INSTITUTO TECNOLÓGICO

NACIONAL DE MÉXICO
INSTITUTO TECNOLÓGICO DE MINATITLAN

Análisis De Datos
Experimentales

Análisis De Diseños
Factoriales
UNIDAD V

DOCENT : Ing. Imelda Tenorio Prieto

E
MATERIA
: Análisis De Datos
Experimentales
EQUIP : Alvarado Cruz Carlos 18230080
O Jiménez Pavón Amparo Mariana
17230012
Quezada Solís Alejandro
C19231093

2021
índice
Introducción.................................................................................................................................................3
Análisis de diseños de factoriales.................................................................................................................7
¿Qué es un diseño factorial?....................................................................................................................7
¿Qué es un diseño factorial completo y un diseño factorial fraccionado?.............................................10
Diseños factoriales completos............................................................................................................10
Diseños factoriales fraccionados........................................................................................................10
¿Qué es un diseño factorial completo de 2 niveles?..........................................................................11
Comparación......................................................................................................................................11
2.1 Diseño factorial 2 a la k....................................................................................................................12
¿Qué es un diseño factorial 2 k?.............................................................................................................12
2.2 Diseño factorial 3 a la k....................................................................................................................17
Glosario......................................................................................................................................................19
Bibliografía................................................................................................................................................20
Introducción

Un diseño experimental es un esquema de cómo realizar un experimento. El objetivo

fundamental de los diseños experimentales radica en el determinar si existe una diferencia
significativa entre los diferentes tratamientos del experimento y en caso de que la respuesta es
afirmativa, cuál sería la magnitud de esta diferencia. Una segunda meta de los diseños
experimentales es verificar la existencia de una tendencia derivado del análisis de los datos del
experimento. La diferencia principal entre los diseños experimentales radica en la forma en
que se agrupan o clasifican las unidades experimentales.

En todos los diseños las unidades experimentales se clasifican por tratamientos; pero en
algunos, estos se clasifican preferentemente en bloques, filas, parcelas principales y otras
modalidades. El análisis de varianza utiliza las medias de dichos agrupamientos, denominadas
fuente de variación, para estimar varianzas o más precisamente cuadrados medios. Un
cuadrado medio que estima la dispersión entre mediciones de parcelas debidas a causas
aleatorias; esta se denomina error experimental. En ausencia de diferencias reales debidas a
medias de los tratamientos, bloques u otras fuentes de variación, dichos cuadrados medios
serán, en promedio, iguales. Sólo esporádicamente un cuadrado medio se desviará de otro de
manera considerable, exclusivamente por casualidad. Cuando una prueba F indica que el
cuadrado medio de una de las fuentes de variación es significativamente mayor que el
cuadrado medio debido a efectos aleatorios, decimos que existen diferencias reales entre las
medias de aquella fuente particular de variación; empero, recuérdese: siempre existe una
probabilidad definida de que estemos equivocados en semejante conclusión. Está en manos del
experimentador seleccionar las probabilidades para las cuales se encuentra dispuesto a
concluir que existen efectos reales.

- (Badii et al., 2007a-h, Rositas et al; 2007)

 Los diseños experimentales son importantes ya que le permiten al investigador mejorar un
proceso o sistema por medio de la observación de cambios en ellos a través de un
experimento. Para lo cual, el investigador necesita de herramientas estadísticas para poder
experimentar y obtener resultados que signifiquen una mejora, una corrección o una
estabilización en ese proceso o sistema.

Un tipo de diseño es el diseño factorial, en él se tienen dos o más factores, los cuales tienen
dos o más niveles, y se investigan todas las posibles combinaciones de los niveles de los
factores en cada ensayo completo o réplica del experimento. Estos factores se estudian porque
es principio se piensa que tienen un efecto conjunto de estos sobre una respuesta. El efecto de
un factor se define como el cambio en la respuesta producido por un cambio en el nivel del
factor. Con frecuencia, éste se conoce como efecto principal porque se refiere a los factores de
interés primordial del experimento.

Existen varios casos especiales del diseño factorial general que resultan importantes porque
se usan ampliamente en el trabajo de investigación, y porque constituyen la base para otros
diseños de gran valor práctico. El caso más importante en diseño factorial es el 2k , en el cual
se tienen k factores con dos niveles cada uno (superior, inferior). El diseño 2k resulta muy útil
cuando tenemos muchos factores por investigar ya que representa un número menor de
corridas con las cuales se pueden estudiar k factores en un diseño factorial completo.

Debido a que sólo hay dos niveles para cada factor, se debe suponer que la respuesta es
aproximadamente lineal en el intervalo de los niveles elegidos de los factores.

El modelo estadístico de diseño 2k incluye k efectos principales,

( k2) interacciones de dos factores

(3k) interacciones de tres factores
Y una interacción de k factores. Se puede decir que incluso para un número pequeño de

factores el número de combinaciones de tratamientos en un diseño 2k es grande.

 En ocasiones no se cuenta con los recursos necesarios para llevar a cabo el experimento
más de una vez por lo que el investigador se ve en la necesidad de realizar una sola vez el
experimento, a este tipo de diseño factorial 2k se le llama factorial no replicado.

- Montgomery 1991

Algunas pruebas estadísticas paramétricas consideran que el análisis para un diseño

factorial de una sola réplica puede llevarse a cabo graficando las estimaciones de los efectos
que son despreciables se distribuyen normalmente, con media cero y varianza σ2 , y tienden a
ubicarse a lo largo de una línea recta. Este método parece ser muy subjetivo ya que los
resultados dependen del criterio de cada persona lo cual lo hace un método muy aproximado.

Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen
varios factores para estudiar el efecto conjunto de éstos sobre una variable de interés. Existen
varios casos especiales del diseño factorial general que resultan importantes porque se usan
ampliamente en el trabajo de investigación, además de constituir la base para otros diseños de
gran valor práctico.

Uno de los mas importantes de estos casos especiales ocurre cuando se tienen k factores,
cada uno con dos niveles. Estos niveles pueden ser cuantitativos como sería el caso de dos
valores de temperatura, presión o tiempo, pero también pueden ser cualitativos como sería el
caso de dos máquinas, dos operadores, los niveles “superior” e “inferior” de un factor, o
quizás, la ausencia o presencia de un factor. Una replica completa de tal diseño requiere que se
recopilen

2 x 2 … x 2=2k

Observaciones y se conoce como diseño general 2k

Ejemplo

Para aumentar el rendimiento de una planta, existen muchos factores que influyen

directamente en el resultado, como puede ser el tipo de riego, el nivel de fertilización,

densidad de siembra, actividades culturales, la aplicación de hormonas, insecticidas, fecha de

siembra, etc.

Igual sucede con los animales, si se desea el aumento de peso, se puede lograr modificando

algunos factores, como es las dietas, las hormonas, el manejo y otros.

Cada uno de los factores puede tener varios niveles.

La fertilización puede ser 1.5, 2.0 o 2.5 kg por hectárea; igualmente el riego puede ser una

lámina de 1, 2 o 3 cm

Los diseños factoriales consisten en un análisis de varianza donde se van a probar dos o más

factores donde cada uno va a tener dos o más niveles. A cada factor se le llamará factor A, B,

C.etc., y los niveles de cada factor serán 0,1,2, 3.

Factor A Nivel 1 Nivel 2 Nivel 3

Aplicación de 0.05% 0.01% 0.15%
fertilizante
Factor B Nivel 1 Nivel 2
Densidad de 40 cm 50cm Nivel 3
siembra
Factor C Nivel 1 Nivel 2 Cada 3
Días de riego diario Cada 2 Cada
Análisis de diseños de factoriales

¿Qué es un diseño factorial?

Un diseño factorial es un tipo de experimento diseñado que permite estudiar los efectos que
varios factores pueden tener en una respuesta. Al realizar un experimento, variar los niveles de
todos los factores al mismo tiempo en lugar de uno a la vez, permite estudiar las interacciones
entre los factores.

En las siguientes gráficas, cada punto representa una combinación única de niveles de
factores.

Diseño de dos factores

 2 niveles del factor A

 3 niveles del factor B

Diseño de tres factores

2 niveles de cada factor

Se puede ejecutar el diseño factorial completo o una fracción del diseño factorial.

Cuando se tiene un diseño factorial con puntos centrales, se puede probar si existe
curvatura en la superficie de respuesta. Sin embargo, no puede modelar el efecto de esa
curvatura en ningún lugar, excepto en el punto central. En otras palabras, solo se puede
calcular los valores ajustados en los puntos de vértice y el punto central del diseño, por lo que
no puede crear una gráfica de contorno. Debe tener términos cuadráticos en el modelo a fin de
modelar la curvatura en toda la superficie de respuesta. Esto es posible con un diseño de
superficie de respuesta ampliando el diseño factorial con puntos axiales para crear un diseño
de superficie de respuesta central compuesto a partir de un diseño factorial.

Diseño factorial
 Es una prueba cuyo diseño consta de dos o más factores, cada uno de los cuales, con distintos

valores o niveles, cuyas unidades experimentales cubren todas las posibles combinaciones de

dichos niveles en todos los factores. Este tipo de experimentos permiten estudiar el efecto de

cada factor sobre la variable respuesta, así como el efecto de las interacciones entre factores

sobre dicha variable.

Video

https://www.youtube.com/watch?v=s48ZO5YgZuc

Ejemplo

Suponga que un ingeniero desea estudiar la energía total usada por cada uno de dos diferentes

motores, A y B, funcionando cada uno en alguna de las siguientes dos velocidades: 2000 o

3000 RPM.

El experimento factorial consistiría en cuatro elementos experimentales:

motor A, a 2000 RPM, motor B a 2000 RPM, motor A a 3000 RPM, y motor B a 3000 RPM.

Cada combinación de un solo nivel seleccionado con cada factor está presente una vez.

Este experimento es un ejemplo de un experimento factorial de 22 (o 2x2), nombrado así

porque considera dos niveles (la base) para cada uno de dos factores (la potencia o exponente),

o #niveles#factores, produciendo 22=4 puntos factoriales.

Los diseños pueden implicar muchas variables independientes. otro ejemplo, los efectos de tres

variables entradas se pueden evaluar en ocho condiciones experimentales ilustradas como las

esquinas de un cubo.

Esto se puede conducir con o sin repetición, dependiendo de su propósito previsto y recursos

disponibles. Proporcionará los efectos de las tres variables independientes en la variable

dependiente y las interacciones posibles (en caso de haber más de 3 se habla de un hiperespacio).
La técnica fundamental consiste en repartir el total en componentes mediante sumas de

cuadrados. Esta técnica tuvo efectos secundarios en el modelo.

Por ejemplo

Demostramos el modelo para un ANOVA simplificado con un tipo de tratamiento en diversos

niveles.
SC
total =SCerror +SCtratamientos

Los grados de libertad se pueden repartir de manera similar y especifican distribuciones chi-

cuadrado que describen las sumas asociadas de cuadrados.

gl
total = glerror + gltratamientos

¿Qué es un diseño factorial completo y un diseño factorial fraccionado?

Diseños factoriales completos

 Un diseño factorial completo es un diseño en el cual los investigadores miden las respuestas
para todas las combinaciones de niveles de los factores. Minitab ofrece dos tipos de diseños
factoriales completos:

 Diseños factoriales completos de 2 niveles que solo contienen factores de 2 niveles.

 Diseños factoriales completos generales que contienen factores con más de dos niveles.
El número de corridas necesarias para un diseño factorial completo de 2 niveles es 2k, donde k es
el número de factores. A medida que aumenta el número de factores incluidos en un diseño
factorial de 2 niveles, el número de corridas necesarias para realizar un diseño factorial completo
aumenta rápidamente. Por ejemplo, un diseño factorial completo de 2 niveles con 6 factores
requiere 64 corridas, un diseño con 9 factores requiere 512 corridas. Un diseño factorial
fraccionado de un medio requeriría solo la mitad de esas corridas.

Diseños factoriales fraccionados

Un diseño fraccionado es un diseño en el cual los investigadores solo realizan un

subconjunto seleccionado o "fracción" de las corridas experimentales incluidas en el diseño
factorial completo. Los diseños factoriales fraccionados son una opción adecuada cuando los
recursos son limitados o el número de factores incluidos en el diseño es grande, porque utilizan
menos corridas que los diseños factoriales completos.

Un diseño factorial fraccionado utiliza un subconjunto de un diseño factorial completo,

por lo que parte de los efectos principales y las interacciones de 2 factores se confunden y no se
pueden separar de los efectos de otras interacciones de orden superior. Por lo general, los
investigadores están dispuestos a presuponer que los efectos de orden superior son insignificantes
para obtener información sobre los efectos principales y las interacciones de orden bajo con
menos corridas.

Ejemplo

Con dos factores y dos niveles en cada factor, un experimento factorial tendría en total cuatro

combinaciones de tratamiento, y se le denominaría diseño factorial de 2×2.

Si el número de combinaciones en un diseño factorial completo es demasiado alto para su

procesamiento, puede optarse por un diseño factorial fraccional, en el que se omitan algunas

de las combinaciones posibles.

 El experimento factorial más simple contiene dos niveles para cada uno de dos factores.

¿Qué es un diseño factorial completo de 2 niveles?

En un diseño factorial completo de 2 niveles, cada factor experimental tiene solo dos
niveles. Las corridas experimentales incluyen todas las combinaciones de estos niveles de
factores. Aunque los diseños factoriales de 2 niveles no pueden explorar completamente una
amplia región del espacio de los factores, sí proporcionan información útil con un número
relativamente reducido de corridas por factor. Puesto que los diseños factoriales de 2 niveles
pueden identificar tendencias importantes, se pueden usar como punto de partida para realizar
experimentos adicionales. Por ejemplo, cuando necesite explorar una región donde crea que
puede existir una configuración óptima, podrá ampliar un diseño factorial para formar un diseño
central compuesto.

Comparación
Los siguientes diagramas muestran un diseño factorial completo en comparación con un diseño
factorial fraccionado de ½.

Diseño factorial completo Diseño factorial fraccionado de ½

El diseño factorial completo contiene el doble de puntos de diseño que el diseño fraccionado de
½. La respuesta se mide solo en los cuatro de los ocho puntos de vértice posibles de la porción
factorial del diseño. Sin embargo, con este diseño, los efectos principales se confundirán con las
interacciones de 2 factores.

2.1 Diseño factorial 2 a la k

¿Qué es un diseño factorial 2 k?

 El diseño factorial fraccionario 2 k-p se usa en experimentos de escrutinio para identificar con
rapidez y de manera eficiente el subconjunto de factores que son activos, y para obtener alguna
información sobre la interacción.  La propiedad de proyección de estos diseños hace posible en
muchos casos examinar los factores activos con más detalle.  La combinación secuencia de estos
diseños a través del plegamiento es una forma muy eficaz de obtener información extra acerca de
las interacciones, la cual puede identificarse en un experimento inicial como potencialmente
importante.

En este diseño se puede analizar modelos en los cuales dos o más factores pueden influir en la

variable respuesta. Se emplea la siguiente metodología:

1. Identificar los factores que pueden influir en la variable respuesta y proponer un modelo

2. Realizar el experimento, tomando las observaciones necesarias

3. Estimar los parámetros del modelo

4. Contrastar si los factores influyen en la respuesta

5. Si los factores influyen en la respuesta, detectar dónde radican las diferencias

6. Si algún factor no influye, simplificar el modelo y repetir los pasos anteriores

7. Realizar la diagnosis del modelo mediante el análisis de los residuos Un diseño factorial es

aquél en el que se investigan todas las posibles combinaciones de los niveles de los factores en

cada ensayo completo. En este caso se dicen que están cruzados, apareciendo el concepto de

interacción

Se supone la existencia de repeticiones del experimento en cada una de las posibles

combinaciones de los niveles del factor correspondiente.

Son denominados diseño factorial 2k los diseños en los cuales cada uno de los factores
cuenta con dos niveles, es decir cuando se realiza un experimento con un número de factores k
en el que cada uno de estos solo puede adoptar dos niveles. Estos niveles podrían ser
cuantitativos o cualitativos y una réplica completa de tal diseño requiere que realizar 2k
combinaciones.

Este diseño describe como realizar los experimentos de la forma más adecuada para
conocer simultáneamente qué efecto tienen k factores sobre una respuesta y descubrir si
interaccionan entre ellos.

Además, estos diseños presentan diferentes ventajas en relación con otros tipos de diseños.

 No es necesario un gran número de experimentos por cada uno de los factores a

estudiar.

 Las observaciones producidas por los diseños se pueden interpretar utilizando

el sentido común, la aritmética elementar y los gráficos por ordenador.

 Cuando se trata de factores cuantitativos se puede determinar una dirección

prometedora para una mayor experimentación.

 Es posible aumentar los diseños cuando se necesita una exploración más

focalizada.

 Es posible realizarlos de forma secuencial, de forma que una vez realizada una
ronda del diseño factorial se puede montar una nueva para realizar una investigación
más específica.

Video

https://www.youtube.com/watch?v=hQLZA_ezqbw

Ejemplo:
 Supongamos que se ensayan dos factores, digamos humedad (h), y temperatura (t), cada
uno en dos niveles, y que observamos su efecto sobre el comportamiento de insectos.
Sean ho y h1 los niveles ensayados de humedad, y to y t1 los niveles ensayados de temperatura
(4 combinaciones de tratamientos):

h0t0, h1t0, h0t1 y h1t1 = tratamientos de un experimento factorial 22

en r bloques = un diseño de r bloques completos al azar (con 4 Unidades Experimentales).

yijk = Rendimiento de la unidad experimental,

con el nivel hi de humedad y el nivel tj de temperatura,

en el bloque completo k (con i,j = 0 o 1, y k = 1,2,... r).

Arreglo factorial en bloques completos

Tratamientos Bloques completos Totales de tratamientos

1 2 ….. r
H0t0 Y001 Y002 ….. Y00r T00
H1t0 Y101 Y102 ….. Y10r T10
H0t1
Y011 Y012 ….. Y01r T01
H1t1
Y111 Y112 ….. Y11r T11
Totales de bloques B1 B2 ….. Br G

El análisis estadístico, se basa en el modelo lineal siguiente:

Y ijk =μ+ β k + τ ij + ⅇ ijk

donde:
µ = Efecto general
βk= Efecto del bloque k
τij = Efecto del tratamiento hitj
eijk = Error con las propiedades usuales (media cero, varianza constante y no correlación
con otros términos de error)
yijk = la característica observada

Concepto de interacción
Para ilustrar de forma intuitiva lo que es la interacción vamos a tomar dos conjuntos de datos.

Consideramos dos factores: α (niveles α1 y α2) y β (niveles β1 y β2)

Primer caso: dos factores sin interacción. Los datos son:

α\β β1 β2
α1 10 20
α2 30 40

El efecto principal del factor α es la diferencia entre la respuesta promedio de α1 y α2:

10+20 30+40
Eα = 2
−
2
=−20

y el efecto principal del factor β es:

−10+30 20+40
Eβ = 2
−
20
=−10

Ahora bien, para el nivel β1, el efecto del factor α es

Eα|β1 = 10 − 30 = −20
y para el nivel β2 es:
Eα|β2 = 20 − 40 = −20

De forma similar, los efectos del factor β para los niveles α1 y α2 son, respectivamente:
Eβ|α1 = 10 − 20 = −10

Eβ|α2 = 30 − 40 = −10

Entonces, el efecto de uno de los factores no depende de los niveles del otro factor, lo cual indica que no
hay interacción entre los factores. Cuando ambos factores tienen dos niveles, el efecto de la interacción es
la diferencia entre los promedios de las diagonales, que es en este caso:

Lo que indica que no hay interacción.

Ejemplo:
 En este diseño se realizan todas las combinaciones posibles entre los efectos, para ello se
crea la matriz de diseño. En ella se utilizan los signos – y + para ambos niveles de un factor y
se realiza de la siguiente forma:

En la primera columna se alternan los signos comenzando por el -. En la segunda columna

se alternan los signos de dos en dos, en la tercera de cuatro en cuatro, en la cuarta de ocho en
ocho y así sucesivamente. Siempre comenzando con el signo -.

Estos modelos pueden ser sin réplica o con ellas, es decir puede realizarse una sola vez
cada una de las combinaciones obteniendo solamente una respuesta para cada una de las
combinaciones o pueden realizarse el número de veces que se considere necesario obteniendo
así más de una respuesta para cada combinación, en este caso habrá que tener en cuenta ambas
respuestas.

El modelo más sencillo para el diseño factorial 2k es el modelo 22 , sin réplica, el cual
cuenta con dos factores de dos niveles cada uno. Estos factores por ejemplos podrían ser A y
B, los cuales tienen cada uno dos niveles a los que trabajar, alto y bajo denominados
arbitrariamente. Las unidades experimentales se obtienen tomando las cuatro posibles
combinaciones de ambos factores y replicándolo n veces, con n > 1.
2.2 Diseño factorial 3 a la k.

Los diseños factoriales 3k cuentan con un número de factores k, los cuales tienen tres
niveles cada uno. Por lo que una réplica completa de este diseño tendrá un número de
observaciones igual a 3k . Esto nos muestra una desventaja con respecto al diseño factorial
2k , se requiere un mayor número de experimentos en este nuevo diseño.

Los casos anteriores explicaban los diseños en bloques donde sólo se tiene un factor de

tratamientos, y el resto son factores de bloques que tienen una importancia secundaria en la

investigación experimental.

 El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una o

varias respuestas, cuando se tiene el mismo interés sobre todos los factores

Experimento factorial

 Un experimento factorial completo

 es un experimento cuyo diseño consta de dos o más factores

 cada uno de los cuales, con distintos valores o niveles

 cuyas unidades experimentales cubren todas las posibles combinaciones de esos niveles
en todos los factores.

 Este tipo de experimentos permiten el estudio del efecto de cada factor sobre la variable
respuesta, así como el efecto de las interacciones entre factores sobre dicha variable.
Permite determinar una combinación de niveles de los factores en la que el desempeño
del experimento sea mejor.

 Los factores pueden ser de tipo cualitativo o de tipo cuantitativo.

 La matriz de diseño o arreglo factorial es el conjunto de puntos experimentales o

tratamientos que pueden formarse considerando todas las posibles combinaciones de los
niveles de los factores.

 Para estudiar cómo influyen los factores sobre la variable de respuesta hay que elegir al
menos dos niveles de prueba para cada factor.
Con el diseño factorial completo se corren aleatoriamente todas las posibles
combinaciones que pueden formarse con los niveles de los factores a investigar.
 Para obtener el número de corridas experimentales se multiplica el número de
tratamientos por el número de réplicas, donde una de éstas se lleva a cabo cada vez que
se corre el arreglo completo.

 En general, la familia de diseños factoriales 2 k consiste en k factores, todos con dos

niveles de prueba.

 La familia de diseños factoriales 3 k consiste en k factores cada uno con tres niveles de
prueba.

 Si los k factores no tienen la misma cantidad de niveles, debe escribirse el producto de

manera explícita
El efecto de un factor se define como el cambio observado en la variable de respuesta
debido a un cambio de nivel de dicho factor.

 El efecto principal de un factor con dos niveles es la diferencia entre la respuesta media
observada cuando dicho factor estuvo en su primer nivel, y la respuesta media observada
cuando el factor estuvo en su segundo nivel.

 Los valores absolutos (sin importar el signo) de los efectos principales y del efecto de
interacción son una medida de importancia de su efecto sobre la variable de respuesta.

 Para saber si los efectos son estadísticamente significativos (diferentes de cero) se

requiere el análisis de varianza (ANOVA)
Modelo estadístico

 Considere los factores A y B con a y b (a, b ≥ 2) niveles de prueba, respectivamente.

 Se puede construir el arreglo o diseño factorial a × b, el cual consiste en a × b

tratamientos. Algunos casos particulares de uso frecuente son: el factorial 2 x 2 y el
factorial 3 × 2.

 Se llama réplica a cada corrida completa del arreglo factorial. Si se hacen n réplicas, el
número total de corridas experimentales es n (a × b).

 Si hay menos de cuatro factores, se corren replicados para tener la potencia necesaria en
las pruebas estadísticas sobre los efectos de interés. Si se hacen n réplicas, el número total
de corridas experimentales es n (a × b).
Glosario

ANOVA:

Análisis de Varianza.

Axial:
Adjetivo que hace referencia a relativo a un eje.

Corridas experimentales:

Cada una de las fases en que se lleva a cabo un experimento.

Diseño factorial:

Experimento diseñado que permite estudiar los efectos que varios factores pueden tener
en una respuesta.

Efecto de un factor:

Cambio en la respuesta producido por un cambio en el nivel del factor.

Estimar:

Calcular o determinar el valor de algo

Factores:

Cada uno de los elementos que forman un producto.

Factoriales fraccionados:

Es un diseño en el cual los investigadores solo realizan un subconjunto fraccionado de las

corridas experimentales.

Familia de diseños factoriales:

Conjunto de experimentos.

fertilización:

Es cualquier tipo de sustancia orgánica o inorgánica que contiene nutrientes

Media replica:

Mitad de las condiciones posibles en un experimento.

Numero de réplicas:

Veces que se repite el experimento.

RPM:

Revoluciones por minuto.

Bibliografía
Abu- Mostafa, M.-i. y.-T. (2015). Aprendiendo de los datos. Los Ángeles: AMLBook, 2012.

Masui, R. D. (16 de marzo de 2016). computing. Recuperado el 12 de enero de 2016, de bedford.com:

http://bedford-computing.co.uk/learning/wp-content/uploads/2016/09/artofdatascience.pdf

Matsui, R. D. (2016). el arte de las ciencias de datos. los ángeles: skybrude consulting llc.

Soo, A. N. (2018). Numsense! Ciencia de datos para el profano: sin matemáticas agregadas. san
francisco: Grupo de Ciencias de Gestión e Investigación Operativa.

Montgomery, D.C. y Runger, G.C. (2012). Probabilidad y estadística aplicada a la ingeniería (2 ed). Limusa
Wiley

Jhonson, R.A. (2012). Probabilidad y estadística para Ingenieros (8 ed). México. Pearson Educación de

México.