ALUMNOS:

Alejandro Lopez Fuentes

Brian Ochoa Ramírez
Gerri Hernández Contreras
Docente:
Francisco Lopez Olmedo
MATERIA:
Estadística Inferencial II
UNIDAD V
Carrera:
Ingeniería Industrial.
 5.1 A two-factor factorial design.
is an experimental design that is used to investigate the effects of two
independent variables on a dependent variable. Each independent variable is
varied at multiple levels, and the effect of each variable on the dependent
variable is measured at each level of the other variable. This allows researchers
to determine whether there is a main effect of each independent variable, as
well as whether the two variables interact with each other.
Key terms.
 Independent variable: A variable that is manipulated by the
experimenter.
 Dependent variable: The variable that is measured by the
experimenter.
 Level: A specific value of an independent variable.
 Main effect: The effect of an independent variable on the dependent
variable, averaged across all levels of the other independent variable.
 Interaction: The effect of one independent variable on the dependent
variable that depends on the level of the other independent variable.
Analysis.
The data from a two-factor factorial design can be analyzed using a two-way
ANOVA. This analysis will determine whether there are significant main effects
of each independent variable, as well as whether there is a significant
interaction between the two variables
Additional considerations.
 Replication: It is important to replicate each treatment combination in a
factorial design. This will allow the researcher to estimate the error
variance and increase the power of the analysis.
 Randomization: The treatments should be assigned to the experimental
units randomly. This will help to ensure that the results of the experiment
are not due to confounding variables.
 Normality: The dependent variable should be normally distributed. If the
dependent variable is not normally distributed, a transformation may be
necessary.
Overall, two-factor factorial designs are a valuable tool for researchers who are
interested in investigating the effects of multiple independent variables on a
dependent variable

5.2 A three-factor factorial design

is an experimental design that is used to investigate the effects of three
independent variables on a dependent variable. Each independent variable is
varied at multiple levels, and the effect of each variable on the dependent
variable is measured at each level of the other two variables. This allows
researchers to determine whether there is a main effect of each independent
variable, as well as whether the variables interact with each other in two-way or
three-way ways.
Key terms.
 Two-way interaction: The effect of one independent variable on the
dependent variable that depends on the level of another independent
variable.
 Three-way interaction: The effect of one independent variable on the
dependent variable that depends on the levels of two other independent
variables.
Analysis.
The data from a three-factor factorial design can be analyzed using a three-way
ANOVA. This analysis will determine whether there are significant main effects
of each independent variable, as well as whether there are significant two-way
or three-way interactions between the variables.

5.3 General factorial design

is an experimental design that is used to investigate the effects of multiple
independent variables on a dependent variable. Each independent variable can
have any number of levels, and the effect of each variable on the dependent
variable is measured at each level of all other variables. This allows researchers
to determine whether there are main effects of each independent variable, as
well as whether the variables interact with each other in two-way, three-way, or
higher-order ways.
Key terms.
 Higher-order interaction: The effect of one independent variable on the
dependent variable that depends on the levels of three or more other
independent variables.

Analysis.
The data from a general factorial design can be analyzed using a general linear
model (GLM). This analysis will determine whether there are significant main
effects of each independent variable, as well as whether there are significant
two-way, three-way, or higher-order interactions between the variables.

5.4 Random effects model.

also called a variance components model, is a statistical model where the
model parameters are random variables. This means that the parameters are
not fixed, but instead vary according to some underlying distribution. Random
effects models are often used to analyze data that is hierarchical, meaning that
the data is nested within groups. For example, a random effects model could be
used to analyze data on student test scores, where the scores are nested within
schools.

Key terms.
 Random effect: A model parameter that is a random variable.
 Variance component: The variance of a random effect.
 Hierarchical data: Data that is nested within groups.

Model.
A random effects model can be represented by the following equation:
y_ij = μ + α_i + β_xj + ε_ij

where:

 y_ij is the value of the dependent variable for the i-th observation in the j-
th group
 μ is the overall mean
 α_i is the random effect for the i-th group
 β_x is the fixed effect of the x-th independent variable
 ε_ij is the error term

The random effects α_i are assumed to be normally distributed with mean 0 and
variance σ_α^2. The error terms ε_ij are assumed to be normally distributed
with mean 0 and variance σ_ε^2.

Analysis.

Random effects models can be analyzed using a variety of methods, including

restricted maximum likelihood (REML) and Bayesian methods. REML is a
method for estimating the variance components of a random effects model.
Bayesian methods can be used to estimate the posterior distribution of the
model parameters, including the random effects.

Overall, random effects models are a valuable tool for researchers who are
interested in analyzing hierarchical data.

5.5 Statistical software

is a type of computer program that is designed to perform statistical analysis.

This software can be used for a wide variety of tasks, such as:

 Data management: Entering, cleaning, and transforming data

 Descriptive statistics: Calculating summary measures of data, such as
means, medians, and modes
 Inferential statistics: Performing hypothesis tests and estimating
confidence intervals
 Regression analysis: Modeling the relationship between a dependent
variable and one or more independent variables
 ANOVA: Analyzing the effects of multiple independent variables on a
dependent variable
 Experimental design: Planning and conducting experiments
 Time series analysis: Analyzing data that is collected over time
 Multivariate analysis: Analyzing data that has multiple dimensions

There are many different statistical software packages available, each with its
own strengths and weaknesses. Some of the most popular statistical software
packages include:

 R: A free and open-source software package that is widely used in

academia and industry.
 SAS: A commercial software package that is popular in industry and
government.
 SPSS: A commercial software package that is popular in academia and
research.
 Stata: A commercial software package that is popular in economics and
social sciences.
 Mintab: A commercial software package that is popular in education and
business.

The choice of statistical software package will depend on the specific needs of
the user. Some factors to consider include:

 Cost: Some statistical software packages are free, while others are
commercial.
 Ease of use: Some statistical software packages are more user-friendly
than others.
  Features: Some statistical software packages have more features than
others.
 Support: Some statistical software packages have better support than
others.

If you are not sure which statistical software package to use, it is a good idea to
consult with a statistician or other expert

Minitab paso a paso

Paso a Paso minitab: Dos factores

1. Seleccionamos “DOE”, luego “Factorial” y en “Crear diseño factorial”

2. Nos dara a escoger un tipo de diseño factorial y seleccionaremos el

ultimo

3. Dependiento de nuestra informacion, seleccionaremos los niveles de los

factores

4. Y agregaremos los valores de los niveles

5. Nos arrojara la siguente informacion en nuestra trabla

6. Colocaremos en una columna los resultados de las conjugaciones de los

factores

7. Volvemos a seleccionar estadisticas: pero en este caso sera “analizar

diseño factorial”, opcion que estaba bloqueada antes de hacer el
proceso
 8. Y seleccionamos las respuestas en la casilla de respuestas

9. Nos dara los siguentes valores que compararemos en excel:

Paso a paso para tres factores en minitab:

1. Los valores previos de excel seran copiados a minitab de la siguente
manera, el -1 y el 1 representan los niveles minimos y maximos en los
factores

2. Nos dirigimos a DOE, Factorial, y en Definir diseño factorial

personalizado como se muestra a continuacion

3. seleccionaremos los factores y daremos click en la casilla que dice

factorial de 2 niveles

4. nos dará los siguientes valores

5. volveremos a dirigirnos a estadísticas, pero estas vez seleccionaremos
“Analizar diseño factorial”

6. se analizarán las Respuestas “tiempo”

7. Nos proporcionara los resultados que compararemos con el formato de

excel
Diseño factorial de dos factores en Excel

Para realizar un análisis factorial con 2 factores, primero tenemos que calcular
la suma de los factores en A y B

Después tenemos que obtener nuestros datos, donde A corresponde a la

cantidad de las muestras para A, B corresponde a la cantidad de muestras para
B, n es la cantidad de replicas, y N es la cantidad de datos que tenemos

Después tenemos que desarrollar la matriz de interacción entre A y B

Después debemos de llenar la nuestra tabla ANOVA con los datos que
tenemos

Para calcular la suma de cuadrados (SC) tenemos que hacer lo siguiente para
el efecto A

Se escribe la siguiente formula donde se calcula la suma de factores en a,

donde se selecciona el primer resultado del factor A elevado al cuadrado o
multiplicado por si mismo, por el segundo resultado elevado al cuadrado o
multiplicado por sí mismo, después se divide, B multiplicado por n, y después
restar el cuadrado N y dividido de la suma total
Para calcular SC del Efecto B, se debe usar la función (SUMAPRODUCTO), se
selecciona la matriz del factor B, y se vuelve a seleccionar, después se divide
por A por n, y se divide la suma total al cuadrado sobre N
Lo siguiente es calcular el Efecto AB, para eso se debe seleccionar la matriz de
la interacción entre A y B, y se divide por el valor de n, sobre el cuadrado de la
suma total sobre el valor de N, y a eso se le resta la suma de cuadrados de el
efecto de A y en B.
Para calcular el ERROR, primero se debe calcular el TOTAL, se debe utilizar la
función (SUMA.CUADRADOS), se selecciona la matriz de los datos obtenidos,
y se resta la suma total al cuadrado dividida entre el valor de N

Una vez calculado el TOTAL, podemos calcular el error, para esto tenemos que
restar el TOTAL, menos el Efecto en A, En B y En AB
Para calcular GL, para calcular GL de el efecto A, se debe tomar el Valor de A-
1, para efecto en B, el Valor de B-1, y para el efecto AB, multiplicar el Efecto A
por Efecto B

Para calcular el GL en Error, se debe multiplicar A por B por n-1

Para calcular GL del Total, se debe multiplicar A por B por n, y restarle 1

Para calcular CM, es una división entre el valor De SC sobre el valor de GL, y
se arrastra para llenar los demás recuadros restantes de cada efecto
Para calcular FD, es debe hacer una división entre el valor de CM de cada
efecto correspondiente, sobre el valor de CM del Error, se puede congelar el
valor de CM de error, arrastrar la para llenar los cuadros restantes.

Para calcular F critica, se debe usar la función (DISTR.F.INV), Con el valor de

0.05, el valor de GL del efecto correspondiente, sobre el valor de GL del Error,
se congela este ultimo para arrastrar la formula y llenar los otros recuadros.

Para calcular el Valor P, se usa la función (DISTR.F.CD), se selecciona el valor

FD correspondiente de cada efecto, el valor de GL de cada efecto, y el valor de
GL de error, se congela este ultimo para arrastrar la formula.
Si el valor de FD es menor que F critica, Se acepta HO, si no, Se rechaza

Diseño factorial de 3 Factores paso a paso en EXCEL

Para el diseño factorial, primero debemos calcular la suma de los 3 factores

Después se desarrolla la matriz de interacción entre A y B

Des pues la matriz de interacción entre A y C

Después la matriz de B y C

Después la matriz de A, B y C

Hacemos nuestra tabla de datos donde A corresponde a la cantidad de las

muestras para A, B corresponde a la cantidad de muestras para B, C es la
cantidad de muestras para B, n es la cantidad de replicas, y N es la cantidad de
datos que tenemos

Después debemos de llenar la nuestra tabla ANOVA con los datos que
tenemos
Para calcular la suma de cuadrados (SC) tenemos que hacer lo siguiente para
el efecto A

Se escribe la siguiente formula donde se calcula la suma de factores en a,

donde se selecciona el primer resultado del factor A elevado al cuadrado o
multiplicado por sí mismo, por el segundo resultado elevado al cuadrado o
multiplicado por sí mismo, después se divide, B multiplicado por n, y después
restar el cuadrado N y dividido de la suma total

Para calcular SC del Efecto B, se debe usar la función (SUMAPRODUCTO), se

selecciona la matriz del factor B, y se vuelve a seleccionar, después se divide
por A por C por n, y se divide la suma total al cuadrado sobre N
Para calcular SC del Efecto C, se debe usar la función (SUMAPRODUCTO), se
selecciona la matriz del factor C, y se vuelve a seleccionar, después se divide
por A por B por n, y se divide la suma total al cuadrado sobre N

Lo siguiente es calcular el Efecto AB, para eso se debe seleccionar la matriz

de la interacción entre A y B, y se divide por el valor de n, sobre el cuadrado de
la suma total sobre el valor de N, y a eso se le resta la suma de cuadrados del
efecto de A y en B.
Lo siguiente es calcular el Efecto AC, para eso se debe seleccionar la matriz de
la interacción entre A y C, y se divide por el valor de n, sobre el cuadrado de la
suma total sobre el valor de N, y a eso se le resta la suma de cuadrados del
efecto de A y en C

Lo siguiente es calcular el Efecto BC, para eso se debe seleccionar la matriz de

la interacción entre B y C, y se divide por el valor de n, sobre el cuadrado de la
suma total sobre el valor de N, y a eso se le resta la suma de cuadrados del
efecto de B y en C
Lo siguiente es calcular el Efecto ABC, para eso se debe seleccionar la matriz
de la interacción entre A, B y C, y se divide por el valor de n, sobre el cuadrado
de la suma total sobre el valor de N, y a eso se le resta la suma de cuadrados
del efecto de A, B y en C

. Para calcular el ERROR, primero se debe calcular el TOTAL, se debe utilizar

la función (SUMA.CUADRADOS), se selecciona la matriz de los datos
obtenidos, y se resta la suma total al cuadrado dividida entre el valor de N

Una vez calculado el TOTAL, podemos calcular el error, para esto tenemos que
restar el TOTAL, menos todos los efectos
Para calcular GL del efecto A, B y C, se debe restar 1 al valor de A, B y C
correspondientemente

Para GL del efecto AB, AC, BC, ABC, se debe restar deben multiplicar los
valores GL de cada efecto correspondiente, por ejemplo, para el efecto ABC,
multiplicar el efecto de A, B y C
Para calcular el GL en Error, se debe multiplicar A por B por C, por n-1

Para calcular GL del Total, se debe multiplicar A por B por C por n, y restarle 1
Para calcular CM, es una división entre el valor De SC sobre el valor de GL, y
se arrastra para llenar los demás recuadros restantes de cada efecto

Para calcular FD, es debe hacer una división entre el valor de CM de cada
efecto correspondiente, sobre el valor de CM del Error, se puede congelar el
valor de CM de error, arrastrar la para llenar los cuadros restantes.
Para calcular F critica, se debe usar la función (DISTR.F.INV), Con el valor de
0.05, el valor de GL del efecto correspondiente, sobre el valor de GL del Error,
se congela este último para arrastrar la formula y llenar los otros recuadros.

Para calcular el Valor P, se usa la función (DISTR.F.CD), se selecciona el valor

FD correspondiente de cada efecto, el valor de GL de cada efecto, y el valor de
GL de error, se congela este último para arrastrar la formula.
Si el valor de FD es menor que F critica, Se acepta HO, si no, Se rechaza

Una vez terminado comparamos con Minitab

Y se comprueba que los resultados son correctos

En conclusión, de este experimento se determina que los diferentes factores,

analizados, pueden afectar en el tiempo que una persona tarda en recorrer
cierta distancia, dependiendo de la carga, edad, distancia que la persona este
expuesta
Conclusiones

Brian Ramírez

Factorial Designs:

Permiten estudiar cómo múltiples variables afectan una variable dependiente.

Factorial Designs with Three Factors:

Extienden el análisis a tres variables independientes, revelando relaciones más

complejas.

General Factorial Design:

Manipula múltiples factores simultáneamente para comprender sus efectos e

interacciones.

Random Effects Models:

Incorporan la variabilidad entre unidades experimentales para mejorar la

precisión de las estimaciones.

Use of Statistical Software:

Facilita el análisis complejo y la visualización de resultados para tomar

decisiones informadas.

Gerri Hernández

It is that factorial designs, both with two and three factors, are powerful tools for
studying multiple variables simultaneously, interactions and main effects to be
analyzed efficiently. The general factorial design expands this capability by
including a variable number of factors. Incorporating random effects models
provides a robust way to handle the inherent variability in the data. the use of
specialized statistical software facilitates the implementation and analysis of
these methods, valid and useful conclusions to be obtained from the collected
data.

Alejandro Lopez

Factorial designs 2 to 3 are valuable tools for studying the effect of two
independent variables with three levels each on a dependent variable. These
designs allow researchers to analyze not only the main effects of each
independent variable but also the interactions between them. Based on the
results, it can be concluded whether or not there are significant effects of the
independent variables, as well as interactions between them.
Bibliografias

Numerade. (s. f.). SOLVED: How many potential sources of systematic

variation would there be in an Analysis of Variance Summary Table for a 3 X
3 complex design? Question 59 options: six sources that represent a main
effect for each of the three levels of the two independent variables nine
sources that represent the factorial combination of the two independent
variables one source that represents the omnibus effect of the two
independent variables three sources that represent two main effects (one for
each independent variable) and the interaction of the two independent
variables. https://www.numerade.com/ask/question/how-many-potential-
sources-of-systematic-variation-would-there-be-in-an-analysis-of-variance-
summary-table-for-a-3-x-3-complex-design-question-59-options-six-sources-
that-represent-a-main-ef-29653/

What is random effect | EduRev Class 9 Question. (s. f.).

EDUREV.IN. https://edurev.in/question/182064/What-is-random-effect

Wikipedia contributors. (2024, 24 mayo). List of statistical software.

Wikipedia. https://en.wikipedia.org/wiki/List_of_statistical_software