You are on page 1of 62

CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept.

2007

CURSO DE DISEO DE
EXPERIMENTOS

Elabor: Dr. Primitivo Reyes Aguilar


Septiembre de 2007

Mail: primitivo_reyes@yahoo.com
Cel. 04455 5217 4912

Pgina 1 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

CONTENIDO TEMTICO.
DIPLOMADO EN ANLISIS SENSORIAL

Nombre: Diseo de Experimentos.


Secuencia: Mdulo II
Duracin: 20 horas.

Objetivo general del mdulo. Que los asistentes actualicen los conocimientos
necesarios para disear, analizar y obtener inferencias sobre experimentos
conducentes a la mejora de productos y procesos en la industria y que sean
capaces de aplicar la mejor estrategia experimental para resolver un problema
de desarrollo de productos, o de calidad en los productos.

Contenido temtico:

1. Introduccin al diseo de experimentos

2. Experimentos simples y conceptos estadsticos bsicos


Experimentos en un sentido, completamente al azar.
Diseos para comparar dos o ms tratamientos.

3. Experimentos en dos sentidos, bloques completamente al azar.

4. Introduccin a los diseos factoriales.


Diseos factoriales 2k.

5. Diseos factoriales fraccionados.

6. Experimentos industriales con varios factores.

7. Experimentos Taguchi.

8. Correlaciones y regresiones.

Ponente:
Fecha y horario: 10 al 14 de septiembre 2007, 17:00 a 21:00 hrs.

Mtodo de evaluacin: 20% asistencia, 60% ejercicios, 20% examen final


Curso:
Sede: Ciudad Universitaria.

Pgina 2 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

1. INTRODUCCIN AL DISEO DE EXPERIMENTOS

E
l diseo de experimentos es una tcnica estadstica que nos ayuda a
identificar que factores o variables afectan l comportamiento de un
proceso productivo y de esta manera poder mejorarlo.

O bien: es una prueba o una serie de pruebas en las cuales se inducen


cambios deliberados en las variables de entrada de un proceso o sistema, de
manera que sea posible observar e identificar las causas de los cambios en la
respuesta de salida.

Experimento: es una prueba o ensayo.

El proceso o sistema bajo estudio puede representarse por medio del modelo
de la figura 1.1.
Factores controlables
x1 x2 x3 x4 ... xp

Entradas Salida
Proceso
y

z1 z2 z3 z4 ... zq
Factores incontrolables
Figura
Fig.1.
1.1Modelo general de un proceso o sistema

Algunas de las variables del proceso x1, x2,..., xk son controlables, mientras que
otras z1, z2,...,zk son incontrolables (aunque pueden ser controlables para los
fines de prueba). Entre los objetivos del experimento pueden incluirse:

1. Determinar cuales variables tiene mayor influencia en la respuesta, y.


2. Determinar el mejor valor de las x que influyen en y, de modo que y
tenga casi siempre un valor cercano a valor nominal deseado.
3. Determinar el mejor valor de las x que influyen en y, de modo que la
variabilidad de y sea pequea.
4. Determinar el mejor valor de las x que influyen en y, de modo que se
minimicen los efectos de las variables incontrolables z 1, z2,...zq.

Lo mtodos de diseo experimental tiene un propsito que puede ser


desarrollar un proceso consistente o robusto; esto es, un proceso que no
sea afectado por fuentes de variabilidad externas o ruido (las zi).

En el diseo de experimentos se plantean varias preguntas importantes:

Pgina 3 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

1. Son estas dos soluciones los nicos medios para lograr la respuesta de
inters?
2. Existen otros factores que pueden afectar la respuesta de las muestras
y que deban ser investigados o controlados?
3. Cuntas muestras deben ser sometidas a cada solucin de templado?
4. En que forma debe asignarse cada muestra a los tratamientos, y en
que orden deben realizarse las mediciones?
5. Qu mtodo de anlisis debe utilizarse?
6. Qu diferencia en los niveles promedio de respuesta entre los dos
tratamientos debe considerarse como significativa?

Estas, y quiz muchas otras preguntas, debern ser contestadas


satisfactoriamente antes de llevar a cabo el experimento.

1.1 Aplicaciones del diseo de experimentos

E l diseo de experimentos puede servir para mejorar el rendimiento de un


proceso de manufactura, desarrollo de nuevos procesos con lo que se
logra:

1. Mejorar el rendimiento del proceso.


2. Menor variabilidad y mayor apego a los requerimientos nominales y
objetivos.
3. Menor tiempo de desarrollo.
4. Menores costos totales.

Los mtodos de diseo de experimentos tambin se aplican al diseo de


productos como sigue:

1. Evaluacin y comparacin de conceptos de diseo bsicos.


2. Evaluacin de materiales alternativos.
3. Seleccin de parmetros de diseo de modo que el producto funcione bien
desde una amplia variedad de condiciones de uso real; Esto es, de modo
que el producto sea consistente (robusto).

El uso del diseo de experimentos en estas reas puede dar por resultado
productos con mayor confiabilidad y mejor funcionamiento en el campo,
menores costos, y menor tiempo de diseo y desarrollo del producto.

El diseo estadstico de experimentos es el proceso de planear un


experimento para obtener datos apropiados, que pueden ser analizados
mediante mtodos estadsticos, con objeto de producir conclusiones validas y
objetivas.

Cuando se identifican los factores y su influencia en un sistema productivo, se


pueden tomar decisiones que efectivamente mejoren la calidad del producto o
servicio. Se pueden identificar las fuentes de variacin reales para su reduccin
en la bsqueda de la mejora continua.

Pgina 4 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Cuando se usan experimentos pretendemos analizar el efecto de cambios que


nosotros inducimos ms que analizar variaciones al azar. Por ejemplo,
mediante un diagrama causa-efecto podemos identificar las posibles causas o
factores que inciden en un efecto o respuesta especifica tal y como s muestra
en la figura 2

F2 F1
F11
F21

F22 F12

CARACTERISTICA
DE CALIDAD

F41
F31
F32
F42

F4 F3

Figura 1.2 Diagrama de Causa Efecto

Mediante un experimento podemos inducir cambios en uno varios factores (F 2l.


F33 y F11 por ejemplo) y analizar estadsticamente si el cambio en los factores
afecta o no el resultado o efecto del proceso.

Definicin de experimento, diseo de experimentos y eficiencia de un


experimento

Experimento

E s un conjunto de pruebas estructurado y coherente que son analizadas a


fin de comprender la operacin del proceso.

Diseo de experimentos

E s el proceso de planear, ejecutar y analizar el experimento de manera que


los datos apropiados sean recolectados, y que estos tengan validez
estadstica para obtener conclusiones validas y tiles. Se entiende por validez
estadstica, el que los resultados se puedan repetir consistentemente sobre
todo en la operacin a gran escala o masiva.

Eficiencia de un experimento

Un experimento es eficiente cuando:

1. Se obtiene la informacin requerida.


2. Con el mnimo consumo de recursos.

Pgina 5 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Esto es, un experimento eficiente debe ser lo ms simple y econmico posible


pero efectivo. Las tcnicas del diseo de experimentos pretenden que los
experimentos sean eficientes.

1. 2 Principios bsicos del diseo de experimentos

P ara que un experimento pueda tener validez estadstica se deben de


observar al menos tres principios:

Reproduccin. Esto significa que el experimento se pueda llevar a cabo


o repetir bajo las mismas condiciones en ms de una ocasin.

La diferencia observada como resultado de un experimento es real, o se debe a


simple error aleatorio, o aun ms a otro factor como por ejemplo diferente tipo
del material. Para aclarar esto, es necesario repetir el experimento y cuantificar
si se presenta consistentemente o no la variacin detectada.

La reproduccin por lo tanto es importante por al menos dos razones:

i) Permite cuantificar el error aleatorio inherente al proceso y


ii) Permite una mejor estimacin de los parmetros.

Aleatoriedad. Esto significa que tanto el material asignado a un


experimento en particular, como el orden en que se efectan las pruebas
se efectu de una manera aleatoria.

Suponga por ejemplo, que se desea saber si la temperatura influye en el nivel


de contaminacin de un producto, medida esta en mgms/lt, para esto primero
efecta cuatro pruebas a una temperatura de 80C y enseguida cuatro pruebas
a 90C, los Resultados son:

80C 2.2 2.8 3.2 3.6 2.95


90C 3.4 3.9 4.3 4.7 4.07

A primera vista con la temperatura de 80C s ve: Tiene menor nivel de


contaminacin, sin embargo, algo raro se observa, el nivel de contaminacin
siempre aumenta, esto se debe a que los residuos que quedan en el equipo lo
que aumenta constantemente la contaminacin del producto. Esto se puede
evitar lavando perfectamente el material, lo cual puede no ser fsicamente
posible. "En lugar de esto podemos confundir, anular o igualar este efecto,
realizando las pruebas en orden aleatorio bajo las dos temperaturas.

En una diagrama causa-efecto con un gran numero de factores afectando la


caracterstica de calidad, si se desea analizar el efecto de un solo o algunos
factores, se debera controlar y medir todos los otros factores y aun as no
eliminara el error aleatorio, en lugar de esto se puede "confundir" o anular el
efecto de estos factores no controlables al efectuar las pruebas siguiendo un
orden aleatorio o al azar.

Pgina 6 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

La aleatoriedad por lo tanto es importante por al menos dos razones

i) Confunde el efecto de factores no controlables y


ii) Valida las pruebas estadsticas al hacer que los errores experimentales
sean estadsticamente independientes.

Anlisis por bloques. Es una tcnica que se usa para incrementar la


precisin del experimento. Un bloque es una porcin del material
experimental que sea ms homognea que el total del material o cuando
las condiciones son ms homogneas. Al realizar un experimento por
bloques se hacen las comparaciones entre las condiciones de inters del
experimento dentro de cada bloque.

1.3. Metodologa general para realzar un experimento

Se sugieran varias metodologas en la literatura, la siguiente es una de ellas:

1. Identifique claramente el problema o situacin a resolver. Antes de poder


planear un experimento necesitamos definir claramente que es la que estamos
buscando, aun cuando esto puede parecer trivial en ocasiones es tanta la
presin para tomar decisiones que corremos a experimentar sin por lo menos
definir claramente nuestros objetivos.

En este paso es necesario definir que tipo de informacin es exactamente la


que nos interesa, ya que no podemos medir o variar todos y cada uno de los
componentes de un experimento.

En ocasiones escuchamos que el experimento fue un xito pero la calidad no


mejor. Antes de planear un experimento se debe de investigar y. analizar el
conocimiento y datos que ya se tengan sobre este problema. La participacin
activa del personal involucrado en el problema es de vital importancia en este
paso.

En conclusin como resultado de este paso, la hiptesis a probar debe quedar


bien definida. Un diagrama causa-efecto es una buena ayuda en este paso.

2. Identificar variables. En este paso dos tipos de variables se deben de


identificar, variables dependientes y factores o variables independientes.

La variable dependiente o variable de respuesta es la caracterstica de calidad


que queremos mejorar y cuyo comportamiento deseamos conocer, ejemplos de
esta son: porcentaje de contaminacin, satisfaccin de un cliente, desgaste de
una herramienta, tiempo, de falla, etc.

Es deseable que una variable dependiente rena las caractersticas siguientes:

Cuantitativa
Precisa.

Pgina 7 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Que tenga algn significado fsico.

Las variables independientes o factores representan aquellas causas o


factores cuyo efecto sobre la variable dependiente se quiere analizar. Cada uno
de estos factores se deber probar al menos a dos valores diferentes para
evaluar su efecto, a cada uno de estos valores o niveles se les llama
tratamientos. Por ejemplo, si queremos conocer el efecto de la temperatura
sobre la dureza de un material y para ello se realizan pruebas a 70, 80 y 90C
se dice que tenemos un experimento de un solo factor con tres tratamientos.
Otra vez es de vital importancia la participacin del personal involucrado en el
problema a fin de seleccionar apropiadamente los factores o variables
independientes y los niveles de cada factor o tratamiento de inters.

Cmo seleccionar los diferentes niveles de un factor?, En general un factor


puede ser cualitativo (proveedor, turno, operario, etc), o cuantitativo
(temperatura, presin, altura, tiempo, etc.). Los niveles especficos en cualquier
caso se pueden seleccionar ya sea aleatoriamente dentro de un cierto rango o
a un nivel fijo definido por el experimentador previamente, esto nos lleva a
cuatro situaciones generales:

A. Factor fijo, cualitativo.


En este caso, de entre los diferentes niveles o tratamientos posibles para el
factor, el experimentador esta interesado en el efecto que ciertos niveles
seleccionados por l previamente tienen sobre la variable de respuesta.
Adems, el factor es del tipo cualitativo. Por ejemplo tres proveedores, tres
turnos, dos procesos diferentes, etc.

B. Factor fijo, cuantitativo.

Este caso es similar al anterior excepto que el factor es cuantitativo, por


ejemplo: temperatura, presin, tiempo, concentracin de un componente, etc.
Para este caso es recomendable que los diferentes niveles o tratamientos se
tomen equiespaciados, esto es, por ejemplo 10, 20, 30 y 40 C: 5, 10, 15, 20 y
25 psi; 8, 12, 16 y 20 minutos, etc.

La conclusin a que se puede llegar con este caso es si la variable de


respuesta es diferente para cada uno de los tratamientos que se seleccionaron
y de ser as el tipo de relacin que existe entre el factor y la variable de
respuesta (lineal, cuadrtica, etc.).

C. Factor aleatorio, cualitativo.

En este caso los niveles o tratamientos se seleccionan al azar de entre varios


posibles. Ejemplo se tienen varios lotes de un mismo proveedor, al azar se
selecciona cuales de ellos analizar, en este caso la conclusin del experimento
se extiende para cubrir todos los posibles niveles..

Pgina 8 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

D. Factor aleatorio, cuantitativo.

Igual que en el caso anterior los diferentes niveles o tratamientos son


seleccionados al azar.

Por ejemplo para la temperatura si el rango de inters es de 0 a 100. Se puede


al azar seleccionar 5 niveles 7, 36, 46, 80 y 8 C. La conclusin que se puede
obtener en este caso es similar al caso c.

En este material, a menos que se especifique lo contrario, los factores se


consideran fijos.

3. Definir el diseo del experimento. Esto imp1ica definir de que manera se


efectuaran las pruebas y que modelo matemtico describe mejor el
experimento. En el resto de este material se describen varios tipos de
experimentos de los cuales se tomar el que mejor se ajuste a la situacin
particular.

4. Efectuar el experimento. Esto de acuerdo a lo que se defina en el paso 3.

5. Anlisis de los datos. Estos son bsicamente anlisis estadsticos.

6. Conclusiones y toma de decisiones.

Una metodologa (alterna) desarrollada por Douglas C. Montgomery es la


siguiente:

P ara usar un enfoque estadstico al disear y analizar un experimento se


requiere que todos los participantes en l tengan de antemano una idea
clara de qu es exactamente lo que se va a estudiar, cmo se van a recopilar
los datos y, al menos, una idea cualitativa de cmo se van a analizar. A
continuacin, se ofrece una gua del procedimiento recomendado:

1. Comprensin y planteamiento del problema.

Este punto pudiera parecer obvio; sin embargo, en la prctica no es sencillo


darse cuenta de que existe un problema que requiere experimentacin, ni
disear un planteamiento claro y aceptable del mismo. Es necesario desarrollar
todas las ideas sobre los objetivos del experimento. Suele ser importante
solicitar la opinin de todas las partes implicadas. Un planteamiento claro del
problema contribuye a menudo en forma sustancial a un mejor conocimiento
del fenmeno y de la solucin final del problema.

2. Eleccin de factores y niveles.

El experimentador debe elegir los factores que variarn en el experimento, los


intervalos de dicha variacin y los niveles especficos de inters a los cuales se
har el experimento. Tambin debe considerarse la forma en que se
controlarn estos factores para mantenerlos en los valores deseados, y cmo

Pgina 9 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

se les medir. Para ello es necesario conocer el proceso de manera prctica y


terica.

3. Seleccin de la variable de respuesta.

Al seleccionar la respuesta o variable dependiente, el experimentador debe


estar seguro de que la respuesta que se va a medir realmente provea
informacin til acerca del proceso de estudio. Con mayor frecuencia, el
promedio o la desviacin estndar (o ambos) de la caracterstica medida sern
la variable de respuesta. No son raras las respuestas mltiples. La capacidad
de medicin (o el error de medicin) tambin es un factor importante. Si la
capacidad de medicin es deficiente, slo puede esperarse que el experimento
detecte efectos relativamente grandes de los factores; en caso contrario deben
hacerse repeticiones.

4. Eleccin del diseo experimental.

Para elegir el diseo es necesario considerar el tamao muestral (nmero de


repeticiones), seleccionar un orden adecuado para los ensayos experimentales,
y determinar si hay implicado bloqueo u otras restricciones de aleatorizacin.

Es importante tener presente los objetivos experimentales al seleccionar el


diseo, se tiene inters en identificar qu factores causan diferencias en
estimar la magnitud del cambio de la respuesta. En otras situaciones habr
ms inters en verificar la uniformidad. Por ejemplo, pueden compararse dos
condiciones de produccin A y 8, siendo A la estndar y B una alternativa de
menor costo. El investigador estar interesado en demostrar que no hay
diferencia en cuanto a la productividad (por ejemplo), entre las dos condiciones.

5. Realizacin del experimento.

Cuando se realiza el experimento, es vital vigilar el proceso cuidadosamente


para asegurar que todo se haga conforme a lo planeado. En esta fase, los
errores en el procedimiento suelen anular la validez experimental. La
planeacin integral es decisiva para el proceso. En un complejo entorno de
manufactura o investigacin y desarrollo, es fcil subestimar los aspectos
logsticos y de planeacin de la realizacin de un experimento diseado.

6. Anlisis de datos.

Deben emplearse mtodos estadsticos para analizar los datos, de modo que
los resultados y conclusiones sean objetivos ms que apreciativos. Existen
muchos excelentes paquetes de software para el anlisis de datos, y varios
mtodos grficos sencillos son importantes en la interpretacin de tales datos.
El anlisis de residuos y la verificacin de la idoneidad del modelo son tambin
tcnicas de anlisis de gran utilidad.

Hay que recordar que los mtodos estadsticos slo proporcionan directrices
para la veracidad y validez de los resultados. Los mtodos estadsticos,
aplicados adecuadamente, no permiten probar algo experimentalmente, slo

Pgina 10 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

hacen posible obtener el probable error de una conclusin, o asignar un nivel


de confiabilidad a los resultados. La principal ventaja de los mtodos
estadsticos es que agregan objetividad al proceso de toma de decisiones. Las
tcnicas estadsticas, aunadas aun buen conocimiento tcnico o del proceso y
al sentido comn, suelen llevar a conclusiones razonables.

7. Conclusiones y recomendaciones.

Una vez que se han analizado los datos, l experimentador debe extraer
conclusiones prcticas de los resultados y recomendar un curso de accin. En
esta fase a menudo son tiles los mtodos grficos, en especial al presentar
los resultados a otras personas. Tambin deben realizarse corridas de
seguimiento y pruebas de confirmacin para validar las conclusiones del
experimento.

1.4. Aplicaciones del diseo de experimentos.

E n muchas ocasiones l termino experimento se considera asociado


exclusivamente para cuestiones cientficas y tericas; sin embargo tienen
varias aplicaciones prcticas.

Algunos ejemplos son:

Si la materia prima que es entregada por tres diferentes proveedores


producen caractersticas diferentes en el producto
Si diferentes marcas de herramienta tienen o no vida diferente.
Si la temperatura de recosido afecta o no alguna propiedad mecnica del
producto.
Si diferentes cabezales de una misma mquina producen productos
similares.
Si un nuevo mtodo de ensamble incrementa o no la productividad en una
lnea de produccin.
Cual es el factor que ms influye en la variabilidad de alguna caracterstica
de calidad.

Es necesario tener claros y en todo caso revisar los siguientes conceptos


estadsticos antes de seguir:

Que es una prueba de hiptesis?

Que e s un error tipo I y que es un error tipo II?

Que es una prueba t para comparar dos medias?

Que es la potencia de una prueba de hiptesis?

Que es control estadstico?.

Que es nivel de significancia?.

Pgina 11 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

2. ANALISIS DE VARIANZA DE UN FACTOR (ANOVA 1


VIA)

2.1 Introduccin
El anlisis de la varianza de un factor (ANOVA) es una metodologa para
analizar la variacin entre muestras y la variacin al interior de las mismas
mediante la determinacin de varianzas. Es llamado de una va porque analiza
un variable independiente o Factor ej: Velocidad. Como tal, es un mtodo
estadstico til para comparar dos o ms medias poblacionales. El ANOVA de
un criterio nos permite poner a prueba hiptesis tales como:

H 0 1 2 3 .... k
H 1 : Al menos dos medias poblacionales son diferentes.

Los supuestos en que se basa la prueba t de dos muestras que utiliza


muestras independientes son:

1. Ambas poblaciones son normales.


2. Las varianzas poblacionales son iguales, esto es, 12 22 .
El estadstico tiene una distribucin muestral resultando:

sb2
Fc
sw2

El valor crtico para la prueba F es:

F , ( k 1), k ( n 1))

Donde el nmero de grados de libertad para el numerador es k-1 y para el


denominador es k(n-1), siendo el nivel de significancia.

k = nmero de muestras.

Por ejemplo:

Ejemplo: Se tienen 14 empleados seleccionados al azar que se someten a


3 diferentes cursos de entrenamiento: Programa 1, Programa 2 y
Programa 3.

Como los empleados se seleccionan aleatoriamente para cada programa


el diseo se denomina DISEO COMPLETAMENTE ALEATORIZADO
Se observa el aprovechamiento de los empleados en los programas:

Pgina 12 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

TRATAMIENTOS

I c=1 c=2 c=3 J


Programa
Programa 1 2 Programa 3
r=1 85 80 82
r=2 72 84 80
r=3 83 81 85
r=4 80 78 90
r=5 ** 82 88
Medias 80.00 81.00 85.00 Xj
Media de medias o media
total 82.14

2.2 TIPOS DE VARIACIN Y SUMAS DE CUADRADOS

1. Variacin total entre los 14 empleados, su puntuacin no fue igual con


todos
VARIACIN TOTAL RESPECTO A LA MEDIA GENERAL
r c 2

SCT ( Xij X )
i 1 j 1

SCT = (85-82.14)2 + (72-82.14)2+(83-82.14)2+.....+(88-82.14)2


SCT = 251.7

2. Variacin entre los diferentes tratamientos o Variacin entre muestras


o variacin entre programa 1, programa 2 y programa 3

EFECTO DE LA MEDIA DE CADA TRATAMIENTO RESPECTO A LA MEDIA


GENERAL

r
SCTR rj ( X j X ) 2
j 1

SCTR = 4(79.5 - 81.3333)2 + 5(81 - 81.3333)2 + 5(85 - 81.333)2


SCTR = 65.71

3. Variacin dentro de un tratamiento o muestra o programa dado que no


todos los empleados dentro de un mismo programa obtuvieron los mismos
puntajes. Se denomina Variacin dentro de los tratamientos.

VARIACIN DENTRO DEL TRATAMIENTO O VARIACIN DEL ERROR


CADA VALOR RESPECTO A LA MEDIA DE SU TRATAMIENTO

Pgina 13 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

r c
SCE (X ij X j )2
i 1 j 1

SCE = SCT - SCTR = 186

4. GRADOS DE LIBERTAD

Grados de libertad totales = n - 1 = 14-1 = 13


Grados de libertad de los tratamientos = c - 1 = 3 - 1 = 2

Grados de libertad del error = gl. Totales - gl. Tratamientos = 13 - 2 = 11

gl SCT = gl SCTR + gl SCE


gl SCE = gl SCT - gl SCTR = (n -1) - (c - 1) = n -c

5. CUADRADOS MEDIOS (Suma Cuadrados/ Grados libertad)


CMT = Cuadrado medio total = SCT / (n-1) = 19.4
CMTR = Cuadrado medio del tratamiento = SCTR / (c -1) = 32.9
CME = Cuadrado medio del error = SCE/ gle.= 16.9

6. ESTADSTICO DE PRUEBA Fc Y ESTADSTICO F CRTICO DE ALFA

Fc = CMTR / CME= 1.946745562


Falfa , gl .numerador , gl .deno min ador F ,c 1, n c

Clculo de F con Excel


=DISTR.F.INV(ALFA, GL. TR, GL. ERR) =DISTR.F.INV(0.05, 2, 11) =
3.982297957

ZONA DE
NO RECHAZAR RECHAZO

Distr. F

Como Fc es menor a Falfa no se rechaza Ho y las medias son iguales.

7. VALOR P DE Fc

P = distr.f(Fc, gl. SCTr, gl. SCE) = distr.f(1.946, 2, 11) = 0.18898099


Como P es mayor a alfa no se rechaza Ho
CONCLUSION: NO HAY SUFICIENTE EVIDENCIA PARA RECHAZAR HO,
LAS MEDIAS DE LOS TRATAMIENTOS SON IGUALES

Pgina 14 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

TABLA DE ANOVA

FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO


CUADRADOS LIBERTAD MEDIO VALOR F
Entre muestras (tratam.) SCTR c-1 CMTR CMTR/CME
Dentro de muestras (err.) SCE n-c CME
Variacin total SCT n-1 CMT

Regla: No rechazar si la F de la muestra es menor que la F de Excel para una


cierta alfa

2.3 USO DE EXCEL:

En el men herramientas seleccione la opcin Anlisis de datos, en


funciones para anlisis seleccione Anlisis de varianza de un factor.
En Rango de entrada seleccionar la matriz de datos (todas las columnas
a la vez).
Alfa = 0.05
En Rango de salida indicar la celda donde se iniciar la presentacin de
resultados.

RESUMEN Anlisis de varianza de un factor


Grupos Cuenta Suma Promedio Varianza
Programa 1 4 320 80 32.666667
Programa 2 5 405 81 5
Programa 3 5 425 85 17

Grados
ANLISIS DE VARIANZA de Promedio de
Suma Probabilida
Variaciones cuadrados libertad Cuadrados Fc d F crtica
Entre grupos 65.71428571 2 32.85714286 1.9431644 0.18937731 3.98229796
Dentro de
grupos 186 11 16.90909091
Total 251.7142857 13

2.4 USO DE MINITAB


Stat > ANOVA > One Way (Unstacked)
en Responses in separate columns Indicar las columnas de datos
En Confidence Level 95%
Seleccionar Comparisons Tukey 5%
OK

One-way ANOVA: Programa 1, Programa 2, Programa 3

Source DF SS MS F P
Factor 2 65.7 32.9 1.94 0.189
Error 11 186.0 16.9
Total 13 251.7

Pgina 15 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

S = 4.112 R-Sq = 26.11% R-Sq(adj) = 12.67%

Individual 95% CIs For Mean Based on


Pooled StDev

Level N Mean StDev ----+---------+---------+---------+-----


Programa 1 4 80.000 5.715 (------------*------------)
Programa 2 5 81.000 2.236 (----------*-----------)
Programa 3 5 85.000 4.123 (-----------*----------)
----+---------+---------+---------+-----
77.0 80.5 84.0 87.5
Pooled StDev = 4.112

NOTA: Si los Intervalos de confianza se traslapan, las medias son iguales


estadsticamente
Tukey 95% Simultaneous Confidence Intervals
All Pairwise Comparisons

Individual confidence level = 97.94%

Programa 1 subtracted from:

Lower Center Upper --------+---------+---------+---------+-


Programa 2 -6.451 1.000 8.451 (------------*-----------)
Programa 3 -2.451 5.000 12.451 (-----------*------------)
--------+---------+---------+---------+-
-6.0 0.0 6.0 12.0

Programa 2 subtracted from:

Lower Center Upper --------+---------+---------+---------+-


Programa 3 -3.025 4.000 11.025 (-----------*----------)
--------+---------+---------+---------+-
-6.0 0.0 6.0 12.0

NOTA: Si el cero se encuentra en el intervalo de confianza de la diferencia


entre medias, este par de medias no son diferentes.

2.5 Grafica de residuos contra el valor ajustado de yij

S i el modelo es correcto y las suposiciones se satisfacen, los residuos no


deben tener algn patrn, ni deben estar relacionados con alguna variable,
incluyendo la respuesta Yij. Una comprobacin sencilla consiste en graficar los
residuos contra los valores ajustados yij (debe recordarse que para el modelo
en un sentido y y , el promedio del tratamiento i-simo). En esta grafica no
ij - i.

debe revelarse ningn patrn obvio en la siguiente figura se grafican los


residuos contra los valores ajustados de los datos de la resistencia a la tensin
del ejemplo 2.3 Ningn patrn inusual es evidente.

Pgina 16 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Grafica de residuos contra valores ajustados

Un efecto que en ocasiones revela la grafica es el de una varianza variable.


Algunas veces la varianza de las observaciones lo hace. Esto resulta cuando el
error es proporcional a la magnitud de la observacin (comnmente esto
sucede en instrumentos de medicin el error es proporcional a la escala de la
lectura). Si este es el caso, los residuos aumenta a medida que Yij lo hace, y la
grafica de los residuos contra Yij parecer un embudo que se ensancha o un
altavoz. La varianza variable tambin ocurre en casos cuyos datos no tienen
distribucin normal y estn sesgados, porque en las distribuciones sesgadas la
varianza tiende a ser funcin de la media.

Pgina 17 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

2.6 EJERCICIOS:

1. Cuatro catalizadores que pueden afectar la concentracin de un


componente en una mezcla lquida de tres componentes estn siendo
investigado.
Se obtienen las siguientes concentraciones:

Catalizador
A B C D
58.2 56.3 50.1 52.9
57.2 54.5 54.2 49.9
58.4 57 55.4 50
55.8 55.3 51.7
54.9

2. Para determinar si existe diferencia significativa en el nivel de Matemticas


de 4 grupos de estudiantes de Ingeniera se realiz un examen aleatorio a 6
individuos por grupo. Determine cuales son los grupos en los cuales existen
diferencias a un 95% de nivel de confianza.

A B C D
75 78 55 64
93 91 66 72
78 97 49 68
71 82 64 77
63 85 70 56
76 77 68 95

3. Las calificaciones en el examen a 18 empleados de tres unidades de


negocio
Se muestran a continuacin:
Probar si no hay diferencia entre las unidades a un 5% de nivel de significancia.

A B C
85 71 59
75 75 64
82 73 62
76 74 69
71 69 75
85 82 67

4. Probar si hay diferencia en los tiempos de servicio de 4 unidades de negocio


para el mismo servicio a un nivel de significancia del 5%.
A B C D
5.4 8.7 11.1 9.9
7.8 7.4 10.3 12.8
5.3 9.4 9.7 12.1
7.4 10.1 10.3 10.8
8.4 9.2 9.2 11.3
7.3 9.8 8.8 11.5

Pgina 18 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

3. ANALISIS DE VARIANZA DE DOS VAS o


DIRECCIONES (ANOVA 2 VIAS)

3.1 Introduccin

En este caso las frmulas son parecidas a la del ANOVA de una va pero ahora
agregando el clculo por renglones adicional al de columnas donde se incluye
la variable de bloqueo. El bloqueo es completamente al azar.

Se trata de bloquear un factor externo que probablemente tenga efecto en la


respuesta
pero que no hay inters en probar su influencia, slo se bloquea para mininizar
la variabilidad de este factor externo, evitando que contamine la prueba de
igualdad entre los tratamientos.

Los tratamientos se asignan a las columnas y los bloques a los renglones. Un


bloque indica condiciones similares de los sujetos al experimentar con
diferentes tratamientos.

Las hiptesis son:

Ho: No hay diferencia en las medias del factor de columna


Ha: Al menos una media del factor de columna es diferente

Ho: No hay diferencia en las medias de la variable de rengln


Ha: Al menos una media de la variable de rengln es diferente

3.2 Ejemplos con clculo manual

Ejemplo 1.
Suponiendo que se quiere investigar si la produccin de tres diferentes
mquinas es igual, tomando en cuenta la experiencia de los operadores a un
nivel de significancia del 5%.

Experiencia Mquinas
de ops. En
aos Maq 1 Maq 2 Maq 3 Promedios
1 27 21 25 24.33333
2 31 33 35 33

3 42 39 39 40
4 38 41 37 38.66667
5 45 46 45 45.33333
Promedios 36.6 36 36.2 36.26667

Pgina 19 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

TABLA ANOVA
SS GL CM Fc Falfa
SCTR= 0.933333 2 CMTR= 0.466667 Ftr = 0.09 4.46
Fbl =
SCBL= 764.9333 4 CMBL= 191.2333 37.25 3.84
SCE = 41.06667 8 CME= 5.133333
SCT = 806.9333 14 CMT= 57.6381

Conclusin: No hay diferencia entre mquinas a pesar de la diferencia en


experiencia de los operadores.

Ejemplo 2 (Problema 4.1 del Texto de Montgomery, Anlisis y diseo de


experimentos)

Un qumico quiere probar el efecto de 4 agentes qumicos sobre la resistencia


de un tipo particular de tela. Debido a que podra haber variabilidad de un rollo
de tela a otro, el qumico decide usar un diseo de bloques aleatorizados, con
los rollos de tela considerados como bloques. Selecciona 5 rollos y aplica los 4
agentes qumicos de manera aleatoria a cada rollo. A continuacin se
presentan las resistencias a la tencin resultantes. Analizar los datos de este
experimento (utilizar =0.05) y sacar las conclusiones apropiadas.
Rollo
Agente
Qumico 1 2 3 4 5
1 73 68 74 71 67
2 73 67 75 72 70
3 75 68 78 73 68
4 73 71 75 75 69

3.3 Procedimiento en Excel


En el men herramientas seleccione la opcin Anlisis de datos, en
funciones para anlisis seleccione Anlisis de varianza de dos factores
con una sola muestra por grupo.
En Rango de entrada seleccionar la matriz de datos.
Alfa = 0.05
En Rango de salida indicar la celda donde se iniciar la presentacin de
resultados.

Anlisis de varianza de dos factores con una sola muestra por grupo

RESUME Varianz
N Cuenta Suma Promedio a
Fila 1 5 353 70.6 9.3
Fila 2 5 357 71.4 9.3
Fila 3 5 362 72.4 19.3
Fila 4 5 363 72.6 6.8

Columna 1 4 294 73.5 1

Pgina 20 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Columna 2 4 274 68.5 3


Columna 3 4 302 75.5 3
Columna 4 4 291 72.75 2.92
Columna 5 4 274 68.5 1.67

ANLISIS DE VARIANZA
Grados Cuadrado Probabilida F
Fuente de Suma de de s Fc d tablas
Cuadrado
variacin s libertad medios Valor P
Filas 12.95 3 4.32 2.38 0.12 3.49
Columnas 157 4 39.25 21.61 2.06E-05 3.26
Error 21.8 12 1.82

Total 191.75 19
Total 231 24

En la tabla observamos que el estadstico de prueba Fc es menor al valor


crtico para F 2.38<3.49, por lo cual no rechazamos al Hiptesis nula H 0. No
tenemos evidencia estadstica para afirmar que el agente qumico tenga
influencia en la respuesta.

Sin embargo observamos que el rollo si tiene influenza significativa en la


respuesta (P<0.05).

3.4 ANOVA en Minitab

Utilice 0.05 para calcular si hay diferencias entre los efectos de las
columnas y los renglones.

Introducir los datos arreglados con las respuestas en una sola columna e
indicando a que rengln y columna pertenece cada uno de estos, como sigue:

Resp Columna Fila


73 1 1
73 1 2
75 1 3
73 1 4
68 2 1
67 2 2
68 2 3
71 2 4
74 3 1
75 3 2
78 3 3
75 3 4
71 4 1

Pgina 21 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

72 4 2
73 4 3
75 4 4
67 5 1
70 5 2
68 5 3
69 5 4

Instrucciones:

Stat > ANOVA > One two Way


Response Respuesta, indicar Row factor y Column Factor, Seleccionar !
Display Means
Seleccionar ! Store Residuals ! Store Fits Confidence level 95%

Graphs
Seleccionar Normal plot of residuals
OK
Resultados:

La grfica normal de residuos debe mostrar los residuos aproximados por una
recta para validar el modelo:

Los residuos se aproximan a la distribucin normal por lo cual se concluye que


se est utilizando un modelo vlido.

Normal Probability Plot of the Residuals


(response is Resp)
99

95

90

80
70
Percent

60
50
40
30
20

10

1
-3 -2 -1 0 1 2 3
Residual

Two-way ANOVA: Resistencia versus Agente Qumico, Rollo

Source DF SS MS F P
Agente Qumico 3 12.95 4.3167 2.38 0.121

Pgina 22 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Rollo 4 157.00 39.2500 21.61 0.000


Error 12 21.80 1.8167
Total 19 191.75

S = 1.348 R-Sq = 88.63% R-Sq(adj) = 82.00%

Como el valor de P es menor a 0.05 el Rollo tiene influencia significativa en la


resistencia.

Individual 95% CIs For Mean Based on


Agente Pooled StDev
Qumico Mean ---+---------+---------+---------+------
1 70.6 (----------*----------)
2 71.4 (----------*----------)
3 72.4 (----------*----------)
4 72.6 (----------*----------)
---+---------+---------+---------+------
69.6 70.8 72.0 73.2

Individual 95% CIs For Mean Based on


Pooled StDev
Rollo Mean --+---------+---------+---------+-------
1 73.50 (-----*-----)
2 68.50 (-----*-----)
3 75.50 (-----*-----)
4 72.75 (-----*-----)
5 68.50 (-----*-----)
--+---------+---------+---------+-------
67.5 70.0 72.5 75.0

Se seleccionaran en 2 y 5 rollo ya que tienen los valores ms pequeos.

Pgina 23 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

4. DISEOS FACTORIALES

4.1 Principios y definiciones bsicas

M
uchos experimentos se llevan a cabo para estudiar los efectos
producidos por dos o ms factores. Puede mostrarse que en general los
diseos factoriales son los ms eficientes para este tipo de experimentos. Por
diseo factorial se entiende aquel en el que se investigan todas las posibles
combinaciones de los niveles de los factores en cada ensayo completo o
rplica del experimento. Por ejemplo, si existen a niveles del factor A y b
niveles del factor B, entonces cada rplica del experimento contiene todas las
ab combinaciones de los tratamientos. A menudo, se dice que los factores
estn cruzados cuando stos se arreglan en un diseo factorial.

El efecto de un factor se define como el cambio en la respuesta producida por


un cambio en el nivel del factor. Con frecuencia, ste se conoce como efecto
principal porque se refiere a los factores de inters primordial del experimento.
Por ejemplo, consideremos los datos de la tabla 1. El efecto principal del factor
A podra interpretarse como la diferencia entre la respuesta promedio en el
primer y segundo nivel de ese factor. Numricamente:

Factor B
B1 B2

A1 20 30

Factor A

A2 40 52

Tabla 1 Un experimento factorial

40 52 20 30
A 21
2 2

En otras palabras incrementar el factor A del nivel 1 al 2 produce un cambio en


la respuesta promedio de 21 unidades. Similarmente, el efecto principal de B
es:
30 52 20 40
B 11
2 2

Si los factores tienen ms de dos niveles, el procedimiento anterior debe ser


modificado ya que las diferencias entre las respuestas promedio pueden
expresarse de muchas formas.

Pgina 24 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

En algunos experimentos puede encontrarse que la diferencia en la respuesta


entre los niveles de un factor no es la misma en todos los niveles de los otros
factores. Cuando esto ocurre existe una interaccin entre los factores. Por
ejemplo, considrense los datos de la Tabla 2.

Factor B
B1 B2

A1 20 40

Factor A

A2 50 12

Tabla 2. Un experimento factorial con interaccin

En el primer nivel del factor B, el efecto de A es:

A = 50 - 20 = 30

Mientras que en el segundo nivel de B, el efecto de A es:


A = 12 - 40 = 28

Puede observarse que existe una interaccin entre los factores A y B porque el
efecto de A depende del nivel elegido de B.

Estas ideas pueden ilustrarse grficamente. En la Fig. 1 se muestra una grfica


de la respuesta de los datos de la Tabla 1 contra los niveles del factor A para
ambos niveles del factor B. Se observa que las rectas B 1 y B2 son,
aproximadamente, paralelas. Esto indica que no hay interaccin entre los
factores. De manera similar, en la Fig. 2 se presenta una grfica de la
respuesta de los datos de la Tabla 2.

60
B2
50
Respu es ta

B1
40
30 B2
20
B1
10

A1 A2
Factor A
Figura 1 Un experimento factorial sin interacciones

En este caso se ve que las rectas B 1 y B2 no son paralelas. Esto muestra que
existe una interaccin entre A y B. Sin embargo, no debe ser la nica tcnica

Pgina 25 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

para analizar los datos, porque su interpretacin es subjetiva y su apariencia, a


menudo, es engaosa.

60 B1
50
B2
40
30
20
B1
10 B2

A1 A2
Factor A

Figura 2 Un experimento factorial con interacciones

Hay que notar que cuando una interaccin es grande los correspondientes
efectos principales tienen poco significado prctico. Una estimacin del efecto
principal de A de los datos de la Tabla 2 es:
50 12 20 40
A 1
2 2

El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe
un efecto debido a A. Sin embargo, cuando se examin el efecto de A en
niveles diferentes de B se concluy que ste no era el caso. El factor A tiene un
efecto, pero depende del nivel del factor B. En otras palabras, es ms til
conocer la interaccin AB que el efecto principal. Una interaccin significativa
oculta a menudo el significado de los efectos principales.

Ventajas de los diseos factoriales

L as ventajas de los diseos factoriales pueden ilustrarse fcilmente.


Supongamos que se tienen dos factores, A y B, cada uno con dos niveles.
Estos niveles se representan mediante A 1, A2, B1 y B1. La informacin acerca de
ambos factores puede obtenerse variando un factor a la vez como aparece en
la tabla 3. El efecto de variar el factor A est dada por A 2B1 -A1B2. A causa de
que existe error experimental, es conveniente realizar, por ejemplo, dos
observaciones de cada combinacin de tratamientos y hacer una estimacin de
los efectos de los factores usando las respuestas promedio. Por lo tanto, se
requiere un total de seis observaciones.

Pgina 26 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Factor B
B1 B2

A1 A1B1 A1B2

Factor A

A2 A2B1 12

Tabla 3 El mtodo de un factor a la vez

Los diseos factoriales poseen algunas ventajas.

Son ms eficientes que los experimentos de un factor a la vez.

Los diseos factoriales son necesarios cuando alguna interaccin puede


estar presente, para evitar hacer conclusiones engaosas.

Los diseos factoriales permiten estimar los efectos de un factor en


diversos niveles de los otros factores, produciendo conclusiones que
son vlidas sobre toda la extensin de las condiciones experimentales.

4.2 Diseo factorial de dos factores

E l primer diseo de la serie 2 2 es aquel en el que solo dos factores, A y B,


cada uno con dos niveles. Este diseo se conoce como diseo factorial 2 2.
Arbitrariamente, los niveles del factor pueden llamarse bajo y alto.

Ejemplo 1 Considrese una investigacin llevada a cabo para estudiar el


efecto que tiene la concentracin de un reactivo y la presencia de un
catalizador sobre el tiempo de reaccin de un proceso qumico. Sea la
concentracin del reactivo el factor A con dos niveles de inters, 15% y 20%. El
catalizador constituye el factor B; el nivel alto o superior denota el uso de dos
sacos de catalizador y el nivel bajo o inferior denota el uso de un solo saco. El
experimento se realiza (replica o repite) tres veces, y los datos son como
sigue:

Pgina 27 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Combinacin de Replica
tratamientos I II III Total
En la figura 3 A baja, B baja 28 25 27 80 siguiente se
presentan A alta, B baja 36 32 32 100 grficamente las
combinaciones de A baja, B alta 18 19 23 60 tratamiento para
este diseo, el A alta, B alta 31 30 29 90 efecto de un factor
se denota por la letra latina
minscula. De este modo, A se refiere al efecto del factor A, y B se refiere
al efecto del factor B, y AB se refiere a la interaccin entre AB. En el diseo
22 los niveles bajo y alto de A y B se denotan por - y + respectivamente, en
los ejes A y B. As en el eje B representa el nivel bajo de catalizador mientras
que + denota el nivel alto.

b = 60(18+19+23) ab = 90(31+30+19)
Cantidad de catalizador B

Alto (2 sacos) +

bajo (1 saco) -
(1) = 80(28+25+27) a = 100(36+32+32)

- +
bajo (15%) alto (20%)
Concentracion de reactivo A
Fig. 3
Figura 1: Combinaciones de tratamiento en el diseo factoriall

Las cuatro combinaciones de tratamientos en el diseo pueden representarse


por letras minsculas, cono se muestra en la figura 3. En esta figura se aprecia
que el nivel superior de cualquier factor de una combinacin de tratamientos
esta representado por la presencia de la letra minscula correspondiente,
mientras que la ausencia de esta ultima representa el nivel inferior del factor.

As

a representa la combinacin de tratamientos, en la que A se encuentra


en el nivel superior y B en el nivel inferior;

b representa aquella en la que A se halla en el nivel inferior y B en el


superior, y

ab representa a ambos factores en el nivel superior.

Por convencin (1) se usa para representar a ambos factores en el nivel


inferior.

Pgina 28 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

El efecto promedio de un factor se define como el cambio en la


respuesta producida por un cambio en el nivel de ese factor, promediado
sobre los niveles del otro factor.

Como se ilustra en la figura 3, las letras minsculas (1), a, b y ab tambin se


usan para representar los totales de las n replicas de las combinaciones de
tratamientos correspondientes. Ahora bien, el efecto de A en el nivel B es {a-
(1)}/n. Mientras que el nivel superior B es {ab-b}/n. Tomando el promedio de
estas dos cantidades se obtiene:

1 1
A ab b a (1) ab a b (1)
2n 2n

El efecto promedio de B se determina a partir de su efecto en el nivel inferior


de A (esto es, {b-(1)}/n, y de su efecto en el nivel superior de A (que es igual a
[ab-a]/n obtenindose:

B
1
ab a b (1)
1
ab b - a (1)
2n 2n

El efecto de la interaccin AB se define como la diferencia promedio entre el


efecto de A en el nivel superior de B y su efecto en el nivel inferior de B, as:

ab b a (1) ab (1) a (b)


1 1
AB
2n 2n

Por otro lado se puede definir AB como la diferencia promedio entre el efecto
de B en el nivel superior de A y el efecto de B en el nivel inferior de A.

Las formulas para los efectos de A, B y AB pueden deducirse por otro mtodo.
El efecto de A puede hallarse como la diferencia en la respuesta promedio de
las dos combinaciones de tratamiento en la mitad derecha (que llamaremos Y
A+, puesto que es la respuesta promedio para las combinaciones de
tratamientos a las que A que se encuentra en el nivel alto) y las dos
combinaciones de tratamientos en la mitad izquierda (o Y A). Esto es,

A YA YA
ab a b (1)

2n 2n


1
ab a b (1)
2n

Este es exactamente el mismo resultado, el efecto de B se encuentra como la


diferencia entre el promedio de las dos combinaciones de tratamientos en la
parte superior del cuadrado ( Y B+) y el promedio de las dos combinaciones de
tratamientos en la parte inferior ( Y B-), o

B YB YB
ab b a (1)

2n 2n


1
ab b a (1)
2n

Pgina 29 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Finalmente el efecto de interaccin AB es el promedio de las combinaciones de


tratamientos en la diagonal de derecha a izquierda del cuadrado ab y (1)
menos el promedio de las combinaciones de tratamientos en la diagonal de
izquierda a derecha (a y b), o

ab (1) ab
AB
2n 2n


1
ab (1) a b
2n

Con los datos que aparecen en la figura 1, las estimaciones de los efectos
promedio son:

A
1
90 100 60 80 8.33
2(3)

90 60 100 80
1
B 5.00
2(3)

90 80 100 60
1
AB 1.67
2(3)

El efecto de A (concentracin de reactivo) es positivo; esto sugiere que al


elevar A del nivel bajo (15%) al nivel alto (25%) incrementar el rendimiento. El
efecto de B (catalizador) es negativo; esto sugiere que elevar la cantidad del
catalizador agregada al proceso reducir el rendimiento. Al parecer, el efecto
de interacciones es pequeo comparado con los dos efectos principales.

En muchos experimentos que implican diseos 2 K se examina la magnitud y la


direccin de los efectos de los factores para determinar cuales variables es
probable que sean importantes. Por lo general puede emplearse el anlisis de
varianza para confirmar esta interpretacin. En el diseo 2 k existen algunos
mtodos rpidos especiales para realizar los clculos del anlisis de varianza.

Consideremos la suma de cuadrados para A, B y AB. Obsrvese la primera


ecuacin que se utiliza un contraste para estimar A; esto es,

ContrasteA ab a b (1)

Este contraste suele llamarse efecto total de A. A partir de la segunda y tercera


ecuacin, puede apreciarse que tambin se utilizan contraste para estimar B y
AB. Adems, estos tres contrastes son ortogonales. La suma de cuadrados de
cualquiera de ellos puede calcularse usando la siguiente ecuacin:

aciyi.
SSc 1 2 n a
a ci
2
.

Esta ecuacin establece que la suma de cuadrados de contraste es igual al


contraste elevado al cuadrado entre el producto del nmero de las
observaciones de cada total del contraste por la suma de cuadrados de los
coeficientes del mismo. En consecuencia, se obtiene que las sumas de
cuadrados de A, B y AB sean:

Pgina 30 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

SS A
ab a b (1) 2
n* 4

SS B
ab b a (1) 2
n* 4

SS AB
ab (1) a b 2
n* 4

Con los datos de la figura 3, las sumas de cuadrados se pueden calcular


aplicando las ecuaciones anteriores, obtenindose:
2
50
SSA 208.33
4(3)
2
30
SSB 75.00
4(3)
2
10
SSAB 8.33
4(3)

La suma total de cuadrados se determina de la manera usual mediante:


2
2 Y ...
SST i2 2 n
1 j1 k 1 Y ijk
4n

En general SST tiene 4n 1 grados de libertad. La suma de cuadrados del error,


con 4(n-1) G.L. se puede calcular en la forma usual, por diferencia, mediante.
2
2 2 3 2 Y
SS E Yijk 9398.00 9075.00 323.00
i1j1k 1 4(3)

SS E SS T SS A SS B SS AB

323.00 208.33 75.00 8.33 31.34

El anlisis de varianza completo se presenta en la tabla siguiente. Ambos


efectos principales son significativos al 1%.

A menudo se es conveniente escribir las combinaciones de tratamientos en el


orden (1), a, b, y ab. Este orden se conoce como orden estndar. Cuando se
utiliza es posible apreciar que los coeficientes de los contrastes usados para
estimar los efectos son

Efecto (1) a b Ab
s
A: -1 +1 -1 +1
B: -1 -1 +1 +1
AB: +1 -1 -1 +1

Tabla ANOVA para los datos del ejemplo 1 es la siguiente:

Fuente de
variacin SS G.L. MS Fo
A 208.33 1 208.33 53.15a
B 75.00 1 75.00 19.13a
AB 8.33 1 8.33 2.13
Error 31.34 8 3.92

Pgina 31 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Total 323.00 11
a
significativo al 1%

Signos algebraicos para calcular los efectos en un diseo 2 2

Combinacin Efecto Factorial


De
Tratamientos I A B AB

(1) + - - +
a + + - -
b + - + -
ab + + + +

Observe que los coeficientes de los contrastes usados para estimar la


interaccin son iguales al producto de los coeficientes correspondientes a los
dos efectos principales. Los coeficientes de los contrastes siempre son +1 o 1
y se puede usar una tabla de signos positivos y negativos como la mostrada en
la de signos algebraicos para determinar el signo apropiado de cada
combinacin de tratamientos. En el encabezado de las columnas de tabla y se
encuentran los efectos principales (A y B), la interaccin AB, e I, que
representa el total el total o el promedio de todo el experimento. Se observa
que la columna encabezada por I se compone de solo de signos positivos. Los
renglones corresponden a las combinaciones de tratamientos.

Para encontrar un contraste con el fin de estimar cualquier efecto, simplemente


se multiplican los signos de la columna apropiada de la tabla por la
correspondiente combinacin de tratamientos, y se suma. Por ejemplo, el
contraste para estimar A es (1) + a b + ab, lo cual concuerda con la
ecuacin.
ab b a (1) ab a b (1)
1 1
A
2n 2n

Los tipos ms sencillos de diseos factoriales implican slo dos factores o


conjuntos de tratamientos. Haya a niveles del factor A y b niveles del factor
B, dispuestos en un diseo factorial; esto es, cada A repeticin o rplica del
experimento contiene todas las combinaciones de tratamiento ab. En general,
hay n repeticiones.

5. DISEOS DE EXPERIMENTOS FRACCIONALES DE


DOS NIVELES

5.1 Concepto de replicacin fraccionada

Conforme el nmero de factores del experimento crece, el nmero de casillas


o condiciones experimentales (y por lo tanto el nmero de lecturas o pruebas
necesarias), crece exponencialmente en un experimento factorial. El nmero de

Pgina 32 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

efectos a evaluar (interacciones principalmente) crece exponencialmente


tambin. El nmero de efectos y casillas vara con el nmero de factores en
una relacin como se muestra en la tabla siguiente para un experimento
factorial 2k.

As por ejemplo cuando se tienen siete factores, existen 128 posibles


condiciones experimentales, lo que implica que al hacer una replicacin por
celda de todo el experimento requiere un total de 128 observaciones. Si se
decide tomar dos replicas por celda, entonces serian necesarias 256
observaciones, lo cual es una cantidad excesiva de pruebas para fines
prcticos.

Por otro lado, se necesitan 128 observaciones para un experimento con 7


factores por que se deben evaluar 127 posibles efectos (que son los grados de
libertad totales en 128 observaciones) de estos efectos 7 son los factores
principales, 21 interacciones de 2 factores, 35 de tres, 35 de cuatro, 27 de
cinco en cinco, 7 de seis en seis y una interaccin de 7 factores. En general el
nmero de interacciones de k factores tomados r en r es:

K!
r! (k r)!

El concepto de replicacin fraccionada parte de las siguientes hiptesis:

1. Las interacciones de tres o ms factores son sumamente raras en la


prctica, por lo que en general se pueden suponer como no existentes.

2. En un experimento de varios factores lo ms probable es que solo


algunos de ellos sean relevantes para la variable de respuesta.

3. La mayor parte del efecto se debe a los factores principales y algunas


interacciones de dos factores.

Lo anterior implica que por ejemplo para siete factores son necesarios
probablemente solo 28 grados de libertad (7 factores principales y 21
interacciones de dos factores), y esto equivale a solo 29 unidades de
informacin y no 128 como en el experimento original. Esto quiere decir que no
es necesario el correr una replicacin completa de todo el experimento cuando
el nmero de factores crece, sino solamente algunas casillas o condiciones
experimentales.

Pgina 33 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Cuando solamente una parte de las posibles casillas se prueban, se dice que
se tiene una replicacin fraccionada del experimento.
Las preguntas que surgen son:

1. Cuntas y cuales casillas probar?


2. Cmo analizar los resultados?
3. Qu informacin se pierde?

El responder a estas preguntas es uno de los objetivos de la replicacin


fraccionaria.

5.2 Fraccin un medio del diseo 2k


C onsidrese el caso en el que se estudian tres factores de dos niveles cada
uno, pero en el que los experimentadores no pueden costear las 2 3 = 8
combinaciones de tratamientos, sin embargo, si se puede costear 4
observaciones. Esto sugiere una fraccin un medio, de un diseo 2 3. la fraccin
un medio del diseo 2 3 se conoce tambin como un diseo 2 3-1 por que tiene 23-
1
= 4 combinaciones de tratamiento.

En la tabla 1 aparecen signos positivos y negativos del diseo 2 3. Supngase


que para componer la fraccin un medio, se seleccionan las combinaciones de
tratamientos se usa indistintamente la notacin convencional (a,b,c,...) y la de
signos positivos y negativos. La equivalencia de las dos notaciones se muestra
a continuacin.

Notacin 1 Notacin 2
a + - -
b - + -
c - - +
abc + + +

Pgina 34 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Combinacin de Efecto factorial


Tratamientos
I A B C AB AC BC ABC
a + + - - - - + +
b + - + - - + - +
c + - - + + - - +
abc + + + + + + + +
ab + + + - + - - -
ac + + - + - + - -
bc + - + + - - + -
(1) + - - - + + + -

Tabla 1 Signos positivos para el diseo 2 3

Ntese que el diseo 23-1 se forma al seleccionar solo las combinaciones de


tratamientos que producen un signo positivo sobre la columna ABC. Por esto
ABC se denomina generador de una fraccin particular. Adems, la columna
identidad I siempre es positiva, por lo cual:

I = ABC

Se denominara relacin definitoria de nuestro diseo, en general, la relacin


definitoria de un factorial fraccionario siempre es el conjunto de todas las
columnas que son iguales a la columna identidad I.

abc bc

c ac

b ab
C
B
A
a (1)

(a) Fraccin principal I = ABC (b) Fraccin alterna I = -ABC

Las combinaciones de tratamientos del diseo 23-1 producen 3 G.L. que pueden
usase para estimar los efectos principales. En la tabla 1 se muestra que las
combinaciones lineales de las observaciones que se utilizan para estimar los
efectos principales A, B, y C son:

Pgina 35 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

LA 1/2(a b c abc)
LB 1/2( a b c abc)
LC 1/2( a b c abc)
LBC 1/2(a b c abc)
LAC 1/2( a b c abc)
LAB 1/2( a b c abc)

Por lo tanto LA = LBC, LB = LAC y LC = LAB. En consecuencia, es imposible


distinguir entre A y BC, entre B y AC y entre C y AB. De hecho, es posible
mostrar que cuando se estima A, B y C, en realidad, lo que s esta haciendo es
estimar A + BC, CB + AC y C + AB, respectivamente. Dos o ms efectos que
tienen esta propiedad se conoce como alias. En este ejemplo, A y BC, B y AC y
C y AB son alias. Esto se indica empleando la notacin:

LA A BC,
LB B AC
LC C AB

La estructura de los alias de este diseo pueden determinarse fcilmente con la


relacin I = ABC, multiplicando cualquier efecto por la relacin que define al
diseo, modulo 2, da como resultado los alias de dicho efecto. En el ejemplo
anterior, los alias son:

A*I = A*ABC = A2BC

O dado que el cuadrado de cualquier columna es simplemente la identidad I.

A = BC

De modo similar, se encuentra que los alias de B y C son:

B*I = B*ABC = AB2C = AC


C*I = C*ABC = ABC2 = AB

Esta fraccin un medio o semifraccin, con I = +ABC, suele llamarse fraccin


principal.

Ahora supngase que se eligi la otra mitad de la replica. Esta se compone de


las combinaciones de tratamientos de la tabla 1 que tiene signo negativo
asociado con ABC. Esta fraccin un medio o alterna que consta de las
siguientes corridas:

Pgina 36 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Notacin 1 Notacin 2
(1) ---
ab ++-
ac +-+
abc -++

La relacin definitoria de este diseo es:


I = -ABC

Usando la fraccin alterna, las combinaciones lineales de las observaciones,


LA, LB y LC, son:

L' A A BC
L' B B AC
L' C C AB

Por lo tanto, en realidad s esta estimando A BC, B AC y C AB al estimar


A, B y C con esta fraccin. En la practica, no importa cual de las dos fracciones
se utilice. Generalmente la fraccin asociada con I = +ABC se denomina
fraccin principal. Ambas fracciones pertenecen a la misma familia; en otras
palabras, estas dos fracciones forman el diseo 2 3 completo.

5.3 Resolucin del diseo

E l diseo anterior 23-1 se conoce como diseo de resolucin III. En tal diseo
los alias de los efectos principales son interacciones de dos factores. Un
diseo es resolucin R si ningn efecto de p factores es alias de otro efecto
que tenga menos R p factores. Usualmente, se emplea el numeral romano
como subndice para indicar la resolucin del diseo. As, la fraccin un medio
del diseo 23 definido por la relacin I = ABC (o bien I = - ABC) constituye un
3 1
diseo 2III .

Los diseos de resolucin III, IV y V son de importancia primordial. A


continuacin, se presenta la definicin de estos diseos junto con un ejemplo.

1. Diseo con resolucin III: stos son diseos en los que ningn efecto
principal es alias de otro, pero si lo son de las interacciones de dos
factores; a su vez, estas ltimas son alias entre s. El diseo 2 3-1 de la
tabla 4.1 es de resolucin III.

2. Diseo con resolucin IV: En estos diseo ningn efecto principal es alias
de otro efecto principal, o bien, de alguna interaccin de dos factores. Las
interacciones de dos factores son alias entre s. Un diseo 2 4-1 con I =
4 1
ABCD es de resolucin IV ( 2IV ).

3. Diseos resolucin V: Estos son diseos en los que ningn efecto


principal o interaccin de dos factores es alias de ningn efecto principal o

Pgina 37 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

interacciones entre dos factores, un diseo 2 5-1 con I = ABCDE es de


resolucin V ( 2 5V1 ).

En general, la resolucin de un diseo factorial fraccionario de dos niveles es


igual al mnimo nmero de letras de cualquier palabra de la relacin que define
al diseo. En consecuencia, los diseos anteriores, a menudo, se conocen
como diseos de 3, 4 y 5 letras, respectivamente. Por lo general se deben usar
diseos fraccionarios con la mayor resolucin posible congruentes con el
fraccionamiento requerido. A mayor resolucin, las suposiciones relativas a las
interacciones que deben despreciarse con el propsito de hacer una
interpretacin nica de los datos son menos restrictivas.
.

Pgina 38 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

6. DISEOS DE EXPERIMENTOS FACTORIALES


COMPLETOS

5.1 Diseo factorial completo de 2 factores

Un ingeniero decide probar los tres materiales de la cubierta, nico factor


controlable a tres niveles de temperatura (15, 70 y 125 F) consistentes en el
entorno de uso final del producto. Se prueban cuatro bateras a cada
combinacin de material de la cubierta y temperatura, y las 36 pruebas se
ejecutan al azar.

En la tabla 1 se presentan el experimento y los datos resultantes de duracin


observada de las bateras.

En este problema, el ingeniero desea contestar las siguientes preguntas:

1. Qu efecto tienen el tipo de material y la temperatura sobre la duracin de


la batera?
2. Existe una eleccin del material que d por resultado una duracin
uniformemente larga sin importar la temperatura?

Temperatura F
Tipo de material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
3 150 188 126 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60

Tabla 1. Duracin en horas para el ejemplo del diseo de una batera

Esta ltima pregunta reviste particular importancia. Existe la posibilidad de


hallar un material que no sea muy afectado por la temperatura. De ser as, el
ingeniero puede hacer que la batera sea robusta a la variacin de temperatura
en el campo. ste es un ejemplo del uso del diseo experimental estadstico
para el diseo de un producto robusto (o consistente), un importante problema
de ingeniera.

Este diseo es un ejemplo especfico del caso general de un diseo con dos
factores (bifactorial). Para pasar al caso general, sea Yijk la respuesta
observada cuando el factor A se encuentra en el i-simo nivel (i -1, 2,..., n). En
general, los datos observados se vern como en la tabla 2. El orden en el cual
se toman las abn observaciones es aleatorio, de modo que ste es un diseo
completamente aleatorizado.

Pgina 39 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Factor B
1 2 ... b

Y 111,Y 112, Y 121,Y 122, Y 1b1,Y1b2,


1 ...
...,Y 11n ...,Y 12n ...,Y 1bn

Y 211,Y212, Y 221,Y 222, Y 2b1,Y 2b2,


2 ...
...,Y 21n ...,Y 22n ...,Y 2bn
Factor A
... ... ... ... ...

a Y a11,Ya12, Y a21,Y a22, Y ab1,Y ab2,


...
...,Y a1n ...,Y a2n ...,Y abn

Tabla 2. Disposicin general para un diseo bifactorial

Las observaciones pueden describirse mediante el modelo estadstico lineal:

i 1,2,..., a

Yijk i j ij ijk j 1,2,..., b
k 1,2,..., n

En donde es el efecto medio general, i es el efecto del i-simo nivel del
factor rengln A, j es el efecto del j-simo nivel del factor columna B, ()ij es
el efecto de la interaccin entre i y j, ijk es el componente del error
aleatorio. Inicialmente se supone que ambos factores son fijos y que los efectos
de tratamiento se definen como desviaciones de la media general, por lo tanto.
ia1 i 0; bj1j 0 Se supone que los efectos de interaccin son fijos y que se
definen d manera que: ia1 ij 0 . Hay un total de abn observaciones
porque se realizan n rplicas.

En un diseo factorial de dos factores, tanto los factores (o tratamientos) de


rengln como de columna tienen la misma importancia, especficamente el
inters consiste en probar hiptesis acerca de la igualdad de los efectos de
tratamiento de rengln, es decir:

Ho : 1 2 ...a 0

H1 : al menos una i 0

Y de la igualdad de los efectos de tratamiento de columna:

Ho : 1 2 ... b 0

H1 : al menos una j 0

Pgina 40 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Tambin es interesante determinar s los tratamientos de rengln y columna


interaccionan. En otras palabras, resulta conveniente probar:
Ho : ()i 0 para toda i, j

H1 : al menos una ()i 0

A continuacin, se muestra cmo pueden probarse estas hiptesis usando un


anlisis de variancia bifactorial o bidireccional (de dos factores o en dos
sentidos).

5.2 Anlisis Estadstico del Modelo de Efectos Fijos

S ea Yi..; el total de las observaciones bajo el i-simo nivel del factor A; Y.j.
El total de las observaciones bajo el j-simo nivel del factor B, Yij. El total
de las observaciones de la ij-sima celda, e Y... el total general de todas las
observaciones. Se definen Yi..; Y.j. y Yij. y Y... como los promedios de
rengln, columna, celda y general, respectivamente, matemticamente:

b n Yi..
Yi.. Yijk Yi.. ; i 1,2,..., a
j1k 1 bn
a n Y.j.
Y.j. Yijk Y.j. ; j 1,2,..., b
i1k 1 an

n Y...i 1,2,..., a
Yij. Yijk Yij. ;
k 1 n j 1,2,..., b

a b n Y...
Y... Yijk Y...
i1j1k 1 abn

La suma total de cuadrados corregida puede expresarse mediante:


b

n

k 1
Yij k Y.. .
2

j1
a

i1
a b n

Yi. . Y. .. Y. j . Y.. . Yij . Y.. . Y.j Y. ..

2



i1j1 k 1
Yij k Y

ij .

a

b

i1j1
n

k 1
Yij k Y.. . 2


a 2 b 2 a b
bn Yi.. Y.. . an Y.j . Y.. . n Yij . Yi. . Y. j.
i1 j1 i1 j1


a

b

i1j1
n

k 1
Yijk - Yij . 2

Porque los seis productos cruzados del segundo miembro de la ecuacin


anterior son iguales a cero. Se observa que la suma total de cuadrados se ha
descompuesto en una suma de cuadrados debida a los renglones o al factor
A (SSA) en una suma de cuadrados debida a las "columnas" o al factor B
(SSB), en una suma de cuadrados debida a la interaccin entre A y B (SSAB), y
en una suma de cuadrados debida al error (SS E): Analizando el ltimo trmino
del miembro derecho de la Ecuacin anterior es posible observar que es
necesario tener al menos dos rplicas (n 2) para poder obtenerla suma de
cuadrados del error.

Simblicamente, la Ecuacin anterior puede expresarse mediante:

Pgina 41 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

S T S A S B S AB S E
Los grados de libertad asociados a cada suma de cuadrados son:

Efecto Grados de libertad


A a-1
B b-1
Interaccin AB (a-1)(b-1)
Error ab(n-1)
Total abn-1

Esta descomposicin del total de abn -1 grados de libertad para las sumas de
cuadrados se puede justificar como sigue: Los efectos principales de A y B
tienen a y b niveles, respectivamente, por lo tanto, tienen a -1 y b -1 grados de
libertad como se muestra.

Los grados de libertad de la interaccin simplemente corresponden a los


grados de libertad de cada celda (los cuales son iguales a ab -1) menos los
grados de libertad de los dos efectos principales A y B en otras palabras, ab -1
-(a -1) -(b -1) -(a- 1)(b -1). Dentro de cada una de las ab celdas hay n -1 grados
de libertad entre las n rplicas, por lo tanto, hay ab(n -1) grados de libertad del
error.

Se observa que la suma de los grados de libertad de los trminos del miembro
derecho de la ecuacin anterior es igual al total de los grados de libertad.

Cada suma de cuadrados dividida entre sus grados de libertad produce una
media de cuadrados.

Por lo tanto, para probar el significado de ambos efectos principales, as como


de su interaccin, simplemente deben dividirse las medias de cuadrados
correspondientes entre la media de cuadrados del error. Valores grandes de
estas razones implican que los datos no concuerdan con las hiptesis nulas.

Si se considera que el modelo estadstico es adecuado y que los trminos del


error ijk son independientes con distribuciones normales con variancia
constante 2, entonces las razones de las medias de cuadrados MS A/MSE,
MSB/MSE y MSAB/MSE tienen distribucin F con a -1, b- 1 y (a -1)(b -1) grados
de libertad en el numerador, respectivamente, y ab(n -1) grados de libertad en
el denominador. Las regiones crticas corresponden al extremo superior de la
distribucin F. Usualmente la prueba se presenta en una tabla de anlisis de
variancia como la que aparece en la tabla 2.

Fuente de SS G.L. MS
Fo

Pgina 42 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Variacin
Tratamientos A SSA a-1 MSA MSA
SSA MSE
a 1
Tratamientos B SSB b-1 MSB MSB
SSB MSE
b 1
Interaccin SSAB (a - 1)(b - 1) MSAB MSAB
SS AB MSE
(a 1)(b 1)
Error SSE ab(n-1) MSB
SS E
ab(n 1)

Total SST abn - 1

Tabla 2 ANOVA para el modelo bifactorial de efectos fijos

Es posible obtener las frmulas para calcular las sumas de cuadrados de la


ecuacin anterior. La suma total de cuadrados se calcula en forma usual
mediante:
2
a b n 2 Y ...
SST Y ijk
i1j1k 1 abn

Las sumas de cuadrados para los efectos principales son:

2 2
a Y i.. Y ...
SSA
i1 bn abn
2 2
b Y .j. Y ...
SSB
j1 an abn

Es conveniente obtener SSAB en dos etapas. Primero se calcula la suma de


cuadrados entre los totales de las ab celdas, conocida como la suma de
cuadrados debido a los "subtotales":
2 2
a b Y ij. Y ...
SSsubtotales
i1j1 n abn

Esta suma de cuadrados contiene a la SS A y SSB. Por lo tanto, la segunda


etapa consiste en calcular SSAB mediante:

SSAB SSsubtotales SSA SSB


La SSE se calcula por diferencia:

Pgina 43 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

SSE SST SSAB SSA SSB


o bien :

SSE SST SSSubtotales

Pgina 44 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Ejemplo: Ms sobre el experimento de diseo de una batera. En la tabla 3 se


presenta la duracin efectiva (en horas) observada en el ejemplo de diseo de
una batera descrito en la anterior Los totales de rengln y de columna se
indican en los mrgenes de la tabla; los nmeros subrayados son los totales
de celda.

Tipo Temperatura (F)


de
Mat.
15 70 125 Yi..
1 130 155 539 4 34 40 20 70
229 230 998
74 180 134.75 80 75 82 58
2 150 188 136 122 25 70
623 479 198 1300
159 126 106 115 58 45
3 138 110 174 120 96 104
576 583 342 1501
168 160 150 139 82 60
Y.j.= 1738 1291 770 Y...=
3799

Tabla 3. Duracin (en horas) para el experimento de diseo de una batera

Las sumas de cuadrados se calculan a continuacin:


2
a b n 2 Y ...
SST Y ijk
i1j1 k 1 abn
2
2 2 2 2 3799
130 155 74 ... 60 77,646.97
36
2 2
a Y i.. Y ...
SSmaterial
i1 bn abn
2 2 2 2
998 1300 1501 3799
10,683.72
(3)(4) 36
2 2
b Y .j. Y ...
SStemperat ura
j1 an abn
2 2 2 2
1738 1291 770 3799
39,118.72
(3)(49 36
2 2
a b Y ij. Y ...
SSinteracc ion
i1j1 n abn
2 2 2 2
539 229 ... 342 3799
10,683.72
4 36
39,118.72 9,613.78

SSE SST SSmaterial SStemperatura SSinteraccion

SSE 77,646.97 10,638.72 39,118.72 9,613.78

18,230.75

El anlisis de variancia aparece en la tabla 4. Se concluye que existe una


interaccin significativa entre el tipo de material y la temperatura porque F 0.05,4.27

Pgina 45 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

= 2.73. Adems, tambin son significativos los efectos principales del tipo de
material y de la temperatura, porque FO.O5.2.27 = 3.35.

Fuente de
variacin SS G.L. MS Fo
Tipo de material 10,683.72 2 5,341.86 7.91
Temperatura 39,118.72 2 19,558.36 28.97
Interaccin 9,613.78 4 2,403.44 3.56
Error 18,230.75 27 675.21
Total 77,646.97 35

Tabla 4. ANOVA para los datos de la duracin de la batera

Como auxiliar en la interpretacin de los resultados de este experimento resulta


til la construccin de una grfica de las respuestas promedio de cada
combinacin de tratamiento. Esta grfica se muestra en la figura 1.

175

150
Duracion promedio

125
Yij. 100
Material tipo 3
75
50 Material tipo 1
Material tipo 2
25

15 70 125
Tempera tura

Figura 1. Grfica de respuesta vs temperatura

El hecho de que las rectas no sean paralelas indica una interaccin


significativa. En general, a menor temperatura mayor duracin,
independientemente del tipo de material.

Al variar la temperatura de baja a intermedia, la duracin aumenta con el


material tipo 3, mientras que disminuye con los materiales tipo 1 y 2,

Cuando la temperatura vara de intermedia a alta, la duracin disminuye con


los materiales tipo 2 y 3, mientras que con el tipo 1 esencialmente permanece

Pgina 46 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

sin cambio. Al parecer, el material tipo 3 da los mejores resultados si lo que se


desea es menor perdida de duracin efectiva al cambiar la temperatura.

Para comprobar si el modelo es adecuado, se analizan los residuos que tengan


un comportamiento aleatorio y normal.

Pgina 47 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

7. DISEO DE EXPERIMENTOS TAGUCHI


7.1 Introduccin

La parte fundamental de la metodologa ideada por el matemtico japons G.


Taguchi es la optimizacin de productos y procesos, a fin de asegurar
productos robustos, de alta calidad y bajo costo.

La metodologa Taguchi consta de tres etapas:

a) Diseo del sistema


b) Diseo de parmetros
c) Diseo de tolerancias

De estas tres etapas, la ms importante es el diseo de parmetros cuyos


objetivos son:
a) Identificar qu factores afectan la caracterstica de calidad en cuanto a su
magnitud y en cuanto a su variabilidad.
b) Definir los niveles ptimos en que debe fijarse cada parmetro o factor, a
fin de optimizar la operacin del producto y hacerlo lo ms robusto posible.
c) Identificar factores que no afectan substancialmente la caracterstica de
calidad a fin de liberar el control de estos factores y ahorrar costos de
pruebas.

Para lograr lo anterior se ha manejado una serie de herramientas estadsticas


conocida como diseo de experimentos, tratadas anteriormente.

Taguchi ha propuesto una alternativa no del todo diferente que se que conoce
como: Arreglos Ortogonales y las Grficas Lineales.

La herramienta utilizada normalmente son diseos Factoriales fraccionados,


sin embargo cuando el nmero de factores se ve incrementado, las posibles
interacciones aumentan, as como la complicaciones para identificar cules son
las condiciones especficas a experimentar.

Un arreglo ortogonal se puede comparar con una replicacin factorial


fraccionada, de manera que conserva el concepto de ortogonalidad y
contrastes. Un experimento factorial fraccionado es tambin un arreglo
ortogonal .

Taguchi desarroll una serie de arreglos particulares que denomin:

La (b)C

Donde:
a = Representa el nmero de pruebas o condiciones experimentales que se
tomarn. Esto es el nmero de renglones o lneas en el arreglo.
b = Representa los diferentes niveles a los que se tomar cada factor.

Pgina 48 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

c = Es el nmero de efectos independientes que se pueden analizar, esto es


el nmero de columnas.

7.2 Arreglos ortogonales para experimentos a dos niveles


En esta seccin, se analiza qu son, cmo se usan y cules son los arreglos
ortogonales ms importantes para experimentos en los que cada factor toma
dos niveles.
Un arreglo ortogonal es una tabla de nmeros. Como ejemplo de un arreglo
ortogonal tenemos el siguiente:

F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4

1 , 2 = Niveles de los Factores (b)

De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como


ejemplo, se le llama un arreglo L4, por tener cuatro renglones.
En general, para un arreglo a dos niveles, el nmero de columnas (efectos o
factores) que se pueden analizar, es igual al nmero de renglones menos 1.

Taguchi ha desarrollado una serie de arreglos para experimentos con


factores a dos niveles, los ms utilizados y difundidos segn el nmero de
factores a analizar son:

No. de factores a Arreglo a No. de condiciones a probar


analizar utilizar
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64

El arreglo ortogonal ms popular es el arreglo L8, que se muestra a


continuacin junto con sus grficas lineales:

Pgina 49 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

L8 Col.1 Col. Col. Col. Col. Col. Col.


2 3 4 5 6 7
Exp. No.
1 1 1 1 1 1 1 1
2 1 1 1 2 2 2 2
3 1 2 2 1 1 2 2
4 1 2 2 2 2 1 1
5 2 1 2 1 2 1 2
6 2 1 2 2 1 2 1
7 2 2 1 1 2 2 1
8 2 2 1 2 1 1 2

Matriz o tabla
de
interacciones
Columnas 1 2 3 4 5 6 7
1 (1) 3 2 5 4 7 6
2 (2) 1 6 7 4 5
3 (3) 7 6 5 4
4 (4) 1 2 3
5 (5) 1 2
6 (1) 6
7 (7)

1 3 2
3 5
1
.7 5 4
6
2 6 4
(a)
(b) 7

Grficas lineales

Pgina 50 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Los pasos para un diseo de experimentos de parmetros en el caso de


menor es mejor son:

7.3 Caso menor es mejor

1. Seleccionar una caracterstica de calidad de salida a ser optimizada.


2. Seleccionar factores de control y sus niveles, identificando sus posibles
interacciones.
3. Seleccionar los factores de ruido y sus niveles; si son demasiados combinarlos
en dos o tres factores combinados.
4. Seleccionar los arreglos interno y externo adecuados; asignar los factores de
control al arreglo interno y los factores de ruido al arreglo externo.
5. Realizar los experimentos.
6. Realizar anlisis estadstico con base en S/N para identificar los niveles de los
factores de control ptimos Algunas veces ayuda realizar un estudio de la
interaccin entre factores de control y de ruido.
7. Realizar anlisis estadstico con base en las medias para identificar los niveles
de los factores de control ptimos que ajustan a la respuesta promedio en el
nivel deseado. Si hay conflicto entre los niveles de los factores para maximizar
la relacin S/N y ajustar la media, dar prioridad a los que sirven para maximizar
la relacin S/N.
8. Predecir el desempeo de salida ptimo con base en una combinacin ptima
de niveles de factores de control y realiza un experimento confirmatorio.

Ejemplo: Disminucin de la contaminacin

Optimizacin de un mtodo de purificacin para drenajes contaminados con


metales.

Las aguas residuales que contienen iones metlicos es muy riesgoso por su
toxicidad y no biodegradable. Se propone utilizar xidos de hierro hidratados
con un pH adecuado para remover los metales dainos. La caracterstica de
salida es la concentracin remanente de metales en mg/L, con una respuesta
menor es mejor.

Los factores de control son los siguientes:

Factores de control Nivel 1 Nivel 2 Nivel 3


A Contaminacin de FeII 2 7 15
B Temperatura C 25 50 75
C Tiempo de aejamiento h 1 2 3
D pH 8 10 12

Pgina 51 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

El factor de ruido introducido artificialmente es permanganato de potasio.


Factores de ruido Nivel 1 Nivel 2 Nivel 3
N Conc. De KMnO4 0.00375 0.0375 0.075

Se asume que no hay interacciones por lo que se puede utilizar un arreglo L9,
realizando los experimentos se obtienen los datos siguientes con dos rplicas
en cada nivel del factor de ruido:

L9 Col.1 Col.
Col. 2 3 Col. 4 N1 N1 N2 N2 N3 N3
Exp. A B C D Rep. Rep. Rep. Rep.
No. 1 2 1 2 Rep. 1 Rep. 2 Y promedio S/N
1 1 1 1 1 2.24 0.59 5.29 1.75 155.04 166.27 55.20 -39.36
2 1 2 2 2 1.75 5.07 1.05 0.41 0.38 0.48 1.52 -7.05
3 1 3 3 3 5.32 0.65 0.4 1.07 0.51 0.36 1.39 -7.05
4 2 1 2 3 0.37 0.32 0.34 0.68 4.31 0.65 1.11 -5.19
5 2 2 3 1 7.2 0.49 0.48 0.44 0.8 0.88 1.72 -9.54
6 2 3 1 2 39.17 27.05 46.54 25.77 138.08 165.61 73.70 -39.34
7 3 1 3 2 0.57 1.26 0.61 0.7 0.91 1.42 0.91 0.28
8 3 2 1 3 3.88 7.85 22.74 36.33 92.8 120.33 47.32 -36.20
9 3 3 2 1 15.42 25.52 35.27 48.61 67.56 72.73 44.19 -33.79

1 n
S / N 10 log yi2
n i1

Las sumas de cuadrados son las siguientes:


Para el arreglo L9 con nueve respuestas Y1 a Y9 se tiene:
La suma de cuadrados del factor A es:

A1 = Y1 + Y2 + Y3
A2 = Y4 + Y5 + Y6
A3 = Y7 + Y8 + Y9

A12 A22 A33


SSA CF
3
(Y Y .... Y9 ) 2
CF 1 2
9
La suma de cuadrados del factor B es:
B1 = Y1 + Y4 + Y7
B2 = Y4 + Y5 + Y8
B3 = Y3 + Y6 + Y9

Pgina 52 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

B12 B22 B33


SSB CF
3
(Y Y .... Y9 ) 2
CF 1 2
9

De la misma forma se calculan las sumas de cuadrados para los factores C y


D:
La suma de cuadrados total es:

SST = SSA + SSB + SSC + SSD

Haciendo los clculos en Minitab se obtiene:

Taguchi Analysis: Rep. 1, Rep. 2, Rep. 1_1, Rep. 2_1, ... versus A, B, C, D
Linear Model Analysis: SN ratios versus A, B, C, D

Estimated Model Coefficients for SN ratios


Term Coef
Constant -19.6915
A 1 1.8735
A 2 1.6687
B 1 4.9386
B 2 2.0970
C 1 -18.6078
C 2 4.3499
D 1 -7.8678
D 2 4.3221

S=*

Analysis of Variance for SN ratios


Source DF Seq SS Adj SS Adj MS F P Porcentaje de
contribucin
A 2 56.52 56.52 28.261 * * 2.49%
B 2 234.86 234.86 117.428 * * 10.32%
C 2 1705.37 1705.37 852.685 * * 74.91%
D 2 279.46 279.46 139.732 * * 12.28%
Residual Error 0 * * *
Total 8 2276.21

Linear Model Analysis: Means versus A, B, C, D


Estimated Model Coefficients for Means
Term Coef
Constant 25.2281
A 1 -5.8598
A 2 0.2819

Pgina 53 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

B 1 -6.1548
B 2 -8.3748
C 1 33.5124
C 2 -9.6215
D 1 8.4707
D 2 0.1513

S=*

Analysis of Variance for Means


Source DF Seq SS Adj SS Adj MS F P
A 2 196.59 196.59 98.30 * *
B 2 957.39 957.39 478.69 * *
C 2 5359.29 5359.29 2679.65 * *
D 2 438.35 438.35 219.17 * *
Residual Error 0 * * *
Total 8 6951.62

Response Table for Signal to Noise Ratios


Smaller is better
Level A B C D
1 -17.818 -14.753 -38.299 -27.559
2 -18.023 -17.595 -15.342 -15.369
3 -23.234 -26.727 -5.434 -16.146
Delta 5.416 11.974 32.866 12.190
Rank 4 3 1 2

Response Table for Means


Level A B C D
1 19.368 19.073 58.741 33.699
2 25.510 16.853 15.607 25.379
3 30.806 39.758 1.337 16.606
Delta 11.438 22.904 57.403 17.093
Rank 4 2 1 3
Las grficas factorials son las siguientes:

Pgina 54 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Main Effects Plot (data means) for SN ratios


A B

-10

-20
Mean of SN ratios

-30

-40
1 2 3 1 2 3
C D

-10

-20

-30

-40
1 2 3 1 2 3
Signal-to-noise: Smaller is better

Los niveles seleccionados son A en 1, B en 1, C en 3 y D en 2

Main Effects Plot (data means) for Means


A B
60

45

30

15
Mean of Means

0
1 2 3 1 2 3
C D
60

45

30

15

0
1 2 3 1 2 3

La respuesta estimada es:


Predicted values
S/N Ratio Mean

5.70044 -10.5261

Factor levels for predictions


A B C D
1 1 3 2

Pgina 55 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

8. REGRESIN Y CORRELACIN LINEAL

8.1 Introduccin
Son dos herramientas para investigar la dependencia de una variable
dependiente Y en funcin de una variable independiente X. Y = f(X)

Y = Variable dependiente que se desea explicar o predecir, tambin se llama


regresor o respuesta

X = Variable independiente, tambin se llama variable explicativa, regresor o


predictor

Regresin lineal - La relacin entre X y Y se representa por medio de una lnea


recta
Regresin curvilinea - La relacin entre X y Y se representa por medio de una
curva.

Y * *
** * * * *
* * * *
* b1 * * * *
* * * *
* * * * * *
b0
Correlacin positiva Correlacin negativa X
Sin correlacin

La ecuacin de la recta es la siguiente:

El trmino de error es la diferencia entre los valores reales observados Yi y los


valores estimados por la ecuacin de la recta. Se trata de que estos sean
mnimos, para lo cual se utiliza el mtodo de mnimos cuadrados.

Y *
Error Re siduo (Yi Yi )
*

Pgina 56 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

Se trata de minimizar la suma de todos los errores o residuos:

Las frmulas resultado de la minimizacin de lo cuadrados del error se


aplicarn en el siguiente ejemplo por claridad. Se tienen los siguientes
supuestos:

1. Los errores o residuos se distribuyen normalmente alrededor de la recta de


regresin poblacional
2. Las varianzas de los errores son las mismas en todos los valores de X
(Homoscedasticidad) en caso contrario se tiene (Heteroscedasticidad)
3. Los errores o residuos son independientes: No se muestra algn patrn
definido.

El coeficiente de Correlacin r desarrollado por Carl Pearson es un indicador de


la fuerza de la relacin entre las variables X y Y, puede asumir valores entre -1
y 1 para correlacin negativa y positiva perfecta respectivamente. Por ejemplo
si se encuentra que la variable presin tiene una correlacin positiva con el
rendimiento de una caldera, se deben buscar soluciones al problema mediante
acciones asociadas con la variable presin; de lo contrario, sera necesario
buscar la solucin por otro lado.

Se identifican tres medidas de desviacin como sigue:

Y
Yest = 4.4 + 1.08 X

Desviacin no
Yi = 23 * explicada
Error = (Yi - Yest) =
1.32
Variacin total
(Yi-
Ymedia)=5.13 Desviaci explicada
(Yest-Ymedia) = 3.81
Ymedia =17.87

X = 16 X

8.2 Ejemplo manual

Se sospecha que el tiempo requerido para hacer un mantenimiento preventivo


est relacionado con su nmero. Calcular el coeficiente de correlacin y
graficar. Los datos de tiempo tomados para n = 25 servicios se muestran a
continuacin:

Pgina 57 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

X Servicios Y Tiempo (Xi-X)*(Yi-Y) (Xi-X)^2 (Yi-Y)^2 Yest Error


2 9.95 119.076672 38.9376 364.1533 10.9199 0.9408
8 24.45 1.099872 0.0576 21.0021 28.3362 15.1022
11 31.75 7.499472 7.6176 7.3832 37.0443 28.0292
10 35.00 10.502272 3.0976 35.6075 34.1416 0.7369
8 25.02 0.963072 0.0576 16.1026 28.3362 10.9969
4 16.86 51.612672 17.9776 148.1771 16.7253 0.0181
2 14.38 91.433472 38.9376 214.7045 10.9199 11.9721
2 9.60 121.260672 38.9376 377.6337 10.9199 1.7422
9 24.35 -3.558928 0.5776 21.9286 31.2389 47.4563
8 27.50 0.367872 0.0576 2.3495 28.3362 0.6991
4 17.08 50.679872 17.9776 142.8694 16.7253 0.1258
11 37.00 21.989472 7.6176 63.4763 37.0443 0.0020
12 41.95 48.568672 14.1376 166.8541 39.9470 4.0121
2 11.66 108.406272 38.9376 301.8142 10.9199 0.5477
4 21.65 31.303072 17.9776 54.5057 16.7253 24.2523
4 17.89 47.245472 17.9776 124.1620 16.7253 1.3564
20 69.00 470.014272 138.2976 1,597.3771 63.1686 34.0052
1 10.30 135.625472 52.4176 350.9178 8.0172 5.2111
10 34.93 10.379072 3.0976 34.7770 34.1416 0.6216
15 46.59 118.686672 45.6976 308.2553 48.6551 4.2646
15 44.88 107.127072 45.6976 251.1337 48.6551 14.2512
16 54.12 194.676672 60.2176 629.3676 51.5578 6.5649
17 56.63 241.751472 76.7376 761.6054 54.4605 4.7068
6 22.13 15.462272 5.0176 47.6486 22.5307 0.1606
5 21.15 25.540272 10.4976 62.1385 19.6280 2.3164
206 725.82 2,027.7132 698.5600 6,105.9447 220.0926
Sxy Sxx Syy = SST SSE
X promedio Y Promedio
Sxy Sxx Syy

Si todos los puntos estuvieran completamente sobre la recta la ecuacin lineal


sera y = a + bx. Como la correlacin no siempre es perfecta, se calculan a y b
de tal forma que se minimice la distancia total entre puntos y la recta. Los
clculos tomando las sumas de cuadrados siguientes se muestran a
continuacin:

Sxy = 2027.71
Sxx = 698.56
Syy = 6105.94

Las ecuaciones para el clculo manual son las siguientes:

b1 1
( Xi X )(Yi Y ) S XY
= 2.902704421
( Xi X ) 2
S XX

b0 0
Y i 1 X i
Y X = 5.114515575
n

Las sumas de cuadrados son:

Pgina 58 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

SST (Yi Y ) 2 6,105.9447

SSE (Yi Yi ) 2 (Yi (bo b1 * X i )) 2 220.0926

SSR SST SSE 5,885.8521

El coeficiente de determinacin r2 y el coeficiente de correlacin r se calculan a


continuacin:

SSE ( SST SSE ) SSR


r2 1 = 0.9639
SST SST SST

El coeficiente de determinacin indica el porcentaje de la variacin total que es


explicada por la regresin.

r r 2 = 0.9816

El coeficiente de correlacin proporciona el nivel de ajuste que tienen los


puntos a la lnea recta indicando el nivel de influencia de una variable en la
otra. El factor de correlacin r es un nmero entre 1 (correlacin negativa
evidente) y +1 (correlacin positiva evidente), y r = 0 indicara correlacin nula.

El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia


estadstica para afirmar que el tiempo de atencin esta relacionado con el
nmero de servicios atendidos.

8.3 USO DE EXCEL

1. En el men Herramientas seleccione la opcin Anlisis de datos.


Datos de ejemplo 6.
2. Seleccione la opcin Regresin.
3. Seleccione el rango de entrada, estos corresponden a los datos
numricos de la tabla.
4. Seleccione Resumen de estadsticas.
5. En opciones de salida seleccione en Rango de salida, una celda de la
hoja de calculo que este en blanco ( a partir de est celda sern
insertados los resultados).

Resumen

Estadsticas de la regresin
Coeficiente de
correlacin mltiple 0.981811778
Coeficiente de
determinacin R^2 0.963954368
R^2 ajustado 0.962387167
Error tpico 3.093419627
Observaciones 25

Pgina 59 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

ANLISIS DE VARIANZA Suma de Promedio de


Grados de Valor crtico
libertad Cuadrados cuadrados F de F
Regresin 1 5885.852069 5885.852069 615.0800898 4.24118E-18
Residuos 23 220.0926348 9.569244992
Total 24 6105.944704

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%


Intercepcin 5.114515575 1.145804127 4.463691004 0.000177215 2.744239161
XServicios 2.902704421 0.117040719 24.80080825 4.24118E-18 2.660587249

En la grfica observamos que al aumentar el nmero de servicios el tiempo de


atencin aumenta.

8.4 USO DE MINITAB

Para determinar la funcin de regresin y correlacin en Minitab se siguen los


pasos siguientes (despus de cargar los datos correspondientes a X y a Y en
las columnas C1 y C2):
Stat >Regresin ... Indicar la columna de Respuestas Y y la de
predictores X y aceptar con OK. Observar el valor del coeficiente de
correlacin y de determinacin.

Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue


en Minitab:
Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de
predictores X, seleccionar si se quiere ajustar con los datos con una
lnea, una funcin cuadrtica o cbica y aceptar con OK. Observar el
mayor valor del coeficiente de correlacin que indica el mejor ajuste.

Pgina 60 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

En Options: seleccionar Display Confidence (para media en X) y


Prediction Intervals para X.
En Graphs: Seleccionar Residual for plots Standardized y Normal Plot of
residuals
La grfica de residuos debe apegarse a la recta y tener siempre un valor
P value >0.05.

Fitted Line Plot


Y Tiempo = 5.115 + 2.903 X Servicios
Regression
70
95% CI
95% PI
60
S 3.09342
R-Sq 96.4%
50 R-Sq(adj) 96.2%
Y Tiempo

40

30

20

10

0
0 5 10 15 20
X Servicios

Regression Analysis: Y Tiempo versus X Servicios

The regression equation is


Y Tiempo = 5.115 + 2.903 X Servicios
S = 3.09342 R-Sq = 96.4% R-Sq(adj) = 96.2%
Analysis of Variance
Source DF SS MS F P
Regression 1 5885.85 5885.85 615.08 0.000
Error 23 220.09 9.57
Total 24 6105.94

La regresin tiene una r^2 de 96.4% y la influencia de una variable X en Y es


significativo.

Los intervalos de confianza para la media y el intervalo de prediccin para


un punto especfico X son los siguientes:

Pgina 61 de 62
CURSO DE DISEO DE EXPERIMENTOS P. Reyes / Sept. 2007

8.5 EJERCICIOS:

1. La energa consumida en un proceso depende del ajuste de mquinas,


realizar una regresin cuadrtica con los datos siguientes y responder las
preguntas.
Ajuste
Cons_energa Mq.
Y X
21.6 11.15
4 15.7
1.8 18.9
1 19.4
1 21.4
0.8 21.7
3.8 25.3
7.4 26.4
4.3 26.7
36.2 29.1

a) Trazar un diagrama de dispersin


b) Obtener la ecuacin de regresin lineal y cuadrtica y comparar
c) Estimar el consumo de energa para un ajuste de mquina de 20 con
regresin cuadrtica
d) Obtener los intervalos de prediccin y de confianza para un ajuste de
mquina de 20
e) Obtener el coeficiente de correlacin y de determinacin

2. En base al porcentaje de puntualidad se trata de ver si hay correlacin


con las quejas en una lnea area. Las quejas son por cada 100000 pasajeros.
%puntos Quejas
Aerolinea X Y
A 81.8 0.21
B 76.6 0.58
C 76.6 0.85
D 75.7 0.68
E 73.8 0.74
F 72.2 0.93
G 70.8 0.72
H 68.5 1.22

a) Trazar un diagrama de dispersin


b) Obtener la ecuacin de regresin lineal
c) Estimar las quejas para un porcentaje de puntualidad de 80%
d) Obtener los interalos de prediccin y de confianza para una altura de 63"
e) Obtener el coeficiente de correlacin y de determinacin

Pgina 62 de 62