Disseny d’Experiments Diplomatura d’Estadı́stica

4. ALTRES DISSENYS FACTORIALS

4.1 Efectes fixos i efectes aleatoris.

Fins ara hem considerat que els nivells dels factors, d’alguna manera, estaven “fixats”
(hem treballat amb el que s’anomena model d’efectes fixos). És a dir, els nivells dels
factors els triàvem perquè eren els únics sobre els que volı́em fer inferència.
De vegades, però, els nivells d’un o més factors no s’han seleccionat perquè siguin els
únics que ens interessen, sinó que són simplement una mostra de tots els possibles nivells
del factor. Per exemple, en un estudi de consum de benzina en automòbils, les vehicles
concrets usats a l’estudi són representatius de una classe més àmplia de vehicles del
mateix model o de les mateixes caracterı́stiques principals. Els factors que tenen nivells
aleatoris s’anomenen factors d’efectes aleatoris. Quan tenim aquests tipus de factors,
hem de construir un model diferent, que s’anomena model d’efectes aleatoris.

• Vegem ara en què consisteix aquest model. Suposem que tenim dos factors, A i B, tots
dos aleatoris, amb r rèpliques. Posem

Yijk = αi + βj + (αβ)ij + εijk

amb i = 1, . . . , a, j = 1, . . . , b, k = 1, . . . , r ,
αi , i = 1, . . . , a són v.a.i.i.d. N (µα , σα2 ),
βj , j = 1, . . . , b són v.a.i.i.d. N (µβ , σβ2 ),
2
(αβ)ij , i = 1, . . . , a, j = 1, . . . , b són v.a.i.i.d. N (µαβ , σαβ ),
εijk són les variables d’error del model (v.a.i.i.d. N (0, σ 2 )),
i totes les variables són independents entre sı́. Noteu que els nous paràmetres del model
són les mitjanes i les variàncies de les variables que surten al model: µα , µβ , µαβ , σα2 , σβ2 , σαβ
2
2
iσ .
Les variables resposta en el model d’efectes aleatoris no tenen les mateixes propietats
distribucionals que en el model d’efectes fixos. Si els factors són fixos, Yijk segueix una
llei normal amb mitjana αi +βj +(αβ)ij i variància comuna σ 2 . Si els factors són aleatoris,
aleshores Yijk tenen totes la mateixa llei normal de mitjana

E[Yijk ] = µα + µβ + µαβ

i variància
V ar[Yijk ] = σα2 + σβ2 + σαβ
2
+ σ2 .

Són les quatres variàncies d’aquesta última expressió les que contenen la informació sobre
les poblacions dels factors aleatoris, perquè els efectes principals i la interacció entre
factors tenen una llei amb la mateixa esperança. Per tant, en contrast amb el cas d’efectes
fixos, els factors aleatoris contribueixen a la variabilitat global observable a la variable
resposta, i no a diferències entre les mitjanes de cada nivell i factor.

91
Les hipòtesis a contrastar seran les següents:

 
H0A : σα2 = 0 ⇔ αi = µα , ∀i = 1, . . . , a
 
H0B : σβ2 = 0 ⇔ βj = µβ , ∀j = 1, . . . , b
 
H0AB : σαβ
2
= 0 , µαβ = 0 ⇔ (αβ)ij = 0 , ∀i = 1, . . . , a, j = 1, . . . , b

• Exemple:
S’ha mesurat el color de pell en set persones durant tres setmanes, en un estudi relacionat
amb productes cosmètics, i s’ha obtingut la taula següent:

Mesura del color

Participant Setmana 1 Setmana 2 Setmana 3
A 12.1 14.2 13.9
B 19.1 17.6 16.2
C 33.8 34.7 33.2
D 33.0 31.7 30.3
E 35.8 37.7 35.6
F 42.0 38.4 41.5
G 36.8 35.2 35.7

Observeu que no són els participants concrets el que interessa al fabricant, sinó la població
de tots els possibles compradors del producte. Modelitzant els efectes sobre els partic-
ipants com una variable aleatòria normal, la variància de la distribució mesura la vari-
abilitat dels mesuraments del color que és atribuı̈ble als diferents tipus de pell entre els
possibles usuaris.
L’efecte dels canvis setmana a setmana es pot modelar també com un efecte aleatori. Les
condicions de l’entorn, higiene, exposició al sol, etc, que poden afectar a les mesures del
color no són controlables, cada individu no té la mateixa mesura en diferents setmanes
de l’estudi. Modelitzant el factor setmana com una variable aleatòria, la seva variància
mesura la contribució de la variació d’una setmana a una altra en la variabilitat total de
les mesures de color.
Si, a més, es creu que els efectes setmanals difereixen aleatòriament de participant a
participant, és adequat introduir les interaccions.
• Sumes de quadrats i taula ANOVA:
Les sumes de quadrats es calculen igual que pel model d’efectes fixos, i també els graus
de llibertat i els quadrats mitjans. El que canvia és el càlcul dels estadı́stics F . El motiu
és que ara l’esperança dels quadrats mitjans ha canviat. Concretament, es té que:

2
E M STA = σ 2 + br σα2 + r σαβ + µ2αβ



E M STB = σ 2 + ar σβ2 + r σαβ
2
+ µ2αβ



E M STAB = σ 2 + r σαβ 2
+ µ2αβ

(compareu amb el valor d’aquestes esperances pel cas del model d’efectes fixos). El que
no canvia és que

92


E M SE = σ 2 .

Per tant, els estadı́stics F que van bé ara per tal de testar les hipòtesis plantejades són:

M STA A


 2 2 2


FA = ja que sota H0 tenim E M STA = E M STAB = σ + r σαβ + µαβ
M STAB
M STB



FB = ja que sota H0B tenim E M STB = E M STAB = σ 2 + r σαβ
2
+ µ2αβ
M STAB
M STAB

 
FAB = ja que sota H0AB tenim E M STAB = E M SE = σ 2
M SE

i la manera de testar les hipòtesis plantejades, fixat un nivell de significació α, consisteix

en

a−1, (a−1)(b−1)
Rebutjar H0A si fA > F1−α
b−1, (a−1)(b−1)
Rebutjar H0B si fB > F1−α
(a−1)(b−1), ab(r−1)
Rebutjar H0AB si fAB > F1−α

on fA , fB i fAB són, respectivament, les realitzacions dels estadı́stics FA , FB i FAB .

• El model d’efectes mixtes. De vegades pot passar que, al mateix model, un dels
factors sigui d’efectes fixos i l’altre d’efectes aleatoris. Aquest model s’anomena d’efectes
mixtes i, pensant que el factor A és el fix i el factor B l’aleatori, és:

Yijk = αi + βj + (αβ)ij + εijk

amb i = 1, . . . , a, j = 1, . . . , b, k = 1, . . . , r ,
αi , i = 1, . . . , a paràmetres del model,
βj , j = 1, . . . , b són v.a.i.i.d. N (µβ , σβ2 ),
2
(αβ)ij , i = 1, . . . , a, j = 1, . . . , b són v.a.i.i.d. N (µαβ , σαβ ),
εijk són les variables d’error del model (v.a.i.i.d. N (0, σ 2 )),
i totes les variables són independents entre sı́. Els paràmetres d’aquest model són:
α1 , . . . , αa , µβ , µαβ , σβ2 , σαβ
2
i σ2.
Les hipòtesis a contrastar són ara:

H0A : α1 = · · · = αa
 
H0B : σβ2 = 0 ⇔ βj = µβ , ∀j = 1, . . . , b
 
H0AB : σαβ
2
= 0 , µαβ = 0 ⇔ (αβ)ij = 0 , ∀i = 1, . . . , a, j = 1, . . . , b

Les esperances dels quadrats mitjans són

93
 Pa

2(αi − ᾱ· )2 2


E M STA = σ + br i=1 + r σαβ + µ2αβ

a−1

2 2 2
E M STB = σ + ar σβ + r σαβ + µ2αβ



E M STAB = σ 2 + r σαβ
2
+ µ2αβ


E M SE = σ 2

Per tant, els estadı́stics F que van bé ara són

M STA A


 2 2 2


FA = ja que sota H0 tenim E M STA = E M STAB = σ + r σαβ + µαβ
M STAB
M STB



FB = ja que sota H0B tenim E M STB = E M STAB = σ 2 + r σαβ
2
+ µ2αβ
M STAB
M STAB AB


 2

FAB = ja que sota H0 tenim E M STAB = E M SE = σ
M SE
i la manera de testar les hipòtesis plantejades, fixat un nivell de significació α, consisteix
en

a−1, (a−1)(b−1)
Rebutjar H0A si fA > F1−α
b−1, (a−1)(b−1)
Rebutjar H0B si fB > F1−α
(a−1)(b−1), ab(r−1)
Rebutjar H0AB si fAB > F1−α

on fA , fB i fAB són, respectivament, les realitzacions dels estadı́stics FA , FB i FAB . Noteu

que tot funciona igual que pel cas del model d’efectes aleatoris. El model mixt
que acabem d’introduir s’anomena model mixt altern, per distingir-lo del model mixt
estàndard, que comentarem ara i que és, de fet, més utilitzat.
El model mixt estàndard és com el model mixt altern però suposant, a més, que hi
ha una correlació entre els efectes d’interacció, en el sentit que es compleix que

b
X
(αβ)ij = 0 ∀i = 1, . . . , a
j=1

(condició que es compleix en moltes situacions pràctiques, el que fa que aquest model sigui
tant utilitzat). Les hipòtesis a contrastar són les mateixes però canvien les esperances
dels quadrats mitjans, que seran:

Pa

2(αi − ᾱ· )2 ar 2


E M STA = σ + br i=1 + σαβ + µ2αβ

a−1 a−1
2 2
E M STB = σ + ar σβ

ra

E M STAB = σ 2 + 2
σαβ + µ2αβ
a−1

(compareu amb el valor d’aquestes esperances amb els de tots els models anteriors). Els
estadı́stics F seran, doncs,

94
 M STA



FA = ja que sota H0A tenim E M STA = E M STAB = σ 2 + r σαβ
2
+ µ2αβ
M STAB
M STB

 
FB = ja que sota H0B tenim E M STB = E M SE = σ 2
M SE
M STAB

 
FAB = ja que sota H0AB tenim E M STAB = E M SE = σ 2
M SE

i la manera de testar les hipòtesis plantejades, fixat un nivell de significació α, consisteix

en

a−1, (a−1)(b−1)
Rebutjar H0A si fA > F1−α
b−1, ab(r−1)
Rebutjar H0B si fB > F1−α
(a−1)(b−1), ab(r−1)
Rebutjar H0AB si fAB > F1−α

on fA , fB i fAB són, respectivament, les realitzacions dels estadı́stics FA , FB i FAB .

PER RECORDAR...

• El mètode de Tukey per a la separació de mitjanes per a un factor (files o columnes),

tant pel cas d’interacció significativa, com pel de no tenir-ne.

• El mètode de Tukey per a la separació de mitjanes dels tractaments (cel.les).

• El cas d’una sola rèplica (r = 1).

• Distinció entre efectes fixos i efectes aleatoris.

• El models d’efectes fixos, aleatoris i mixtes (altern i estàndard): hipòtesis,

esperances dels quadrats mitjans, estadı́stics F i contrast de les hipòtesis.

95
4.2 El disseny factorial de tres factors
El que hem vist per a dos factors es pot estendre al cas de tenir, en general, m factors,
cadascú amb cert nombre de nivells. Denotarem els factors per A, B, C, D, . . . (i el seu
nombre de nivells per a, b, c, d, . . . respectivament). El disseny és factorial si es proven
(en cada rèplica completa del disseny) totes les combinacions de nivells de tots els factors.
Suposarem, a més, que fem r rèpliques del disseny complet, de manera que el nombre
total d’observacions serà n = r × a × b × c × d · · · . Suposem en primer lloc, com en el
cas de dos factors, que r > 1.
Només considerarem el cas que tots els efectes són fixos (els efectes aleatoris es compliquen
molt per a més de dos factors). Com a exemple veurem el disseny factorial de 3 factors
(“complet”, és a dir, amb interacció, i “equilibrat”, en el sentit que el nombre de rèpliques
és el mateix per a cada tractament o combinació de nivells dels factors). Tenim, doncs,
tres factors, A, B i C, amb nombre de nivells respectius a, b i c, amb r rèpliques (i el
nombre total d’observacions, n = r × a × b × c).
El model és:

Yijk` = αi + βj + γk + (αβ)ij + (αγ)ik + (βγ)jk + (αβγ) + εijk`

| {z } | {z } | {z ijk} |{z}
efectes principals efectes interaccions segon ordre efecte interacció tercer ordre errors

i = 1, . . . , a, j = 1, . . . , b, k = 1, . . . , c, ` = 1, . . . , r , amb les εijk` v.a.i.i.d. N (0, σ 2 ).

Les hipòtesis que ens interessarà testar són ara:

H0A : α1 = · · · = αa
H0B : β1 = · · · = βb
H0C : γ1 = · · · = γc
H0AB : (αβ)ij = 0 , ∀i = 1, · · · , a , ∀j = 1, · · · , b
H0AC : (αγ)ik = 0 , ∀i = 1, · · · , a , ∀k = 1, · · · , c
H0BC : (βγ)jk = 0 , ∀j = 1, · · · , b , ∀k = 1, · · · , c
H0ABC : (αβγ)ijk = 0 , ∀i = 1, · · · , a , ∀j = 1, · · · , b , ∀k = 1, . . . , c

i, per tal de fer-ho, construirem la taula ANOVA d’aquest disseny, després de descom-
pondre la suma total de quadrats, com a mesura de la variabilitat total de les dades,
aixı́:

a X
X b X
c X
r
2

2
S = Yijk` − Ȳ····
i=1 j=1 k=1 `=1

= SSTA + SSTB + SSTC + SSTAB + SSTAC + SSTBC + SSTABC + SSE

on les sumes de quadrats associades als factors, a les interaccions entre dos dels factors
(de segon ordre), a la interacció entre tots tres factors (de tercer ordre) i a l’error són,
respectivament,

96
 a
X a
X
2
SSTA = bcr (Ȳi··· − Ȳ···· ) = bcr (Ȳi··· )2 − n(Ȳ···· )2
i=1 i=1
X b Xb
SSTB = acr (Ȳ·j·· − Ȳ···· )2 = acr (Ȳ·j·· )2 − n(Ȳ···· )2
j=1 j=1
Xc Xc
SSTC = abr (Ȳ··k· − Ȳ···· )2 = abr (Ȳ··k· )2 − n(Ȳ···· )2
k=1 k=1
a
XX b
SSTAB = cr (Ȳij·· − Ȳi··· − Ȳ·j·· + Ȳ···· )2
i=1 j=1
a X
X b
= cr (Ȳij·· )2 − n(Ȳ···· )2 − SSTA − SSTB
i=1 j=1
Xa X c
SSTAC = br (Y i·k· − Ȳi··· − Ȳ··k· + Ȳ···· )2
i=1 k=1
Xa X c
= br (Ȳi·k· )2 − n(Ȳ···· )2 − SSTA − SSTC
i=1 k=1
X b Xc
SSTBC = ar (Ȳ·jk· − Ȳ·j·· − Ȳ··k· + Ȳ···· )2
j=1 k=1
b X
X c
= ar (Ȳ·jk· )2 − n(Ȳ···· )2 − SSTB − SSTC
j=1 k=1
a X
X b X
c
SSTABC = r (Ȳijk· − Ȳij·· − Ȳi·k· − Ȳ·jk· + Ȳi··· + Ȳ·j·· + Ȳ··k· − Ȳ···· )2
i=1 j=1 k=1
a X
X b X
c
= r (Ȳijk· )2 − n(Ȳ···· )2 − SSTA − SSTB − SSTC − SSTAB − SSTAC − SSTBC
i=1 j=1 k=1

X b X
a X r
c X
SSE = (Ȳijkl − Ȳijk· )2
i=1 j=1 k=1 `=1

97
i la taula ANOVA:

Font Variació g.l. Suma Quadrats Quadrats mitjans F

sstA
A a−1 sstA mstA = a−1
fA

sstB
B b−1 sstB mstB = b−1
fB

s2C
C c−1 mstC msC = c−1
fC

sstAB
AB (a − 1)(b − 1) sstAB mstAB = (a−1)(b−1)
fAB

mstAC
AC (a − 1)(c − 1) mstAC msAC = (a−1)(c−1)
fAC

mstBC
BC (b − 1)(c − 1) mstBC msBC = (b−1)(c−1)
fBC

mstABC
ABC (a − 1)(b − 1)(c − 1) mstABC msABC = (a−1)(b−1)(c−1)
fABC

sse
Error abc(r − 1) sse mse = abc(r−1)

Total abcr
|{z} −1 S2
=n

on les lletres en minúscula fan referència a les realitzacions dels estadı́stics que porten la
msi
mateixa lletra en majúscula. En particular, fi és la realització de l’estadı́stic Fi = mse ,
per a i = A, B, C, AB, AC, BC, ABC, i els graus de llibertat residuals s’obtenen restant

abcr − 1 − (a − 1) + (b − 1) + (c − 1) + (a − 1)(b − 1) + (a − 1)(c − 1) + (b − 1)(c − 1)+

(a − 1)(b − 1)(c − 1) = abcr − 1 + 1 − abc = abc(r − 1)

i la hipòtesi H0i es contrasta amb el valor de Fi , de la manera habitual.

Observacions:
1) Si r = 1 no podem estimar l’error, llevat que poguéssim suposar, per exemple, que la
interacció de tercer ordre entre A, B i C és inexistent. En aquest cas, M STABC jugaria
el paper de la suma de quadrats residuals o de l’error, amb (a − 1)(b − 1)(c − 1) graus de
llibertat i tota la resta funcionaria de manera anàloga.
2) Si és factible suposar que el factor C no interacciona amb els altre dos, per exemple,
M STAC , M STBC i M STABC passarien a afegir-se a la suma de quadrats residuals o
de l’error, i passaria el mateix amb els seus graus de llibertat, quedant-nos un disseny
factorial com el de dos factors amb un factor bloc, on els dos factors serien l’A i el
B, i el factor “bloc” seria el C. Des del punt de vista dels càlculs, la diferència entre que
un factor sigui “bloc” o no, és que si és bloc, no interacciona amb cap altre i si no ho és,
ho pot fer.

98
• Exemple:

Un embotellador de beguda gasosa desitja obtenir més uniformitat en l’altura d’ompliment

de les ampolles que surten del seu procés de manufactura. En teoria, la màquina em-
botelladora introdueix lı́quid a cada ampolla fins a l’altura objectiu correcta, però a la
pràctica existeix variació al voltant d’aquest objectiu, i el fabricant voldria comprendre
millor les fonts d’aquesta variabilitat per poder-la reduir.
Es poden controlar 3 variables durant el procés d’ompliment de les ampolles, que són:
percentatge de carbonatació (factor A),
pressió de treball en la màquina que omple les ampolles (factor B), i
nombre d’ampolles que s’omplen per minut, o velocitat de la lı́nia de producció (factor C).
S’agafen a = 3 nivells per al percentatge de carbonatació, que són: 10, 12 i 14 %. Per a
la pressió s’agafen b = 2 nivells: 25 i 30 psi, i també c = 2 nivells per a la velocitat de
lı́nia: 200 i 250 ampolles per minut (apm).
Es decideix fer r = 2 rèpliques completes d’un disseny factorial amb aquests 3 factors, i el
total de n = 2×3×2×2 = 24 observacions s’agafen en ordre aleatori, com és habitual. La
variable resposta observada és la desviació mitjana respecte l’altura d’omplert objectiu
que s’observa (les desviacions positives són altures d’omplert que excedeixen l’objectiu,
mentre que les desviacions negatives són altures que no assoleixen aquest objectiu.
A la següent taula es presenten les dades que resulten d’aquest experiment.
Presió (B)
25 30
Percentatge de Velocitat (C) Velocitat (C)
carbonatació (A) 200 250 200 250 yi··· ↓
10 -3 -1 -1 1
-1 0 0 1 -4
12 0 2 2 6
1 1 3 5 20
14 5 7 7 10
4 6 9 11 59
Totals B × C y·jk· → 6 15 20 34 y···· = 75
y·j·· → 21 54

99
Totals A × B (yij·· )
B
A 25 30
10 -5 1
12 4 16
14 22 37

Totals A × C (yi·k· )
C
A 200 250
10 -5 1
12 6 14
14 25 34
La taula ANOVA per a les dades del problema és:
Font de Suma de Graus de Quadrats F
variació quadrats llibertat mitjans
A 252.750 2 126.375 178.412a
B 45.375 1 45.375 64.059a
C 22.042 1 22.042 31.118a
AB 5.250 2 2.625 3.706b
AC 0.583 2 0.292 0.412
BC 1.042 1 1.042 1.471
ABC 1.083 2 0.542 0.765
Error 8.500 12 0.708
Total 336.625 23
(a indica que el valor f és significatiu a l’1 per cent, és a dir, agafant α = 0.01, i b que
ho és al 10 per cent, és a dir, amb α = 0.10)
Es veu que els 3 factors afecten la variable resposta. A més existeix una petita interacció
entre A i B. Com a material per a ajudar-nos en la interpretació pràctica dels resultats
dibuixem les següents gràfiques:
Gràfiques d’efectes principals: es dibuixa la resposta mitjana marginal per als nivells dels
3 factors. Es veu que tots 3 presenten efecte “positiu”, ja que en augmentar el nivell,
augmenta la resposta.
Gràfica de la interacció (entre A i B): mostra una lleugera interacció.
Com que el que es desitja és que la variable resposta (desviació mitjana respecte al valor
objectiu d’ompliment) sigui propera a 0, s’escull: nivell de B baix (25 psi), nivell de C
baix (200 apm), i nivell A també baix.

100
101
102
 PER RECORDAR...

Sobre el disseny factorial de 3 factors...

• El model matemàtic associat

• Les hipòtesis a testar sobre el model

• La taula ANOVA del disseny factorial de 3 factors

• Què passa si el nombre de rèpliques, r, és 1

• Què es fa si un factor no interacciona amb els altres dos

• Les gràfiques auxiliars per a la interpretació de resultats

103
4.3 Els dissenys 2k
El disseny factorial 2k és un disseny factorial en el que tots els (k) factors tenen el mateix
nombre de nivells, 2, que es denoten per “−” i per “+”. El nombre total d’observacions
en cada rèplica completa del disseny 2k és, precisament, 2k , d’on li ve el nom.
Aquests dissenys s’utilitzen molt. Són particularment útils en els “experiments d’escrutini”,
amb els que es vol “detectar” els factors que influeixen la variable resposta sota estudi.
Per a fer-ho es consideren molts factors però només a 2 nivells cadascú. Un cop iden-
tificats els factors que sı́ influeixen la variable resposta, es realitza un altre experiment,
considerant ara aquests factors però amb més de dos nivells cadascun, per tal d’“afinar”
més en les conclusions de l’experiment.

• El disseny 22 .

Considerarem en primer lloc l’estudi del disseny 22 , de dos factors, diguem A i B, a dos
nivells cadascú (que denotem per “−” i “+”). Farem r rèpliques completes del disseny i,
en total, tindrem n = 2 × 2 × r = 4 × r observacions.
En realitat, aquest disseny ja l’hem fet a la secció 3.2. N’és un cas particular, ja que ara
considerem que a = b = 2. Perquè ho fem, doncs? Perquè el fet que els dos factors tinguin
només dos nivells cadascú fa que els càlculs necessaris per a obtenir la taula ANOVA es
puguin fer de manera molt més fàcil que si se segueix la metodologia general (de la secció
3.2). A més, és prou senzill, pel fet d’agafar només dos factors, com per a poder introduir
tot una sèrie d’idees que després es generalitzaran a més factors.
Veiem, doncs, en què consisteix el disseny 22 .
? En primer lloc veiem la forma “normal” del disseny, que és una matriu que ens indica
les condicions experimentals (o tractaments), i que és molt fàcil de construir. Tindrem
22 = 4 condicions experimentals, la forma estàndard de les quals (o “normal”) és:

A B y AB
1 − − (1) +
2 + − a −
3 − + b −
4 + + ab +

on la primera columna és el número d’ordre de la condició experimental; per exemple, la

condició experimental 2 correspon a agafar el nivell “+” del factor A i el nivell “−” del
factor B (en aquest cas tan senzill de només dos factors sembla redundant, però quan el
nombre de factors és gran resulta extremament útil la forma “normal” del disseny).
La columna y conté la suma de les r respostes obtingudes per a cada condició experimen-
tal, de la variable Y . Aquestes sumes es denoten per (1), a, b o ab: la presència d’una a
indica que el factor A estava a nivell “+”, la presència d’una b que el factor B estava al
nivell “+” i les respectives absències que es trobaven a nivell “−”. Es fa servir (1) per
denotar la suma que correspon a la condició experimental que té els dos factors a nivell
“−”.
La columna “AB” es farà servir per a estudiar la possible interacció entre els dos factors,
ja veurem com, i s’obté de les columnes “A” i “B” multiplicant els signes.

104
? Un cop tinguem recollides les dades estimarem els efectes principals, que són els efectes
dels factors A i B. Denotarem la estimació de l’efecte principal d’un factor per la mateixa
lletra que fem servir per referir-nos al factor. Aixı́,

1

A = ȳA+ − ȳA− = (ab + a) − (b + (1))
2r

1

B = ȳB+ − ȳB− = (ab + b) − (a + (1))
2r

ja que l’efecte d’un factor és el canvi mitjà que es produeix en la variable resposta degut
a un canvi de nivell en el factor, passant de nivell “−” a nivell “+”.
Aquı́ ȳA+ denota la mitjana de les observacions obtingudes amb nivell “+” del factor A.
Hi ha un total de 2 × r observacions que s’hagin obtingut amb nivell “+” del factor A i
la seva suma és ab + a; per tant,

1

ȳA+ = ab + a
2r
Anàlogament,

1
1
1

ȳA− = b + (1) , ȳB+ = ab + b i ȳB− = a + (1)
2r 2r 2r
i d’aquı́ la expressió obtinguda per als efectes principals.

Noteu que l’efecte de cada factor es calcula agafant els valors de la columna “y” sumant
o restant segons indiqui el signe de la columna del factor, i dividint per 2 × r, que és el
nombre total d’observacions amb cada signe (la meitat de 22 r). Gràcies al signes podem
calcular, doncs, molt fàcilment els efectes principals.

Encara que aquest cas és molt senzill, es fa servir la representació gràfica de la figura
següent de la manera en que es calculen els efectes principals dels factors:

B+ b ab

B− a
(1)

A− A+

105
? També podrem estimar la interacció de segon ordre (és a dir, la interacció entre els dos
factors), de la següent manera:

11
AB = diferència de l’efecte de passar A de “−” a “+” quan B és a “+”,
r 2


menys el mateix quan B és a “−” =
1
1

(ab − b) − (a − (1)) = (ab + (1)) − (a + b)
2r 2r

(aquesta última manera d’expressar l’efecte de la interacció entre A i B, que denotem per
AB, és per resaltar que es calcula com es feia amb l’efecte dels factors principals, però
amb els signes de la columna “AB”, que precisament per a això l’havı́em construı̈t).

? L’interès en calcular els efectes principals i l’efecte de la interacció és, principalment, el

d’ajudar-nos a calcular les sumes de quadrats que necessitem per a fer la taula ANOVA
per a aquest disseny.
Concretament,


2
2 
2
2
SSTA = 2 r ȳA+ − ȳ + ȳA− − ȳ = r ȳA+ − ȳA− = r efecte d’A = r A2 .

Anàlogament,

SSTB = r B 2
SSTAB = r (AB)2

A més, com en el cas del disseny factorial de dos factors en general (amb qualsevol nombre
de nivells per factor), tenim que la suma de quadrats de l’error és

SSE = S 2 − SA2 − SB2 − SSTAB

La taula ANOVA és la mateixa que pel cas del disseny factorial de dos factors en general,
però les sumes de quadrats es calculen com acabem de veure, que és més senzill:

Font Variació g.l. Sumes Quadrats Quadrats Mitjans F

A a−1=1 sstA = r A2 sstA fA = sst
sse
A

r
sstB

B b−1=1 sstB = r B 2 sstB fB = sse
r
2 sstAB
AB (a − 1)(b − 1) = 1 sstAB = r (AB) sstAB fAB =

sse
r
sse
Error ab(r − 1) = 4 (r − 1) sse 4 (r−1)
Total n − 1 = 4r − 1 s2

106
La decisió sobre les hipòtesis que es plantegen es fa de la manera habitual:
1,4 (r−1)
Es rebutja H0A : no hi ha efecte del factor A, si fA > F1−α
1,4 (r−1)
Es rebutja H0B : no hi ha efecte del factor B, si fB > F1−α
1,4 (r−1)
Es rebutja H0AB : no hi ha efecte de la interacció AB, si fAB > F1−α

• Exemple de disseny 22 .

A un laboratori quı́mic es vol estudiar l’efecte de la concentració de cert reactiu i de la

presència de cert catalitzador sobre el temps de reacció d’un procés quı́mic. Per tant, hi
ha dos factors a considerar, el factor A serà la concentració del reactiu, que es pot trobar
a a = 2 nivells, “−” si és baixa (15 %) i “+” si és alta (20 %). El factor B és la quantitat
de catalitzador, que també te b = 2 nivells, el nivell “−” és la quantitat baixa (1 unitat) i
el nivell “+” és la quantitat alta (2 unitats). La variable resposta és el temps de reacció,
que interessa que sigui el més petit possible.
Es porta a terme un disseny factorial (de dos factors, a dos nivells cadascú, és a dir, un
disseny 22 ), amb r = 3 rèpliques i, per tant, un total de n = 22 × 3 = 12 observacions,
que són les següents:

Rèplica
Tractament I II III Total (y)
A baixa, B baixa (−, −) 28 25 27 80=(1)
A alta, B baixa (+, −) 36 32 32 100=a
A baixa, B alta (−, +) 18 19 23 60=b
A alta, B alta (+, +) 31 30 29 30=ab

Calculem en primer lloc els efectes, per tal de poder calcular amb facilitat les sumes de
quadrats i fer la taula ANOVA:

1

A = 2×3
(ab + a − b − (1)) = 8.33 
1
B = 2×3
(ab + b − a − (1)) = −5.00
1 
AB = 2×3
(ab + (1) − a − b) = 1.67

Llavors les sumes de quadrats són


SSTA = 3 × (8.333)2 = 208.33 
SSTB = 3 × (−5.00)2 = 75.00

SSTAB = 3 × (1.67)2 = 8.33

i la taula ANOVA queda de la següent manera:

Font Variació g.l. Sumes Quadrats Quadrats Mitjans F

A a−1=1 208.33 208.33 fA = 53.15
B b−1=1 75.00 75.00 fB = 19.13
AB (a − 1)(b − 1) = 1 8.33 8.33 fAB = 2.13
Error 4 (r − 1) = 8 31.34 3.92
Total n − 1 = 11 323.00

107
 Alto (2 sacos) + b=60(18+19+23) ab=90(31+30+29)
Cantidad de catalizador B

Bajo (1 saco) − (1) =80(28+25+27) a=100(36+32+32)

Bajo (15%) − Alto (25%) +

Concentración de reactivo A

1,8
Com que F1−α = 5.32 amb α = 0.05, resulta que els dos factors tenen efectes significatius,
però no en té la seva interacció. Per tant, si no hi ha interacció però sı́ efecte dels dos
factors, aquests s’han de posar en els nivells que permetin optimitzar la variable resposta.
Com que l’efecte del factor A és positiu, interessa posar-lo al nivell “−” i com que l’efecte
del factor B és negatiu, interessa posar-lo al nivell “+”.
Conclusió: la concentració del reactiu i la quantitat de catalitzador no interaccionen,
però tots dos influeixen en la temperatura de reacció. Per tal de minimitzar-la interessa
fer servir un 15 % de reactiu i 2 unitats de catalitzador.

• El disseny 23 .

Considerem ara l’estudi del disseny 23 , de tres factors, diguem A, B i C, a dos nivells
cadascú (que denotem per “−” i “+”). Farem r rèpliques completes del disseny i, en
total, tindrem n = 2 × 2 × 2 × r = 8 × r observacions.
En realitat, aquest disseny també l’hem fet ja, a la secció 3.8. N’és un cas particular, ja
que ara considerem que a = b = c = 2. Ho fem, com en el cas del disseny 22 , perquè el
fet que els tres factors tinguin només dos nivells cadascú fa que els càlculs necessaris per
a obtenir la taula ANOVA es puguin fer de manera molt més fàcil que si se segueix la
metodologia general (de la secció 3.8).
? En primer lloc veiem la forma “normal” del disseny que, com en el cas del disseny 22 ,
és una matriu que ens indica les condicions experimentals (o tractaments), i que és molt
fàcil de construir. Tindrem ara 23 = 8 condicions experimentals, la forma estàndard de
les quals (o “normal”) és:

108
 A B C y AB AC BC ABC
1 - - - (1) + + + -
2 + - - a - - + +
3 - + - b - + - +
4 + + - ab + - - -
5 - - + c + - - +
6 + - + ac - + - -
7 - + + bc - - + -
8 + + + abc + + + +

on la primera columna és el número d’ordre de la condició experimental; per exemple,

la condició experimental o tractament 2 correspon a agafar el nivell “+” del factor A,
el nivell “−” del factor B i el nivell “−” del factor C, la columna y conté la suma de
les r respostes obtingudes per a cada condició experimental, de la variable Y . Aquestes
sumes es denoten per (1), a, b, c, ab, ac, bc o abc segons la condició experimental amb la
qual s’hagin recollit: la presència d’una a indica que el factor A estava a nivell “+”, la
presència d’una b que el factor B estava al nivell “+”, la presència d’una c que el factor C
estava al nivell “+” i les respectives absències que es trobaven a nivell “−”. Es fa servir
(1) per denotar la suma que correspon a la condició experimental que té els dos factors
a nivell “−”.
Les columnes “AB”, “AC”, “BC” i “ABC” es fan servir per a estudiar la possible
interacció entre les parelles de dos factors i entre tots tres factors, de manera anàloga a
com es feia per a dos factors, i s’obtenen de les columnes “A”, “B” i “C” multiplicant-les
amb la regla dels signes (la columna “ABC” es troba multiplicant la columna “A” per la
“BC”, o la columna “B” per la “AC”, o la columna “C” per la “AB”, donarà el mateix).

Fent servir totes les columnes de signes podem calcular fàcilment els efectes principals
dels factors, les interaccions de segon ordre (entre dos dels factors) i la interacció de tercer
ordre (dels tres factors alhora):

1
A = ȳA+ − ȳA− = (abc + ac + ab + a − bc − c − b − (1))
4r

1
B = ȳB+ − ȳB− = (abc + bc + ab + b − ac − c − a − (1))
4r

1
C = ȳC+ − ȳC− = (abc + ac + bc + c − ab − a − b − (1))
4r
(aquı́ ȳA+ , per exemple, és la mitjana de totes les observacions obtingudes amb el factor
A a nivell “+”, etc.)

1
AB = ((1) + ab + c + abc − a − b − ac − bc)
4r

1
AC = ((1) + b + ac + abc − a − ab − c − bc)
4r

1
BC = ((1) + a + bc + abc − b − c − ac − bc)
4r

109
 1
ABC = (a + b + c + abc − (1) − ab − ac − bc)
4r

bc abc

Alto + c
ac

Factor C
b Alto +
ab
Factor B
Bajo − (1)
a Bajo −

Bajo − Factor A Alto +

Noteu que la interacció AB, per exemple, és un mig de la diferència entre l’efecte mitjà
del factor A quan el factor B es troba a nivell “+” i quan es troba a nivell “−”, és a dir,

1 (ab + abc) − (b + bc) (a + ac) − ((1) + c)

AB = −
2 2r 2r
(de manera similar s’interpreten les interaccions AC i BC). En quant a la interacció
ABC, és un mig de la diferència mitjana entre l’efecte de la interacció AB quan el factor
C es troba a nivell “+” i quan es troba a nivell “−”, és a dir,

1 (c + abc) − (ac + bc) ((1) + ab) − (a + b)

ABC = −
2 2r 2r

Un cop calculats els efectes (tant els principals com els de les interaccions), es calculen
les sumes de quadrats amb la següent fórmula:

Al disseny 2k , la suma quadrats d’un efecte = (efecte)2 2k−2 r

(en particular, per k = 3, que és el cas que ens ocupa ara, tindrem que la suma de
quadrats d’un efecte és (efecte)2 2 r ).
Justificació de la fórmula: Per exemple, si l’efecte és l’efecte principal del factor A (els
altres es farien de manera anàloga), tindrı́em, fent servir la definició de la suma de
quadrats associada a un factor, que

SA2 = r 2k−1 (ȳA+ − ȳ)2 + (ȳA− − ȳ)2 ,
ȳA+ +ȳA−
Resulta que ȳ = 2
i, per tant, substituint a la expressió que tenı́em per a SA2 ,
tindrem que

110
 ȳA+ − ȳA− 2 ȳA− − ȳA+ 2


SA2 = r 2k−1 ( ) +( ) = r 2k−2 (ȳA+ − ȳA− )2 = (efecte)2 2k−2 r
2 2

Veiem ara com queda la taula ANOVA pel disseny 23 amb r rèpliques:

Font Variació Suma Quadrats g.l. Quad. Mitj. F

mstA
A sstA = A2 2 r 1 mstA = sstA fA = mse

mstB
B sstB = B 2 2 r 1 mstB = sstB fB = mse

msC
C sstC = C 2 2 r 1 mstC = sstC fC = mse

mstAB
AB sstAB = (AB)2 2 r 1 mstAB = sstAB fAB = mse

mstAC
AC sstAC = (AC)2 2 r 1 msAC = mstAC fAC = mse

mstBC
AC sstBC = (BC)2 2 r 1 msBC = mstBC fBC = mse

mstABC
ABC sstABC = (ABC)2 2 r 1 msABC = mstABC fABC = mse

sse
Error sse n−1−7=n−8 mse = n−8

Total s2 n−1

amb
sse = s2 − sstA − sstB − sstC − sstAB − sstAC − sstBC − sstABC
la suma de quadrats residuals.

Fixat un nivell de significació α, es rebutja la hipòtesi nul.la H0i : no hi ha efecte del

1, n−8
factor i, si el valor fi trobat a la taula ANOVA és més gran que F1−α (aquı́ i =
A, B, C, AB, AC, BC o ABC).

Nota: Com sempre, si sabem que alguna de les interaccions no pot donar-se, afegirı́em
la seva suma de quadrats i els seus graus de llibertat (que són 1) a la suma de quadrats i
els graus de llibertat, respectivament, residuals. En particular, això s’ha de poder fer, al
menys amb la interacció de tercer ordre (ABC) en el cas que tinguem només una rèplica
del disseny (r = 1), ja que si no els graus de llibertat residuals són 0 i no podem estimar
l’error.

• Exemple de disseny 23 .

Un enginyer intenta millorar la duració d’una eina de metall que es fa servir per tallar cert
tipus de material (es tracta, doncs, de maximitzar la variable resposta, que és la duració
de l’eina). Per tal de fer-ho, realitza un experiment 23 , és a dir, considera 3 factors: el
factor A, que és la velocitat de tall de l’eina, amb a = 2 nivells; el factor B, que és la

111
duresa del metall del qual s’ha construı̈t l’eina, amb b = 2 nivells, i el factor C, que és
l’angle de tall, també a dos c = 2 nivells. S’han fet dues rèpliques (r = 2) i, per tant, es
tenen n = 23 2 = 16 observacions, que apareixen a la següent taula, juntament amb la
seva suma per tractament o condició experimental (que forma la columna “y):

A B C Rèplica I Rèplica II y=Suma

1 - - - 221 311 532=(1)
2 + - - 325 435 760=a
3 - + - 354 348 702=b
4 + + - 552 472 1024=ab
5 - - + 440 453 893=c
6 + - + 406 377 783=ac
7 - + + 605 500 1105=bc
8 + + + 392 419 811=abc

Ens demanem les següents qüestions:

a) Afecta algún dels factors a la duració de l’eina?

b) Quina combinació de nivells dels factors dóna una duració més gran per a l’eina?
c) Existeix alguna combinació de nivells dels factors velocitat de tall i angle de tall que
sempre doni bons resultats, independentment de la duresa del metall?

Per tal de contestar aquestes preguntes, el primer que hem de fer és construir la taula
ANOVA del disseny i, per a fer-ho, calculem primer els efectes dels factors i de les inte-
raccions, a partir de les columnes de signes:

A B C AB AC BC ABC
- - - + + + -
+ - - - - + +
- + - - + - +
+ + - + - - -
- - + + - - +
+ - + - + - -
- + + - - + -
+ + + + + + +

1
A = (811 + 783 + 1024 + 760 − 532 − 702 − 893 − 1105) = 18.25
8
1
B = (811 + 1105 + 1024 + 702 − 532 − 760 − 893 − 783) = 84.25
8
1
C = (811 + 1105 + 783 + 893 − 532 − 1024 − 702 − 760) = 71.75
8

112
 1
AB = (532 + 1024 + 893 + 811 − 760 − 702 − 783 − 1105) = −11.25
8
1
AC = (532 + 702 + 783 + 811 − 760 − 1024 − 893 − 1105) = −119.25
8
1
BC = (532 + 760 + 1105 + 811 − 702 − 1024 − 893 − 783) = −24.25
8
1
ABC = (760 + 702 + 893 + 811 − 532 − 1024 − 783 − 1105) = −34.75
8

La taula ANOVA és

Font Variació Suma Quadrats g.l. Quad. Mitj. F

A A2 2 r = 1332.25 1 1332.25 0.541015

B B 2 2 r = 28392.25 1 28392.25 11.529847
C C 2 2 r = 20592.25 1 20592.25 8.3623335
AB (AB)2 2 r = 506.25 1 506.25 0.205583
AC (AC)2 2 r = 56882.25 1 56882.25 23.09939
BC (BC)2 2 r = 2352.25 1 2352.25 0.955228
ABC (ABC)2 2 r = 4830.25 1 4830.25 1.961522
Error sse = 19700 n−8=8 2462.5
Total s2 = 134587.75 n − 1 = 15

(6610)2
on s2 s’ha calculat com s2 = 2865344 − 16
i sse com s2 − sstA − · · · − mstABC .
Si mirem a la taula de la distribució F , amb 1 i 8 graus de llibertat, amb α = 0.05 obtenim
1,8 1,8
que F1−α = 5.32 i si agafem α = 0.01, llavors F1−α = 3.46. En totes dues situacions ens
surt que hi ha efecte significatiu dels factors B i C i de la interacció AC, i no de la resta.
Per tant, la resposta a la qüestió a) és: afecten els factors B i C. A més, el factor A
interacciona amb el C i, per això, també ha de ser tingut en compte.
Per contestar a la qüestió b) hem de tenir en compte que com que el factor B no inter-
acciona amb cap dels altres i el seu efecte és positiu, de cara a maximitzar la variable
resposta, hem de posar B a nivell “+”. Per veure a quin nivell hem de posar els altres
dos factors, com que aquests sı́ que interaccionen entre sı́, hem de fer la gràfica de les
interaccions.
Amb ella veiem que, dels quatre punts, el que fa màxima la resposta és A a nivell “−” i
C a nivell “+”. Per tant, la resposta a la qüestió b) és:

A− , B+ , C+

Finalment, la resposta a la qüestió c) és: sı́, la combinació

A− , C+

que no depèn del factor B, ja que no hi ha interacció entre B i cap dels altres dos factors.

113
 1000
999
A−
900
892
A+
800
797

700
617
600
− + C

• Un exemple de disseny 24 .

A partir dels dissenys 22 i 23 que hem tractat, ja es veu com s’estudiaria un disseny 2k ,
amb k qualsevol nombre de factors. Com que és llarg d’escriure en general, veurem per
acabar un exemple concret de disseny 24 , és a dir, un disseny factorial amb k = 4 factors,
A, B, C i D, a dos nivells cadascú (que denotem per “−” i “+”). Farem r = 1 rèplica
completa del disseny en aquest cas i, en total, tindrem n = 24 = 16 observacions.

L’exemple és el següent: un producte quı́mic es produeix en un recipient a pressió. Es

realitza un experiment a la planta pilot per tal d’estudiar l’efecte (possible) de quatre
factors sobre la velocitat de filtració del producte (en galons per hora), que és la variable
resposta Y . Els factors són:
A → temperatura
B → pressió
C → concentració dels reactius
D → rapidesa de la barreja
Naturalment, les 16 observacions s’agafen en ordre aleatori. L’enginyer de procés està
interessat en maximitzar la variable resposta (velocitat de filtració). Actualment els valors
de la variable resposta són de l’ordre de 75 gal/h, i es fa servir un nivell alt del factor C
(concentració del reactiu). L’enginyer voldria reduir tot el possible aquesta concentració,
però no ha estat capaç de fer-ho, “a ull”, sense disminuir la variable resposta, cosa que
no vol. Veurem ara si, gràcies al disseny d’experiments, troba com fer-ho.

Les dades de l’experiment són:

114
 Factor
Tractament A B C D y
1 - - - - (1)= 45
2 + - - - a = 71
3 - + - - b = 48
4 + + - - ab = 65
5 - - + - c = 68
6 + - + - ac = 60
7 - + + - bc = 80
8 + + + - abc = 65
9 - - - + d = 43
10 + - - + ad = 100
11 - + - + bd = 45
12 + + - + abd = 104
13 - - + + cd = 75
14 + - + + acd = 86
15 - + + + bcd = 70
16 + + + + abcd = 96
Començarem

per calcular els efectes (tant els efectes principals dels

4 factors, com les
4 4
2
= 6 interaccions de segon ordre entre parelles de factors, les 3 = 4 interaccions de
tercer ordre entre tres dels factors i la interacció de quart ordre entre els 4 factors), a
partir de les columnes de signes, que es troben de la manera obvia, a partir del que hem
vist,

A B AB C AC BC ABC D AD BD ABD CD ACD BCD ABCD

- - + - + + - - + + - + - - +
+ - - - - + + - - + + + + - -
- + - - + - + - + - + + - + -
+ + + - - - - - - - - + + + +
- - + + - - + - + + - - + + -
+ - - + + - - - - + + - - + +
- + - + - + - - + - + - + - +
+ + + + + + + - - - - - - - -
- - + - + + - - - - + - + + -
+ - - - - + + + + - - - - + +
- + - - + - + + - + - - + - +
+ + + - - - - + + + + - - - -
- - + + - - + + - - + + - - +
+ - - + + - - + + - - + + - -
- + - + - + - + - + - + - + -
+ + + + + + + + + + + + + + +

Els efectes són els de la següent taula, ordenats de més gran a més petit, i al costat posem
les seves sumes de quadrats, tenint en compte que

1
1

efecte = k−1
··· − ··· = ··· − ···
r2 8

115
on els primers punts suspensius són els r 2k−1 valors de la columna “y” que tenen signe
“+” a la columna de signes de l’efecte, i els segons punts suspensius són els que tenen
signe “−”. A més,

Suma de quadrats de l’efecte = (efecte)2 2k−2 r = (efecte)2 4

Efecte Suma de Quadrats

A=21.625 sstA = 1870.5625
AD= 16.625 s2AD = 1105.5625
D =14.625 s2D = 855.5625
C = 9.875 mstC = 390.0625
ABD = 4.125 s2ABD = 68.0625
B = 3.125 sstB = 39.0625
BC = 2.375 mstBC = 22.5625
ABC = 1.875 mstABC = 14.0625
ABCD = 1.375 s2ABCD = 7.5625
AB = 0.125 sstAB = 0.0625
CD = -0.375 s2CD = 0.5625
BD = -1.125 s2BD = 5.0625
ACD = -1.625 s2ACD = 10.5625
BCD = -2.625 s2BCD = 27.5625
AC = -18.125 mstAC = 1314.0625

Per tal de fer la taula ANOVA necessitem també calcular la suma de quadrats total:

s2 == 5730.9375 .

Amb r = 1 rèplica no podem estimar l’error i, per tant, la metodologia ANOVA que hem
desenvolupat no es pot fer servir. Afortunadament, però, se sap que els quatre factors
no poden interaccionar alhora (és a dir, que no hi ha interacció ABCD, cosa que sembla
raonable tenint en compte el valor tan baix, en valor absolut, obtingut per a aquesta
interacció). Llavors, “passem” la interacció ABCD a l’error (per tant, sse = s2ABCD ,
amb 1 grau de llibertat) i la taula ANOVA ens queda aixı́:

116
 Font Variació Suma Quadrats g.l. Quad. Mitj. F

A 1870.5625 1 1870.5625 fA = 244.43809

B 39.0625 1 39.0625 fB = 5.10454
C 390.0625 1 390.0625 fC = 50.97190
D 855.5625 1 855.5625 fD = 111.80169
AB 0.0625 1 0.0625 fAB = 0.00817
AC 1314.0625 1 1314.0625 fAC = 171.71676
AD 1105.5625 1 1105.5625 fAD = 144.47076
BC 22.5625 1 22.5625 fBC = 2.94838
BD 5.0625 1 5.0625 fBD = 0.66155
CD 0.5625 1 0.5625 fCD = 0.07351
ABC 14.0625 1 14.0625 fABC = 1.83763
ABD 68.0625 1 68.0625 fABD = 8.89415
ACD 10.5625 1 10.5625 fACD = 1.38027
BCD 27.5625 1 27.5625 fBCD = 3.60176
Error (ABCD) 7.5625 1 7.5625
Total 5730.9375 15

1,1
Mirant a la taula de la F , resulta que F1−0.05 = 161.4 i, per tant, són significatius els
efectes:

A i AC
1,1
Si agafem α = 0.10, llavors F1−0.10 = 39.86 i resulten significatius

A, C, D, AC i AD

L’efecte dels factors A, C i D és positiu en els tres casos. Quant a les interaccions, hem
de fer els gràfics per a AC i per a AD.
Llavors, la variable resposta es maximitza quan els factors A i D es troben a nivell “+”
i el factor C es troba a nivell “−”. El factor B no afecta ni interacciona amb els altres,
aixı́ que es pot posar al nivell que més ens convingui per altres criteris (que no siguin la
optimalitat de la variable resposta, com ara reducció de costos, etc.).
Veiem que amb un nivell baix del factor C (que és el que l’enginyer desitjava) hem
aconseguit optimitzar la variable resposta, gràcies a que hem “jugat” adequadament amb
els altres factors i al disseny factorial.

117
 Rapidez de filtración promedio(gal/h) Rapidez de filtración promedio(gal/h)

40

50

60

70

90
80
40

50

60

70

90
80

−
−

Interacción AC
118

C=−
Interacción AD
A

C=+
+

D=+
D=−
 PER RECORDAR...

• El disseny 2k és un disseny factorial amb k factors a 2 nivells cadascú.

• Què és la forma “normal” del disseny.

1

• El càlcul dels efectes com efecte = · · · − · · ·
r 2k−1

on els primers punts suspensius són els r 2k−1 valors de la columna “y” que tenen

signe “+” a la columna de signes de l’efecte, i els segons punts suspensius són els que

tenen signe “−”, si al disseny es fan r rèpliques.

• Suma de quadrats de l’efecte = (efecte)2 2k−2 r

• A partir de les sumes de quadrats es fan la taula ANOVA i els tests F com sempre.

• Si r = 1 es necessita saber que alguna interacció (d’ordre alt) no existeix per passar

la seva suma de quadrats i els seus graus de llibertat al residu o error.

119