DBCA con 4 bloques → 24 parcelas
4.2 Datos y Cálculos Preliminares
Medias por tratamiento:
Variedad D1
D2
D3
Media
V1
43.75 54.00 50.75 49.50
V2
47.25 63.50 69.25 60.00
Gran media: 54.75 kg/ha
4.3 Sumas de Cuadrados (Resultados Corregidos)
•
SCT = 2070.50
•
SC_Bloques = 212.83
•
SC_A (Variedad) = 661.50
•
SC_B (Dosis) = 1045.50
•
SC_AB (Interacción) = 114.00
•
SCE = 36.67
4.4 Tabla ANOVA Final
Fuente
GL
Bloques
3
Variedad (A)
1
Dosis (B)
2
Interacción A×B 2
Error
15
Total
23
SC
212.83
661.50
1045.50
114.00
36.67
2070.50
CM
70.94
661.50
522.75
57.00
2.44
F
29.00
270.47
213.74
23.31
Valor-p
< 0.0001
< 0.0001
< 0.0001
< 0.0001
Interpretación:
•
•
•
El bloqueo fue efectivo.
Ambos factores influyen significativamente.
La interacción es altamente significativa: el efecto de la dosis depende de la
variedad.
4.5 Gráfico de Interacción
Realizar las gráficas de los valores de la respuesta promedio de un factor contra otro y
verificar que:
•
V1: Rendimiento aumenta de D1 a D2, pero se estanca en D3.
•
V2: Rendimiento aumenta claramente con cada dosis.
→ Las líneas no son paralelas: hay interacción.
Sección V: Análisis Post-ANOVA
5.1 ¿Por qué se necesitan pruebas post-hoc?
El ANOVA indica que hay diferencias, pero no dice cuáles medias difieren. Se usan
pruebas post-hoc para identificarlas, controlando el error global.
5.2 Prueba de Tukey (HSD)
•
Compara todos los pares de medias.
•
Usa un valor crítico único:
𝐻𝑆𝐷 = 𝑞𝛼,𝑘,𝑔𝑙𝐸 ⋅ √
–
–
𝐶𝑀𝐸
𝑟
𝑞: valor de la distribución del rango estudentizado
𝑘 = 6 tratamientos, 𝑔𝑙𝐸 = 15, 𝑟 = 4
→ HSD ≈ 3.59
5.3 Manejo de Interacción Significativa
Cuando hay interacción significativa, no se interpretan los efectos principales. En
su lugar, se comparan las 6 medias de tratamiento.
5.4 Resultados de Tukey
Tratamiento Media Grupo Homogéneo
V2D3
69.25 a
V2D2
63.50 b
V1D2
54.00 c
V1D3
50.75 c
V2D1
47.25 d
V1D1
43.75 d
Medias con letras distintas son significativamente diferentes (α = 0.05).
5.5 Recomendación Práctica
•
Mejor tratamiento: V2 con D3 (nuevo híbrido + 150 kg/ha de N).
•
V2 responde mejor al fertilizante que V1.
•
Usar D1 no es recomendable para ninguna variedad.
Sección VI: Síntesis y Consideraciones Avanzadas
6.1 Resumen Metodológico
1. Definir factores y niveles.
2. Construir arreglo factorial completo.
3. Elegir diseño (DCA o DBCA según homogeneidad).
4. Realizar ANOVA.
5. Si hay interacción → comparar medias de tratamientos.
6. Validar supuestos con residuos.
6.2 Recomendaciones Prácticas
•
Aleatorización: Evita sesgos.
•
Replicación: Estima el error.
•
Bloqueo: Controla fuentes conocidas de variabilidad.
•
Verificación de supuestos: Obligatoria antes de concluir.
6.3 Diseños Más Avanzados
•
Factoriales fraccionados: Útiles cuando hay muchos factores (ej. 2⁵⁻²).
Reducen corridas asumiendo que interacciones de alto orden son nulas.
•
Superficies de respuesta (RSM): Para optimización (máximos/mínimos),
usan modelos cuadráticos y se construyen tras un factorial inicial.
0
