Herramientas para La Mejora de La Calidad

Master en Gestin Integrada en
Prevencin, Medio Ambiente y Calidad

Aula
Herramientas para la Mejora de la Calidad
Dr. Pedro Vergara Vera
DISTRIBUCION NORMAL Sea X una variable aleatoria

continua con con recorrido , la variable X tiene
distribucin normal de parmetros y 2 si su funcin
de probabilidad es
f (x) =
( x )2
1
2
+2
0.6826
-3
-2
+3
>0
0.9544
-3
-2
+2
+3
+2
+3
0.9974
-3
-2
0.9974
0.9544
0.6826
-3
-2
+2
+3
si = 0 y
=1
(x) =
1
2
x2
2
Para clculos de probabilidades de procesos que se

distribuyen normal, se han tabulado los valores de
probabilidad acumulada a partir de la funcin (x)
Para usar esta tabla se deben estandarizar los valores
por :
z=
La velocidad a la que transitan los automovilistas en una

carretera se distribuye normal con media =90 km/h y
desviacin estndar
=5 km/h. Si se controla un
automovilista al azar, cul es la probabilidad que viaje a
una velocidad inferior a 100 km/h?
x 90 100 90
P ( x < 100 ) = P
<
= P ( z < 2.00) = 0.97725
5
5
Uso de la Tabla Normal

Se sabe que la edad de los accidentados se distribuye normal
con media = 31 aos y desviacin estndar = 2 aos. Si se
elige un accidentado al azar a)cul es la probabilidad que
sea menor de 28 aos? b) qu tenga entre 28 y 34 aos? c)
qu sea mayor de 34 aos?
x 31 28 31
<
2
2
= P ( z < 1.50) = 0.06681
P ( x < 28 ) = P
a)
28
28 31 x 31 34 31
<
<
2
2
2
= P ( 1.5 < z < 1.50 ) = 0.8664
P (28 < x < 34 ) = P
b)
28
34
x 31 34 31
>
2
2
= P ( z > 1.50) = 0.06681
P ( x > 34) = P
c)
34
INFERENCIA
Parmetro:
es
la
caracterizacin
numrica de una poblacin, que describe parcialmente
o en forma completa la funcin de densidad (o de
probabilidad) de la caracterstica en estudio
Estadgrafo o Estadstico : es una
funcin de las variables aleatorias que se observan
en una muestra.
n
Ejemplos : f 1 ( x ) =
i =1
xi
=x
f 2 ( x) =
i =1
( xi
n 1
x)2
= s2
La distribucin de probabilidad de un
estadstico recibe el nombre de distribucin muestral.
DISTRIBUCIN MUESTRAL DE LA MEDIA

Teorema central del lmite : Sean x1 , x2 ,..., xn
una muestra aleatoria de tamao n, con distribucin de
probabilidad no especificada, que tiene media y varianza
finita 2.
x1 + x2 +
x=
n
+ xn
__
El promedio muestral
tiene una distribucin con media y__

varianza finita
X~(,
2
X ~(,
2/n,
que tiende a una distribucin normal cuando n tiende a infinito,

es decir la variable aleatoria
N ( 0 ,1)
si n es grande, sin importar cual sea la distribucin de

probabilidad a partir de la cual se obtuvo la muestra.
DISTRIBUCIN MUESTRAL DE p
Sea x una v.a con distribucin de Bernoulli de
parmetro p.
Se toma una muestra aleatoria de tamao n, se estima
p, por
n
p =
i =1
xi
luego
p p
z=
~ N(0,1)
p q
n
DISTRIBUCIN MUESTRAL DE (n-1)S2/
Si S2 es la varianza de una muestra aleatoria de

tamao n tomada de una poblacin normal que tiene varianza
2, entonces el estadstico
(n 1) S
se distribuye
2
n 1
con =n-2 grados de libertad con
x )2
(x
i
S2 = i = 1
n 1
INFERENCIA ESTADSTICA
La inferencia estadstica consiste en tomar una
decisin respecto de una o ms poblaciones tomando como
referencia los datos proporcionados por una muestra de ella.
se deben buscar mtodos para transferir los resultados de la
muestra a la poblacin con el mnimo de error y la mxima
seguridad.
La inferencia estadstica se puede realizar
mediante estimacin de parmetros o por dcimas (pruebas
de hiptesis)
ESTIMACIN DE PARMETROS
A partir de una muestra aleatoria de tamao n de una

poblacin, la estimacin de una caracterstica de ella se
puede realizar a travs de Estimacin Puntual o
mediante Estimacin por Intervalos de Confianza.
Estimacin Puntual
Un estimador puntual
propiedades :
1) Estimador Insesgado
debe
tener
las
siguientes
Se dice que un estimador es insesgado si su esperanza

matemtica es igual al parmetro
E ( ) =
Un estimador es insesgado, es equivalente a decir que
su sesgo es nulo
2) Estimador Consistente
Es razonable esperar que un buen estimador de un
parmetro sea cada vez mejor si el tamao de la muestra
aumenta.
lim E ( ) =
limV ( ) = 0
3) Estimador Eficiente
Un estimador es eficiente si la varianza del estimador es la
menor posible
A) Intervalo de Confianza para la media de una poblacin normal

i) Cuando es conocida
Sea x1, x2,...,xn es una muestra aleatoria de tamao n proveniente de
una poblacin con distribucin N (, 2 ) donde 2 es conocida,
luego
2
x
z
=
N (0,1)
x N ,
por tanto,
n
2
Definiendo el Nivel de Confianza por 1- , y z el percentil (1
<
2
<z
#
!x z1
"
=1
P z
se tiene que :
P z
)% ,
; x +z
<x
<z
=1
INTERVALO DE CONFIANZA
PARA DEL (1- )%
Un fabricante de caeras desea estimar el dimetro medio externo

de stas. Durante el proceso de fabricacin mide el dimetro en m.m.
de 18 de ellas seleccionadas aleatoriamente. Los dimetros son :
10.8, 11,2, 10.9, 11.3, 11.2, 10.9, 11.1, 11.2, 11.3, 10.8, 10.9, 11.2,
11.4, 11.3, 11.4, 10.8, 10.9, y 10.7. Supngase que los dimetros en
el proceso de fabricacin se distribuyen normal con desviacin
estndar 0.25 m.m. Construir un intervalo de confianza estimado del
95% para el valor real del dimetro promedio de las caeras.
x = 11,07222
= 0.05
z0.025 = -2.96
#
!x
"
< < x +z
= 0.025
z0.975 = 2.96
= 0.975
z0.025 = z0.975 =2.96
0.25
0.25
#
11
,
07222
1
.
96
11
.
07222
1
.
96
<
<
+
!
18
18
"
& [10,956 ; 11 .188 ]
ii) Cuando
es desconocida
Sea x1, x2,...,xn es una muestra aleatoria de tamao n

proveniente de una poblacin con distribucin N (, 2 )
N (0,1)
nS 2
x
2
N (0,1)
a)
b)
c) T =
n 1
2
= n 1 son los grados de libertad de un distribucin
Donde
luego T = x
S*
2
tn
El intervalo de confianza del 100(1- )% para

desconocida est dado por :
#
!x
"
( n 1),1
S*
n
x +t
2 es
cuando
( n 1),1
S*
n
La Oficina de Personal est interesada en estimar la cantidad promedio de

dinero que se gasta en personal por concepto de comisiones de servicio, en
comida, alojamiento y trasporte, dineros que se deben rendir. De las distintas
comisiones de servicio que se han efectuado se seleccion una muestra
aleatoria de 15 funcionarios, obteniendo los siguientes valores de gastos
rendidos por da (en miles) : 22.5 , 28.2 , 29.5 , 22.2 , 24.8 , 25.4 , 23.7 , 22.5,
24.3 , 22.9 , 22.4 , 28.7 , 26.5 , 28.2 y 20.5. Si se supone que la cantidad de
dinero que se gasta diariamente se distribuye aproximadamente normal
a) Obtener un intervalo de confianza del 95% para el gasto promedio real.
x = 24.82 S* = 2.80718466
= 0.05
t 0.025, 14 = -2.145
#
!x
"
S*
< < x +t
1
n
= 0.025
t 0.975, 24 = 2.145
S*
n
= 0.975
t0.025 = t0.975
2 . 80718466
#
24
,
82
2
.
145
!
15
"
& [23,2652 ; 26,3747 ]
B) Intervalo de Confianza para una proporcin

Para construir un intervalo de confianza para el parmetro p desconocido de
una distribucin binomial con n conocido, se considera una muestra aleatoria
x1, x2,...,xn , donde:
*1 con probabilid ad p
xi = )
(0 con probabilid ad q = 1 p
1
Sea p = x =
n
E ( p ) = E ( x ) = p
E(
n
i =1
n
i =1
x i el estimador puntual, luego
, V ( p ) = V ( x ) =
x i ) = np , V (
n
i =1
p(1 p )
n
xi ) = np(1 p )
p p
p (1 p )
n
por tanto
N (0,1)
el intervalo aproximadamente del (1- )% para una muestra grande est dado
por :
#
!P
!"
p (1 p )
,P +Z
1
n
p (1 p )
n
Se recibe un gran cargamento de interruptores proveniente de

un proveedor que asegura que su produccin genera un 0.5%
de ellos defectuosos. Se selecciona una muestra aleatoria de
tamao 1000 de este envo, y se realiza una prueba de
eficiencia, encontrndose 4 de ellos que fallaron. Determine un
intervalo de confianza aproximado del 99% para la proporcin
defectuosa verdadera del proceso.
p =
4
= 0,004 , q = 1 p = 0,996
1000
z 0.005 = -2.57
#
! P
!"
#
! 0 , 004
"
2 , 57
p )
n
0 , 004
0 , 996
1000
0 , 001129
z 0.995 = 2.57
p ( 1
1
= 0.01
; 0 , 00912
,P + Z
= 0.995
z0.025 = z0.975 =2.57
p ( 1
1
; 0 , 004
= 0.005
p&
+ 2 , 57
[0
p )
0 , 004
0 , 996
1000
; 0 , 00912
C) Intervalo de confianza para

Para desconocida
Sea x1, x2,...,xn es una muestra aleatoria de tamao n

proveniente de una poblacin con distribucin , N ( , 2 )
si es desconocida se sabe que :
nS
( n 1)
n
i =1
2
2
luego, el intervalo de confianza del (1est dado por

# n
2
(
x
x
)
i
!
! i =1 2
,
( n 1) , 1
!
2
!"
x )2
( xi
n
i =1
( xi
2
x )2
( n 1) ,
,n + 2
( n 1)
)% para
# ( n 1)S 2 * ( n 1)S 2 *
, 2
! 2 ( n 1) , 1
( n 1) ,
!"
2
2
Para el problema de gastos del personal en comisiones de servicio,

determine el intervalo de confianza del 95% para 2
x = 24.82 S* = 2.80718466
= 0.05
S 2 * = 7.880285715
2
14 , 0.025
# (n 1)S 2 * (n 1)S 2 *
; 2
! 2
( n 1) ,
!" ( n 1) , 1 2
2
= 5.62
= 0.025
= 0.975
(n 1)S 2 * = 110.324
2
14 , 0.975
= 26.13
#110.324 110.324
= [4.2221 ; 19.6306 ]
! 26.13 ; 5.62
"
2
[4.2221 ; 19.6306 ]
[2.05477 ; 4.430643 ]
Dcimas de Hiptesis o Pruebas de Hiptesis

Introduccin : los problemas a los que se enfrenta un
cientfico o un ingeniero, o cualquier profesional no se
refieren slo a la estimacin de un parmetro poblacional,
sino, a la formulacin de un procedimiento de decisin
basado en los datos que puedan producir una conclusin
acerca de un problema. Por ejemplo, un investigador puede
decidir, con base a la informacin que dispone, que el
consumo de alcohol de los conductores aumenta el riesgo
de producir accidentes de trnsito. Para verificar esta
hiptesis debe obtener informacin a partir de datos
experimentales y tomar una decisin en base a ellos. Esta
conjetura se puede exponer como una Hiptesis Estadstica.
Definicin
Una Hiptesis Estadstica es una afirmacin o
conjetura acerca de las caractersticas de una
o ms poblaciones.
El problema de una hiptesis estadstica, es que nunca
se sabe con absoluta certeza la verdad o falsedad de
ella, a no ser que se examine toda la poblacin. En la
prctica slo se toma una muestra aleatoria de esta
poblacin de inters y se utilizan estos datos para
confirmar o no dicha hiptesis.
Definicin
Una Dcima o Prueba de Hiptesis es una regla o
procedimiento que nos indica cuando aceptar o
rechazar una hiptesis en funcin de los datos
experimentales de una muestra aleatoria.
Hiptesis Nula y Alternativa
La estructura de la prueba de hiptesis se
formular utilizando el trmino Hiptesis Nula, para
cualquier afirmacin que involucre el no cambio en
la poblacin, la que se denota por H0. El Rechazo de
H0 da como resultado la aceptacin de una Hiptesis
Alternativa.
Al probar cualquier hiptesis estadstica se

pueden presentar las siguientes situaciones :
Aceptar H0
H0 Verdadera
H0 Falsa
Rechazar H0
Decisin correcta
Error Tipo II
Error Tipo I
Decisin correcta
= P ( Aceptar H 0 / H 0 es falsa )
, = P (Re chazar H 0 / H 0 es verdadera )
, = P(Aceptar H0 / H0 es falsa)
= P(rechazar H0 / H0 es verdadera)
Dcima para una proporcin

Supongamos que para pegar las etiquetas de
identificacin de cierto producto se usa un
adhesivo A, que es el tradicional y que tiene una
efectividad del 96% para cierto perodo. Suponga
que aparece un nuevo adhesivo B el cual se
desea comparar con el pegamento tradicional. El
adhesivo B se prueba en 1500 productos en ese
perodo y se encuentran 20 de ellos con la
etiqueta parcialmente despegada y 25 sin
etiqueta. Es el nuevo adhesivo ms eficaz que
el tradicional?
Requisito de similitud
Qu requisitos debe cumplir la muestra que
se ha de escoger?.
La muestra debe ser aleatoria, lo que
garantiza independencia en la seleccin de
las variables y representatividad de la
poblacin, puesto que los errores que se
pueden producir son slo a consecuencia del
azar.
Deben estar representados todos los
factores que involucren la eficacia del
adhesivo.
Planteamiento de la hiptesis
Hiptesis de Nulidad
H0 : El pegamento B en cuanto a efectividad es igual
al pegamento A
Sea
p :
la proporcin de efectividad en la
poblacin con el adhesivo B
p0 : la proporcin de efectividad en la
poblacin con el adhesivo tradicional
luego H0 : p = p0 = 96%
Enunciada la hiptesis de nulidad, se debe

plantear una hiptesis alternativa, que es la que
considera el cambio.
Este cambio se puede presentar de distintas
formas, por lo que la formulacin correcta de
esta hiptesis es otro de los aspectos
importantes en la dcima, ya que orientar para
la construccin de la regla de decisin.
Hiptesis Alternativa H1
Dependiendo del conocimiento que se disponga, se
pueden plantear las siguientes hiptesis alternativas :
H1 : p > p0 , es decir, H1 : p > 96% La proporcin de eficacia con
el adhesivo B es mayor que la del adhesivo tradicional (prueba
unilateral)
H1 : p < p0 , es decir, H1 : p < 96% La proporcin de eficacia con
el adhesivo B es menor que la del adhesivo tradicional (prueba
unilateral)
H1 : p - p0 , es decir, H1 : p - 96% La proporcin de eficacia
con el adhesivo B es distinta que la del adhesivo tradicional
(prueba bilateral). Esta prueba es recomendada cuando no hay un
conocimiento anterior del problema que permita enunciar pruebas
unilaterales.
Determinacin de la Regin de Rechazo de la Hiptesis

Para
= 0.05
a) Para H1 : p > p0 , es decir, H1 : p > 96%
z crt = 1.64
Regin de rechazo de H0
con esta rea = 0.05, se busca en la tabla normal aquel valor que
deja un rea bajo l de 0.95, encontrando z = 1.64. Este valor de z se
llama zcrtico.
Si el valor calculado en la muestra es mayor que este z crtico, se debe
rechazar H0, en cambio si el valor calculado es menor, se dice que no
existe evidencia para rechazar H0, y que las diferencias observadas
son producto del azar del muestreo
b) Para H1 : p < p0 , es decir, H1 : p < 96%
z crt = -1.64
con esta rea = 0.05, se busca en la tabla normal aquel valor que deja bajo
l de 0.05, encontrando z = -1.64. Si el valor calculado en la muestra es menor
que este z crtico, se debe rechazar H0, en cambio si el valor calculado es
mayor, se dice que no existe evidencia para rechazar H0, y que las diferencias
observadas son producto del azar del muestreo
c) Para H1 : p p0 , es decir, H1 : p - 96%
z crt = -1.96
z crt = 1.96
Regiones de rechazo de H0
como
= 0.05
/2 = 0.025, se busca en la tabla normal
aquellos valores que dejan un rea bajo l de 0.025, y un rea
bajo l de 0.975. Los valores crticos son z = -1.96 y z =1.96, si el
valor calculado se encuentra entre -1.96 y 1.96, se dice que no
existe evidencia para rechazar H0.
para el ejemplo del adhesivo, se usar la opcin a)
Clculo del estadstico a usar

Un estadstico corresponde a un valor calculado que
obtenemos a partir de una muestra.
zcal = ( p p )
p q
n
donde p : es la proporcin de eficacia del adhesivo B en la muestra, p0 : es la

proporcin de eficacia del adhesivo tradicional (90%), y n es el tamao de la
muestra,luego
zcal = (97 96)
96 4
= 1.9764
1500
Conclusin
Como zcal > zcrit , se rechaza H0, o sea, el adhesivo B es
significativamente ms eficaz que el pegamento tradicional.
Dcima para un promedio

a) Varianza conocida
Sea x1, x2, ... , xn una muestra aleatoria de tamao
n proveniente de una distribucin normal N(, 2) donde 2 es
conocida, luego el estadstico
z=
0
/ n
N (0,1)
Se sabe que en cierta carretera la velocidad a la que conducen los

automovilistas se distribuye normal con media 100 km/h y
desviacin estndar de 10 km/h. Para determinar si la velocidad
promedio est aumentando, se registr la velocidad en forma
aleatoria de 50 conductores encontrando una velocidad promedio de
102.5 km/h. Qu puede concluir con esta informacin?
Use
=0.05
Requisito de similitud : La muestra es aleatoria y representativa de la
poblacin
Hiptesis de trabajo
H0: =100
H1: >100
km/h
km/h
Nivel de significacin=0.05
Determinacin de la regin de rechazo de H0
z crt = 1.64
Clculo del estadstico a usar

El estadstico calculado se define por
zcal =
0
/ n
Con los datos de la muestra se tiene
zcal =
102,5 100
=
= 1.76
/ n
10 / 50
Conclusin
Como zcal >zcrit , se rechaza H0, es decir, la
velocidad promedio de los automovilistas es superior a
100 km/h
b) Varianza desconocida
Un fabricante de correas de seguridad ha desarrollado un
nuevo material sinttico, y afirma que tiene una resistencia a la
ruptura de 220 kg. Si se toma una muestra aleatoria de 24 cuerdas
y se encuentra que tienen una ruptura media de 222 kg con una
desviacin estndar de 5 kg. Para un nivel de significacin de
=0.01, qu puede concluir respecto de la afirmacin del
fabricante respecto de la resistencia a la ruptura?
Requisito de similitud : Se supone que la muestra es aleatoria y
representativa de la poblacin.
Hiptesis de trabajo
H0 : = 220 kg
H1 : - 220 kg
Nivel de significacin :
= 0.01
= 0.005
t cr
crt = -2.807
t cr
crt = 2.807
Regiones de rechazo de H0
Prueba de hiptesis
El estadstico de prueba es
t cal
x
=
S*
t cal
x
=
S* n
222 220
=
= 1.959
n
5 24
Conclusin : Como -zcrt < zcal < zcrt , no existe

evidencia estadstica para rechazar H0
1.- Se toma una muestra aleatoria de 100 muertos por accidentes de

trnsito, encontrando que la edad promedio de los fallecidos es 27 aos
con una desviacin estndar de 2 aos. Suponiendo que la edad de los
fallecidos se distribuye aproximadamente normal, parecera indicar que la
edad promedio de los fallecidos es mayor que 28 aos?
2.- Un fabricante de bateras para radiotransmisores afirma que sus

bateras tienen una carga til media de 22 horas. El departamento de
adquisiciones se interesa en comprar esta bateras siempre que la carga til
media no sea inferior a lo afirmado por el fabricante. Para tomar una
decisin el departamento compra en forma annima 25 bateras y las utiliz
en forma experimental hasta que se agot su carga til, obteniendo una
carga til media de 22.5 horas con una desviacin estndar S*=2.5 horas.
Suponiendo que la duracin de la carga tiene una distribucin
aproximadamente normal, Qu decisin debe tomar el departamento de
adquisiciones si utiliza un nivel de significacin del 5%?
DCIMA PARA DOS MEDIAS

A. Dcima para igualdad de medias
i) Varianzas iguales conocidas
Sean X1 y X2 dos muestras aleatorias independientes
de tamaos n1 y n2 provenientes de dos poblaciones normales
con medias 1 y 2, y varianzas 12= 22= 2 conocidas. La
hiptesis para la igualdad de dos medias se expresa por :
H 0 : 1 = 2 o H 0 : 1 2 = 0
y las hiptesis alternativas por :
H1 : 1 < 2 o H1 : 1 2 < 0
H 1 : 1 > 2 o H 1 : 1 2 > 0
H1 : 1 - 2 o H1 : 1 2 - 0
el estadstico a calcular est dado por : zcal =
x1 x 2
1 1
+
n1 n2
Ejercicio : Se sabe que el tiempo medio que demora un funcionario

en realizar cierto tipo de procedimiento se distribuye normal con
desviacin estndar conocida
= 1 minutos. Se realiz un
experimento para comparar los tiempos medios que demoran
funcionarios antiguos (A) respecto funcionarios nuevos (B), para
ello, se toma una muestra aleatoria de 10 funcionarios antiguos y
una muestra de 8 funcionarios nuevos, midiendo el tiempo que
demoran en efectuar el procedimiento en minutos, obteniendo los
siguientes resultados :
Tiempos funcionarios antiguos
5.5 4.8 5.4 4.9 5.1 5.0 5.3 5.2 5.0 4.9
Tiempos funcionarios nuevos
5.9 4.9 5.5 4.8 5.2 5.0 5.1 5.0
Para un nivel de significacin del 5%, se puede afirmar que los

funcionarios antiguos en promedio demoran menos tiempo en
efectuar el procedimiento que los funcionarios nuevos?
ii) Varianzas iguales desconocidas

Sean X1 y X2 dos muestras aleatorias independientes de
tamaos n1 y n2 provenientes de dos poblaciones normales con
medias 1 y 2, y varianzas 12 = 22 = 2 desconocidas. La hiptesis
para la igualdad de dos medias se expresa por :
H 0 : 1 = 2 o H 0 : 1 2 = 0
y las hiptesis alternativas por :
H 1 : 1 < 2 o H 1 : 1 2 < 0
H1 : 1 > 2 o H1 : 1 2 > 0
H 1 : 1 - 2 o H 1 : 1 2 - 0
el estadstico a calcular est dado por : t cal
con
= n1 + n2 - 2 grados de libertad,
donde S
com
(n1 1)S1 + (n2 1)S2

=
n1 + n2 2
x1 x2
=
1 1
+
Scom
n1 n2
Ejercicios :
1.- Un auditor de una Institucin Fiscal desea
comparar la eficiencia de dos tcnicas de auditora diferentes. Para
probarlas, selecciona una muestra aleatoria de 12 cuentas de una
empresa y les aplica la tcnica 1, y, selecciona al azar otras 8
cuentas y les aplica la tcnica 2. El nmero de errores en las
cuentas encontradas en la empresa aplicando las dos tcnicas se
muestra en la siguiente tabla :
Tcnica 1
25 16 33 14 21 22 24 26 28 20 18 23
Tcnica 2
26 15 24 12 22 18 23 21
Suponiendo que el nmero de errores se distribuye normal, con esta

informacin, Existe evidencia para afirmar que existe diferencia
entre el nmero medio de errores dependiendo de la tcnica que se
utilice? Use =0.05
2.- La Institucin ha realizado una campaa publicitaria para el uso

racional del automvil en relacin a no concurrir a sus lugares de
trabajo sin llevar amigos o vecinos. Para probar la eficiencia de la
compaa se entrevist a 10 conductores antes del inicio de la
campaa que indicaran el nmero de personas que viajaban con l
diariamente a su lugar de trabajo, y a otros 10 conductores
despus de finalizada. En la tabla se muestra el nmero de
personas que viajan por vehculo :
Antes de la campaa
2 1
Despus de la campaa
2 3
Para un nivel de significacin del 5%, existe evidencia estadstica

para afirmar que la campaa consigui incrementar el nmero de
pasajeros por automvil?
iii) Muestras pareadas

Existen muchas situaciones prcticas, en la que se requiere
conocer ms de una caracterstica por unidad de observacin, esto
significa que por cada unidad de observacin se obtendr un vector
de variables. En particular cuando se observa dos caractersticas
por cada unidad de estudio, se obtiene una muestra pareada.
El anlisis de esta informacin requiere de una metodologa
diferente a la anteriormente tratada, puesto que en esos casos las
muestras son independientes. Por ejemplo, se realiza un estudio
para determinar el grado en que el consumo de alcohol entorpece la
habilidad para conducir. Se disea un experimento seleccionado al
azar 10 voluntarios de distintas caractersticas que conducirn en un
simulador con un programa estndar para todos. Sin consumir
alcohol, el voluntario conduce en el simulador y se cuenta en un
lapso de tiempo t , el nmero de colisiones con los obstculos. Si se
ha ingerido alcohol (todos misma cantidad), conducen en el
simulador y se cuentan las colisiones producidas en el mismo lapso
de tiempo t.
Al realizar este experimento se obtienen un vector con la

informacin del nmero de colisiones bajo y sin influencia del
alcohol, que muestran en la siguiente tabla:
Voluntario
10
Sin consumo de alcohol
10
12
17
11
10
14
16
15
13
12
Con consumo de alcohol
11
19
18
17
13
14
17
16
15
13
d = 2 .3
-1
-7
-1
-6
-3
-1
-1
-2
-1
S * d = 2.35937845
d i = xi
yi
para un nivel de significacin del 5%, existe evidencia estadstica para

afirmar que el consumo de alcohol incrementa el nmero de colisiones?
H0 : x = y
H1 : x < y
t crt = -1.833
para = 0.05 con = n-1 = 9 grados de libertad, para realizar esta

dcima se utiliza el estadstico
2 .3
d
= 3.0827
t
=
cal
luego
se
tiene
que
:
t ( n 1)
t cal = *
2.35937845 / 10
Sd/ n
por tanto como tcal < tcrit , se rechaza H0, es decir, el consumo de alcohol
de los conductores favorece el aumento de colisiones.
PRUEBAS DE BONDAD DE AJUSTE

Se utilizan para determinar si una poblacin
tiene una distribucin terica especfica. La prueba
se basa en que tan buen ajuste se tiene entre la
frecuencia de ocurrencia de las observaciones en
una muestra, y las frecuencias esperadas que se
obtienen de la distribucin hipottica. Considere
una muestra aleatoria de tamao n, dividida en k
clases exhautivas y mutuamente excluyentes, sea
Oi , i=1,2,...,k el valor observado en la muestra para
la clase i ; sea Ei , i=1,2,...,k, el valor esperado de
la distribucin hipottica para la clase i.
Ejemplo :
La SIAT desea determinar si el nmero de accidentes
fatales se encuentra distribuido de igual forma para el color de los
automviles involucrados en los accidentes. Para ello, se tom
una muestra aleatoria de 700 accidentes automovilsticos en los
cuales ocurri por lo menos una muerte y se consign el color del
automvil involucrado, obteniendo la siguiente informacin :
Blanco
Azul
43
120
Burdeos Negro
125
156
Plomo
Amarillo
Violeta
135
54
67
Para un nivel de significacin del 1%, existe evidencia para

afirmar que la distribucin de accidentes segn el color del
automvil es la misma?
H0 : La distribucin de accidentes segn el color es la misma, es decir,

la distribucin de accidentes es uniforme segn el color del automvil
H1 : La distribucin de los accidentes segn el color del automvil no
es la misma
Blanco
Azul
Burdeos
Negro
Plomo
Amarillo
Violeta
Oi
73
106
110
123
122
79
87
Ei
100
100
100
100
100
100
100
El estadstico a calcular para efectuar esta prueba est dado por :

2
cal
k
i =1
(Oi
E i )2
Ei
2
( k 1)
si las frecuencias observadas son prximas a las correspondientes

frecuencias esperadas, el valor del estadstico ser pequeo, lo que indica
un buen ajuste, de lo contrario si las frecuencias observadas difieren
considerablemente de las frecuencias esperadas, el valor ser grande, y
por tanto, no habr un buen ajuste, el valor calculado caer en la regin de
rechazo de H0. Para este tipo de dcima, la hiptesis alternativa es
unilateral, la regin crtica se ubicar en la cola derecha de la distribucin,
luego si 2 cal > 2 , k 1 se rechaza H0
crit
= 16.81
0.01 , 6
como
= 24.88 >
DCIMAS
cal
2
0.01,6
= 16.81 se rechaza H0
PARA ANLISIS DE TABLAS DE ASOCIACIN
Esta prueba permite determinar si existe alguna relacin entre dos

caractersticas diferentes de una poblacin, en que cada una de
ellas ha sido dividida en un cierto nmero de categoras. Para
realizar esta dcima se supone que las dos clasificaciones son
independientes, y se utiliza la variable :
2
cal
con
E ij =
ni x n j
n
i =1 j =1
(Oij
Eij )2
E ij
2
(f 1) (c 1)
Ejemplo :
En un estudio se tom una muestra aleatoria de 300
accidentes automovilsticos, y se clasific la informacin de acuerdo
con el tamao del automvil involucrado, obteniendo la siguiente
informacin :
Pequeo
Oi
Ei
Mediano
Oi
Ei
Grande
Oi
Ei
Por lo menos
un muerto
42
38.8
35
32.33
20
25.866
97
Ningn muerto
78
81.2
65
67.66
60
54.133
203
Total
120
100
80
Total
300
Para un nivel de significacin del 5%, existe asociacin entre el tamao del
vehculo y muerte en accidentes de trnsito?
H0 : No hay asociacin entre el tamao del vehculo y muertes en los accidentes de trnsito
H1 : Existe asociacin entre el tamao del vehculo y muertes en los accidentes de trnsito
como
2
cal
= 2.681 <
2
0.05,2
= 5.99
no existe evidencia estadsticamente significativa para rechazar H0
Ejercicios :
1.- Se realiz una encuesta respecto de la preferencia del
personal segn su oficio, para determinar si existe alguna
predileccin de destino de trabajo respecto de tres regiones
geogrficas, obteniendo la siguiente informacin .
Regin A
Regin B
Regin C
Total
electricista
45
60
20
125
soldador
60
75
40
175
estucador
70
85
55
210
Total
175
220
115
510
Para un nivel de significacin del 5%,existe asociacin entre los

diferentes oficios y la regin en donde les gustara trabajar?
2.- Se realiza un estudio para determinar si existe asociacin entre

el hbito de consumo de alcohol respecto del nmero de accidentes
laborales con causa de lesiones de invalidez, para ello, se toma una
muestra aleatoria de 55 trabajadores que estuvieron involucrados
en accidentes, obteniendo la siguiente informacin :
Con causa
de lesiones
de invalidez
Sin causa de
lesiones de
invalidez
Total
Bajo influencia del

alcohol
20
10
30
Sin consumo
de alcohol
20
25
Total
25
30
55
Para un nivel de significacin del 5%, qu puede concluir?
GRFICOS DE CORRELACIN
Permiten obtener una impresin visual del grado de dependencia lineal
existente entre dos variables
Plot of Peso vs Edad
PESO
9,5
11,2
12,7
14,5
16,1
17,9
19,7
21,2
23,4
24,7
25
21
Peso
EDAD
1,8
2,5
3,2
3,9
4,6
5,3
6
6,7
7,6
8,1
17
13
9
0
6
Edad
10
El coeficiente de correlacin permite determinar el grado de asociacin lineal

existente entre dos variables cuantitativas
n
rxy =
i =1
n
i =1
rxy =
xi
xi yi
n x
n x y
n
i =1
yi
n y2
EDAD
1,8
2,5
3,2
3,9
4,6
5,3
6
6,7
7,6
8,1
49,7
PESO
9,5
11,2
12,7
14,5
16,1
17,9
19,7
21,2
23,4
24,7
170,9
949.37 10 4.97 17.09

288.45 10 (4.97 )
Caractersticas
3162.03 10 (17.09 )
EDAD*PESO
17,1
28
40,64
56,55
74,06
94,87
118,2
142,04
177,84
200,07
949,37
= 0,99988
EDAD2
3,24
6,25
10,24
15,21
21,16
28,09
36
44,89
57,76
65,61
288,45
PESO2
90,25
125,44
161,29
210,25
259,21
320,41
388,09
449,44
547,56
610,09
3162,03
Coeficiente de
variacin
r 2 xy = 0,9997656
1) 0. rxy . 1
2) Valores prximos a cero indican que no existe asociacin lineal entre las variables
3) Valores prximos a uno indican que existe asociacin lineal entre las variables
REGRESIN LINEAL
1.- Introduccin
El nombre genrico de modelos de regresin, proviene de los trabajos
de Galton en biologa a finales del siglo XIX. Galton estudi la dependencia
de la estatura de los hijos (y) respecto a la de sus padres (x), encontrando lo
que denomin una regresin a la media : los padres altos tienen, en general,
hijos altos, pero, en promedio, no tan altos como sus padres; los padres
bajos tienen hijos bajos, pero, en promedio, ms altos que sus padres.
Desde entonces, los modelos estadsticos que explican la dependencia de
una variable y respecto de una o varias variables cuantitativas x se
denominan modelos de regresin Daniel Pea 1989.
Segn Daniel Pea, 1989, se debe admitir que todos los factores o causas
que influyen en una variables respuesta (y) pueden dividirse en dos grupos :
el primero contiene una variable (x), conocida al observar (y), que tiene una
influencia lineal en la respuesta; el segundo incluye un conjunto muy grande
de factores, cada uno de los cuales influye en la respuesta slo en una
pequea magnitud, que se engloba dentro del nombre comn de error
aleatorio.
La hiptesis bsica del modelo
y i = , 0 + , 1 x i + ei
donde yi y ei son variables aleatorias, bajo los siguientes supuestos
. La perturbacin tiene esperanza cero, es decir,
E[ei ] = 0
. La varianza de los errores es constante, es decir, Var (ei ) =

. Los errores tiene distribucin normal
ei ~ N (0,
. Las perturbaciones ei son independientes entre s, E (ei , e j ) = 0
/i - j
Model fitting results for: Peso

-------------------------------------------------------------------------------------------------Independent variable
coefficient std. error
t-value sig.level
-------------------------------------------------------------------------------------------------Constant
5.097406 0.07015
72.6641
0.0000
Edad
2.412997 0.013062 184.7406
0.0000
-------------------------------------------------------------------------------------------------R-SQ. (ADJ.) = 0.9997 SE=
0.084083 MAE=
0.064989
10 observations fitted, forecast(s) computed for 0 missing val. of dep. var.
Peso = 5.097406 + 2.412997 * Edad

Analysis of Variance for the Full Regression
-------------------------------------------------------------------------------------------------------Source
Sum of Squares DF Mean Square
F-Ratio
P-value
-------------------------------------------------------------------------------------------------------Model
241.292
1
241.292
34129.1 0.0000
Error
0.0565599
8
0.00706999
------------------------------------------------------------------------------------------------------Total (Corr.)
241.349
9
R-squared = 0.999766
Peso = 5.097406 + 2.412997 * Edad

Standardized
Residual
0.85341
0.95570
-1,74724
-0.09646
-1,26577
0.16132
1,78994
-0.82602
-0.47772
0.81949
Plot of Peso vs Edad
Normal Probability Plot
25
99.9
21
95
80
Peso
cumulative percent
99
50
17
20
13
5
1
0.1
-0.12
-0.07
-0.02
0.03
Residuals
0.08
0.13
6
Edad
10
0.13
0.08
Residuals
Regression result for Peso

Observation Observed
Fitted
Number
Values
Values
Residual
1
9,5
9,4408
0,00592
2
11,2
11,1299
0,0701
3
12,7
12,819
-0,119
4
14,5
14,5081
-0,00809
5
16,1
16,1972
-0,09719
6
17,9
17,8863
0,01371
7
19,7
19,5754
0,12461
8
21,2
21,2645
-0,06448
9
23,4
23,4362
-0,03618
10
24,7
24,6427
0,05732
0 residuals beyond 3 sigma.
Residual Plot for Peso
0.03
-0.02
-0.07
-0.12
9
13
17
Predicted
21
25
REGRESION MULTIPLE
1. INTRODUCCIN
El modelo de regresin de regresin mltiple es la extensin para n
variables explicativas del modelo de regresin lineal simple. En general, una
variable respuesta y, depende de muchas otras variables x1, ..., xn, aunque
algunas de stas pueden ser no observables o, incluso, desconocidas para
el investigador. El modelo de regresin pretende medir el efecto de las ms
importantes, y representa el de las restantes mediante una variable
aleatoria que se denomina error del modelo. Es decir:
y = f(X1, ... ,Xk) + g(Xk+1, ... , Xn)

Suponiendo que, en el rango de valores de inters, la funcin f(X1, ... ,Xk)
admite una aproximacin lineal, con lo que resulta el modelo de regresin
mltiple:
y = , 0 + ,1 X 1 + , 2 X 2 + ,12 X 1 X 2 + . . . . + , k X k + &
Considerando algunos ejemplos :

1) tratar de determinar como influye sobre el rendimiento de un proceso,
la temperatura, la presin atmosfrica, la humedad, el tiempo de
proceso, etc.;
2) explicar la remuneracin de los cargos directivos de las empresas
chilenas en funcin de las caractersticas del individuo que lo ocupa
(edad, titulo, aos de experiencia, cursos de capacitacin, etc.), del
puesto analizado (nmero de personas que de l dependen, nivel
jerrquico, etc.), y de la empresa (sector tamao, beneficios, etc.)
3) se estudia la calidad de un producto en funcin de la materia prima
con que se fabrica, del tipo de mquina, del operario, del tiempo de
proceso, etc.
Para construir un modelo de regresin mltiple, primero se debe establecer un
conjunto de hiptesis respecto a la distribucin de la perturbacin (o error), y la
relacin entre la variable dependiente y las independientes; segundo, tomar
una muestra y estimar los parmetros del modelo, construyendo intervalos de
confianza para describir la incertidumbre presente en su estimacin; tercero,
se debe contrastar la validez de las hiptesis.
2. MODELO GENERAL DE REGRESIN

Hiptesis bsicas
Sean X1, . . . , Xk, variables matemticas y una variable aleatoria y. Las
variables X se llaman variables explicativas, independientes, o regresores; la
variable y, se conoce como variable explicada, respuesta, o dependiente.
Una observacin cualquiera puede escribirse por :
y = , 0 + ,1 X 1 + , 2 X 2 + ,12 X 1 X 2 + . . . . + , k X k + & i
donde cada coeficiente ,i mide el efecto marginal sobre la respuesta de un
aumento unitario en Xi cuando todas las otras variables permanecen
constantes; &i es el error aleatorio.
Para el error se deben suponer las siguientes hiptesis :
a)
la media de los errores debe ser cero;
b)
la varianza de los errores debe ser constante
c)
los errores deben ser independientes entre si;
d)
los errores deben tener distribucin normal.
Se debe suponer que se tendrn ms datos que parmetros a estimar.

Como el modelo incluye k + 1 parmetros , (ms el parmetro 2) se
establece que :
e) el nmero de datos disponibles es, como mnimo, k + 1.
finalmente, se debe exigir que las variables explicativas son realmente
distintas, para evitar ambigedades:
f) ninguna de las variables explicativas es una combinacin lineal exacta
de las dems. (Las variables Xi son linealmente independientes).
Las hiptesis respecto de los errores pueden escribirse en trminos de la
variable respuesta por :
a) para cada conjunto fijo de valores de las X, la distribucin de y tiene
media:
E [ y / X 1 , ... , X n ] = , 0 + , 1 X 1 + , 2 X 2 + . . . . + , k X k
(b) la varianza de y es constante y no depende de los valores de las X:
Var [ y / X 1 , ... , X n ] =
e)
las variables yi son independientes entre s;
d)
la variable respuesta se distribuye normalmente.
Clculo de los estimadores

La distribucin de la variable aleatoria y es, por hiptesis, normal, por lo que
el mtodo de mxima verosimilitud equivale a mnimos cuadrados. La funcin
a minimizar es:
Q=
( yi
,0
, 1 X 1i
....
, k X ki ) 2
derivando respecto a ,0 , los estimadores deben verificar:

( y i , 0 ,1 X 1i . . . . , k X ki ) = 0
y llamando e i = y i
y i a los residuos del modelo, la ecuacin anterior es:
e i = 0 derivando respecto a ,j, se obtiene:

luego
.
.
n, 0
,1 X 1
,1 X 21
yX 1
, 0
X1
yX k
= , 0
Xk
+ ,1
X k X1
ei X
+ ... +
ji
=0
, k
+ ... + , k
+ ... +
, k
j = 1,..., k
Xk
X1X k
X 2k
matricialmente:
...
x11 ... x1n

.
.
.
.
.
.
xk 1 ... xkn
y1
.
1 ... 1
.
x11 ... x1n
. = .
.
.
.
.
.
.
.
xk 1 ... xkn
yn
1
1
.
.
.
.
1
,0
,1
, = ( X T X ) 1 X T Y =
.
.
.
,k
x11 ...
x12 ...
.
.
xk 1
xk 2
.
.
,0
.
..
.
,
x1n
... xkn
Test de Normalidad
132, 125, 165, 137, 152, 141, 163, 148, 127, 158
i
0.5
, k = 1,2,3,...
k
valores
125
127
132
137
141
148
152
158
163
165
i
1
2
3
4
5
6
7
8
9
10
Pi =
0.5
10
Pi
0,05
0,15
0,25
0,35
0,45
0,55
0,65
0,75
0,85
0,95

99.9
99
cumulative percent
Pi =
95
80
50
20
5
1
0.1
120
130
140
150
valores
160
170
Un experimento para evaluar los efectos de ciertas variables sobre la

erosin ha sido realizado sobre 10-pies-cuadrados en puntos de tierras de
labranza inclinadas y sometidas a 2 pulgadas de lluvia artificial aplicada por
perodos de 20 minutos. Obteniendo los siguientes datos :
Y
X1
X2
X3
SL
SG
LOBS
PGC
31,1
0,43
3,82
0,28
35,6
0,47
5,13
0,32
31,4
0,44
3,98
0,29
37,8
0,48
6,25
0,3
40,2
0,5
7,12
0,25
42,5
0,49
8,52
0,15
47,2
0,68
9,01
0,1
43,6
0,5
8,61
0,16
46,5
0,65
8,71
0,19
43,8
0,51
8,72
0,18
43,7
0,49
8,63
0,17
SL: denota el suelo perdido (en libra / acre), SG: denota el gradiente de la cuesta,
LOBS: denota el largo (en pulgadas) de la apertura ms grande de suelo desnudo
sobre cualquier lmite y PGC: denota el porcentaje de tierra cubierta.
Model fitting results for: REGREM1.SL

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
Independent variable
coefficient
std. error
t-value sig.level
YYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYY
CONSTANT
11.762426 1.49242
7.8814
0.0001
REGREM1.SG
17.949181 1.671762 10.7367
0.0000
REGREM1.LOBS
2.498587 0.102533 24.3685
0.0000
REGREM1.PGC
6.962695 2.787357
2.4980
0.0411
YYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYY
R-SQ. (ADJ.) = 0.9970 SE=
0.308689 MAE=
0.206660 DurbWat= 1.721
Previously: 0.0000
0.000000
0.000000
0.000
11 observations fitted, forecast(s) computed for 0 missing val. of dep. var.
Y = 11.762426 + 17.949181X 1 + 2.498587 X 2 + 6.962695 X 3

Analysis of Variance for the Full Regression
XXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXXX
Source
Sum of Squares DF Mean Square
F-Ratio P-value
YYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYY
Model
317.122
3
105.707
1109.34 0.0000
Error
0.667022
7
0.0952889
YYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYYY
Total (Corr.)
317.789 10
R-squared = 0.997901
Stnd. error of est. = 0.308689
R-squared (Adj. for d.f.) = 0.997002
Residual Plot for REGREM1.SL

0.41
Residuals
0.21
0.01
-0.19
-0.39
30
33
36
39
Predicted
42
45
48

99.9
cumulative percent
99
95
80
50
20
5
1
0.1
-0.39
-0.19
0.01
Residuals
0.21
0.41
CAPACIDAD DE CALIDAD DE UN PROCESO

INDICE DE VARIABILIDAD
TS TI
Cp =
6
PERMITE MEDIR CUANTAS UNIDADES DE ESTN CONTENIDAS

EN EL INTERVALO DE TOLERANCIA DEFINIDO AL PRODUCTO
TI
TS
Cp > 1
Proceso preciso
TI
TS
6
Cp < 1
Proceso poco preciso
Proceso preciso?
TI
TS
6
INDICE DE DESCENTRAMIENTO
C pk
* TS m
si m es proxima
a TS
0 3
0
=)
0 m TI
si m es proxima
a TI
0 3
(
PERMITE MEDIR EL DESCENTRAMIENTO DEL PROCESO EN FUNCIN

DE SU VARIABILIDAD
m : centro real del proceso estimado a partir del promedio de los promedios
de las muestras
D=0.5
D=0.25
D=0
Procedimiento : Seleccionar muestras aleatorias de tamao n

en t intervalos regulares de tiempo, de un proceso de fabricacin
que se considera que est produciendo en condiciones estables,
de tal forma que t n > 100
Calcular para cada muestra los estadsticos
n
xij
xj = i =1
n
Sj = i =1
(xij xj )2
n 1
j =1,2,...,t
a partir de estos estadsticos estimar la media m y la desviacin

estndar por
t
=x=
m
xj
j =1
1
2
= S =
t
t
j=1
Sj
Calcular los indices de variabilidad Cp y de descentramiento Cpk

Construir un histograma con diez intervalos de igual amplitud,
un grfico cronolgico de X y s , para detectar posibles anomalas
que pueda presentar el proceso
SE TIENE LA INFORMACIN DE LA PROFUNDIDAD DE

ROSCA DEL TAPN DEL CARTER. LAS MUESTRAS SE
TOMAN A INTERVALOS DE DOS HORAS. Pepi y Polo 1990
ESPECIFICACIONES : 15.5 1.9
A) REALIZE EL ESTUDIO DE CAPACIDAD DE CALIDAD DEL
PROCESO
B) CON TODA LA INFORMACIN DEFINA LOS LMITES DE
CONTROL DE SHEWHART
hora
9
11
13
15
17
19
9
11
13
15
17
9
11
13
15
17
19
9
11
13
15
17
19
9
medias varianzas
15
15
16
16
15
16
15
16
15
16
16
16
15
16
15
15
15
16
15
16
16
17
15
16
15
16
16
16
16
14
15
16
15
16
15
15
15
17
15
14
15
16
17
15
16
17
14
15
16
16
17
16
16
15
16
16
16
16
16
16
15
16
17
15
16
16
17
16
16
17
15
16
16
16
16
15
16
15
15
16
15
17
15
15
16
17
15
14
15
16
17
15
17
16
14
16
15,6
15
17,1
15,7
15
15,5
15,6
15,7
15,6
14,9
15,5
14,7
15,7
15,9
15,8
14,3
15,7
15,5
15,5
15,4
17,3
15,6
14,3
15,7
15,5
0,2
15,7 0,325
16,4 0,333
15,7 0,197
15,3 0,283
15,3 0,425
15,3 0,088
15,8 0,073
15,5 0,027
15,9
0,4
15,4 0,157
15,4 0,573
15,4 0,368
16,5 0,397
15,4 0,648
14,5 0,147
15,5 0,233
15,8 0,135
16,3 0,657
15,4 0,032
16,5 0,273
16,3 0,173
14,4 0,407
15,6 0,015
15,6 0,27358
Cp =1,21
Cpk=1,14
Frequency Histogram
40
30
20
10
0
13
14
15
16
17
18
GRAFICO DE MEDIAS
17
16.5
16
15.5
15
14.5
14
1
11
13
15
17
19
21
23
25
19
21
23
25
CRONOLOGIA DE LAS MUESTRAS
GRAFICO DE VARIANZAS
0.6
0.5
0.4
0.3
0.2
0.1
0
1
11
13
15
17
GRFICOS DE CONTROL
LOS GRFICOS DE CONTROL PERMITEN VIGILAR UNA
CARACTERSTICA CUANTIFICABLE DE UN PROCESO
PRODUCTIVO, UNOS PARA CONSTATAR QUE LA MEDIDA DE
TENDENCIA CENTRAL DEL PROCESO EST
RELATIVAMENTE CENTRADA, OTROS PARA CONTROLAR
QUE LA VARIABILIDAD DEL PROCESO SE ENCUENTRA
DENTRO DE LOS MRGENES ESPERADOS
EN TODO PROCESO PRODUCTIVO PUEDEN APARECER
PRODUCTOS DEFECTUOSO DEBIDO PRINCIPALMENTE A DOS
CAUSAS :
CAUSAS ASIGNABLES, QUE SON AQUELLAS PRODUCIDAS POR UN
USO DE MATERIA PRIMA DE MALA CALIDAD, O POR DEFICIENCIAS
EN LA CALIBRACIN DE LA MQUINA, O POR OPERARIOS NO
ENTRENADOS ADECUADAMENTE, POR DESGASTE DE PIEZAS DE
LA MQUINA, ETC. LA APARICIN DE ESTAS CAUSAS GENERARAN
PRODUCTOS DEFECTUOSOS.
CAUSAS NO ASIGNABLES :
SI SE FABRICA CON LA MEJOR MATERIA PRIMA, LOS MEJORES
OPERARIOS, LA MEJOR MAQUINARIA, ETC, Y AUNQUE EL
PROCESO SE REPITA EN CONDICIONES PRCTICAMENTE
IDNTICAS, IGUAL SE PRODUCIRN ARTCULOS DEFECTUOSOS,
ESTA VARIABILIDAD SE CONOCE COMO VARIABILIDAD INHERENTE
O NO ASIGNABLE O ALEATORIA, QUE NO PUEDE REDUCIRSE
ECONMICAMENTE MEDIANTE DESCOMPOSICIN O AISLAMIENTO
O ELIMINACIN DE LAS CAUSAS QUE LA PRODUCEN.
GRFICOS DE SHEWHART
LOS GRFICOS DE SHEWHART PERMITEN REALIZAR UN CONTROL SIMULTNEO
DE LA TENDENCIA CENTRAL Y LA VARIABILIDAD DE UN PROCESO. PARA UNA
MUESTRA ALEATORIA DE TAMAO n. PEPI Y POLO 1990
CON LA INFORMACIN APORTADA POR UNA MUESTRA ALEATORIA SE REALIZA
UNA DCIMA PUNTUAL
TENDENCIA CENTRAL
* H0 : = 0 = CT
0
)
0H : - = CT
0
( 1
VARIABILIDAD
*H 0 :
0
)
0H :
( 1
>
Para un proceso poco preciso, las lneas de control probabilstico,

Pepi y Polo (1988) las definen por :
MII MAI
MAS MIS
TI
CT
TS
LNEAS DE ATENCIN (riesgo del 5%)
MAI = CT 1.96
MAS = CT + 1.96
LNEAS DE INTERVENCIN (riesgo del 1%)
MII = CT
3.09
MIS = CT + 3.09
CLCULO DE LAS LNEAS DEL GRFICO

CASO PRECISO
MII MAI
MAS MIS
m
TI
CT
TS
LNEAS DE ATENCIN (riesgo del 5%)

MAI = TI + 3.09
1.96
MAS = TS 3.09 + 1.96
LNEAS DE INTERVENCIN (riesgo del 1%)

MII = TI + 3.09
3.09
MIS = TS 3.09 + 3.09
CLCULO DE LAS LNEAS DEL GRFICO S
SAS SIS
LNEAS DE ATENCIN
2
SAS =
0.025, = n 1
n 1
LNEAS DE INTERVENCIN
2
SIS =
n-1
0.001, = n 1
n 1
10
2
0.001
13.84
16.27
18.51
20.53
22.46
24.32
26.27
27.88
29.68
2
0.025
7.38
9.35
11.14
12.83
14.45
16.01
17.56
19.04
20.50
PROCEDIMIENTO
TOMAR UNA MUESTRA ALEATORIA DE TAMAO n A
INTERVALOS
REGULARES
DE
TIEMPO
(PERODO
INTERMUESTRAL)
2. CALCULAR PARA CADA MUESTRA EL PROMEDIO X t Y LA
DESVIACIN ESTNDAR St
1.
3. REPRESENTAR ESTOS VALORES CALCULADOS EN EL GRFICO

CORRESPONDIENTE
4. TOMA DE DECISIONES
4.1. SI LOS VALORES CALCULADOS SE ENCUENTRAN EN ZONA BAJO
CONTROL SE DEBE CONTINUAR CON EL PROCESO
4.2. SI X t O St SE SITAN EN LAS ZONAS DE ATENCIN, SE DEBE
TOMAR UNA MUESTRA INSTANTNEA, SIN ESPERAR AL SIGUIENTE
PERODO INTERMUESTRAL. CALCULAR X t Y St , REPRESENTAR
ESTOS VALORES EN LOS GRFICOS. SI SE SITAN EN ZONA BAJO
CONTROL, SE TRAT DE UNA FALSA ALARMA. PERO, SI SE SITAN
EN LAS ZONAS DE ATENCIN O DE INTERVENCIN, EL PROCESO SE
ENCUENTRA FUERA DE CONTROL. SE DEBE INTERVENIR EL
PROCESO Y REALIZAR LAS RECTIFICACIONES NECESARIAS.
4.3. SI X t O St SE SITAN EN LAS ZONAS DE INTERVENCIN, SE DEBE
INTERVENIR EL PROCESO Y REALIZAR LAS CORRECIONES
NECESARIAS.
GRFICO DE CONTROL DE LA TENDENCIA CENTRAL
X
ZONA DE INTERVENCIN
MIS
ZONA DE ATENCIN
MAS
CT
ZONA BAJO CONTROL
MAI
ZONA DE ATENCIN
MII
ZONA DE INTERVENCIN
1
GRFICO DE CONTROL DE LA VARIABILIDAD

S
ZONA DE INTERVENCIN
SIS
ZONA DE ATENCIN
SAS
ZONA BAJO CONTROL
APLICACIONES
PEPI Y POLO (1996) CONSIDERAN LOS DATOS DE 24
MUESTRAS DE TAMAO 5, CORRESPONDIENTES A LOS
DIMETROS DE UNOS EJES MECANIZADOS, REALIZAN EL
ESTUDIO DE LA CAPACIDAD DE CALIDAD Y LA
IMPLANTACIN DE LOS GRFICOS DE CONTROL
ESPECIFICACIONES DEL PROCESO

TI = 39.825 , CT = 40 , TS = 40.175
ESTUDIO DE LA CAPACIDAD DE CALIDAD
ES NECESARIO DISPONER DE UN MNIMO DE 100
VALORES (EN ESTE CASO 24x5=120), Y ELIMINAR TODAS LAS
MUESTRAS
QUE
CONTENGAN VALORES
FUERA
DE
TOLERANCIAS O CUYOS ESTADSTICOS MUESTRALES QUE
SE CONTROLAN ESTEN FUERA DE LOS LMITES DE LAS
PAUTAS DE CONTROL
n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Observaciones muestrales
40,020
40,017
39,959
40,024
40,023
39,988
40,003
39,971
40,096
39,996
39,956
39,987
40,069
39,890
39,980
39,909
40,062
40,021
40,037
39,953
40,044
40,101
40,034
39,984
39,959
39,923
40,001
40,056
39,874
40,013
40,038
39,922
40,110
39,941
39,923
39,935
39,975
39,989
40,013
40,004
39,971
40,029
39,899
40,108
40,082
40,045
40,116
39,967
24
X=
t =1
40,080
40,092
39,943
40,013
39,917
40,079
40,118
39,968
40,007
40,026
40,116
39,901
39,926
39,873
40,135
39,893
39,983
39,999
39,978
40,000
40,024
39,906
40,027
40,094
40,107
39,906
40,039
39,957
39,942
39,942
39,997
39,971
40,130
39,939
39,993
40,022
40,026
39,945
39,996
39,936
40,026
39,993
39,956
39,972
39,993
40,060
39,866
39,914
Xt
40,099
40,066
39,958
40,031
40,025
40,050
39,954
39,939
39,979
40,039
39,962
39,959
40,007
39,969
40,054
40,000
40,004
40,026
40,066
40,058
40,071
39,932
39,872
39,949
24
xt
24
= 39,9984
2 =
40,0530
40,0008
39,9800
40,0162
39,9562
40,0144
40,0220
39,9542
40,0644
39,9882
39,9900
39,9608
40,0006
39,9332
40,0356
39,9484
40,0092
40,0136
39,9872
40,0182
40,0428
40,0088
39,9830
39,9816
S 2t
0,0039215
0,0069677
0,0015540
0,0013447
0,0044227
0,0028453
0,0037705
0,0005057
0,0044923
0,0021797
0,0055785
0,0021692
0,0028963
0,0025062
0,0038473
0,0026323
0,0013107
0,0002708
0,0043817
0,0040912
0,0012917
0,0072247
0,0112059
0,0046213
S 2t
t =1
24
= 0,00362
= 0.060
NDICES DE CAPACIDAD DE CALIDAD
Cp =
pk
TS TI
40 ,175
39 , 825
= 0 , 97
=
6
6 0 . 060
TI
39 , 9984
39 , 825
=
3
3 0 . 060
= 0 , 96
SE TRATA DE UN PROCESO POCO PRECISO ( Cp < 1) Y BIEN

CENTRADO DADO QUE Cpk 1 Cp . POR TANTO LAS LNEAS DE
CONTROL DEL PROCESO SE DEBEN ESTABLECER RESPECTO DEL
CENTRO DE TOLERANCIAS.
39.8
39.9
TI
40
40.1
40.2
TS
LNEAS DE CONTROL DE LA MEDIA
MII = CT
3.09
0.06
= 40 3.09
= 39,9171
5
n
1.96
0.06
= 40 1.96
= 39 .9474
5
n
MIS = CT + 3.09
0.06
= 40 + 3.09
= 40,0829
5
n
MAI = CT
MAS = CT + 1.96
0.06
= 40 + 1.96
= 40,0526
5
n
LINEAS DE CONTROL DE LA VARIABILIDAD
SIS = 2.15116 = 2.15116 0.06 = 0,12907

SAS = 1.66883 = 1.66883 0.06 = 0.10013
GRAFICO DE CONTROL DE MEDIAS

40.08
40.05
40.02
39.99
39.96
39.93
39.9
0
12
16
20
24
GRAFICO DE CONTROL S
0.12
0.1
0.08
0.06
0.04
0.02
0
12
16
20
24
APLICACIN DEL CONTROL A MUESTRAS PERODICAS

n
1
2
3
4
5
6
7
8
***
9
10
40.116
39.940
40.067
40.017
39.886
40.003
40.126
39.991
39.906
40.020
40.055
Observaciones muestrales
39.961
40.000
40.011
39.928
39.984
39.907
40.038
39.910
39.985
40.017
40.019
39.949
40.136
40.041
39.949
39.989
40.062
40.004
40.027
40.047
39.947
39.894
39.885
40.037
39.940
40.099
40.045
39.966
39.959
40.001
40.029
39.847
39.959
Xt
40.0148
39.9460
39.9993
40.0234
40.0045
40.0136
40.0262
39.9963
40.0120
39.9743
39.9578
39.983
39.968
39.994
40.112
40.008
40.008
39.982
40.172
40.070
39.923
39.896
LNEAS DE LOS GRFICOS DE CONTROL

MIS = 40,0829 MAS = 40,0526
MAI = 39,9474
SIS = 0,12907
MII = 39,9171
SAS = 0,10013
St
0.0597
0.0308
0.0595
0.0587
0.0946
0.0281
0.0683
0.1178
0.0843
0.0378
0.0875
CONTROL DE LA TENDENCIA CENTRAL

40.14
40.11
MIS
MAS
40.08
40.05
40.02
CT
39.99
39.96
MAI
MII
39.93
39.9
0
10

CONTROL DE LA VARIABILIDAD
0.15
SIS
0.12
SAS
0.09
0.06
0.03
0
0
10
METODO DE CONTROL DE CALIDAD MEDIANTE

MEDIAS MOVILES PONDERADAS EXPONENCIALMENTE
Vergara V., Pedro (1992)
CONTROL DE LA TENDENCIA CENTRAL
Zt = 2 xt + (1 2) Zt
0 < 2 . 1 Z0 = CT
Qt = 2 S +(1 2) Qt 1 0 < 2 .1 Q0 =S =
2
t
2
0
=( )
Z t = 2 X t + (1 2 ) Z t
, 0 < 2 . 1 , Z 0 = CT
Qt = 2 S + (1 2) Qt 1 , 0 < 2 . 1, Q0 = S =
2
t
2
0
EL COEFICIENTE DE PONDERACIN 2 ACTA SOBRE LOS

ESTADSTICO Z t Y Q t DE LA SIGUIENTE FORMA :
SI 2 ES PEQUEO AMBOS ESTADSTICOS OTORGAN GRAN PESO A

LA HISTORIA DEL PROCESO
SI EL PRODUCTO Y EL PROCESO HA SIDO DISEADO ADECUADAMENTE PARA ESTOS VALORES DE 2 SER DIFCIL OBTENER FALSAS SEALES
SI EL PROCESO NO TIENE UN COMPORTAMIENTO ESTABLE, LOS ESTADSTICOS TARDARN EN DETECTAR ESTA DEGRADACIN
SI 2 ES PRXIMO A UNO LOS ESTADSTICOS DAN GRAN PESO AL LTIMO VALOR.
SI EL PROCESO ES ESTABLE SE OBTENDRN MS FALSAS SEALES. SI EL
PROCESO SE DEGRADA, SE DETECTAR CON MAYOR FACILIDAD SI EL PROCESO EST FUERA DE CONTROL
LMITES DE CONTROL PARA PONDERACIN EXPONENCIAL
CONTROL DE LA MEDIA
2 [1 (1 2 )
CT K
(2 2 )n
2t
t = 1,2,3 ,...
ES USUAL TOMAR K = 3
+R
2
2 2 1 (1 2 )
( 2 2 )( n 1)
2t
t = 1,2 ,3 ,...
GRAFICO DE CONTROL DE LA MEDIA
0,04
0,03
lambda=0.25
0,02
lambda=0.1
0,01
0
1
10
11
12
13
-0,01
-0,02
-0,03
-0,04
Cronologia de las muestras
14
15
16
17
18
19
20
21
22
GRFICO DE CONTROL DE LA VARIABILIDAD
Cronologa de las muestras
Ejemplo. Se tiene la informacin respecto de un

proceso en que utiliza una mquina de inyeccin
Modelo SZ-600SY, para fabricar envases
plsticos para bebidas, estos envases tienen un
peso de 20 gramos y la mquina presenta una
exactitud en la inyeccin del plstico, que
concuerda con los limites solicitados por el
cliente, la variacin de gramos por cada envase
es de 0.04. Esta exactitud es necesaria ya que
una variacin mayor, afectara la capacidad
cbica interna de cada envase inyectado y
podra alterar la forma interna. Las mediciones
obtenidas en gramos son :
Muestra
X
1
15,01
14,99
14,98
15,00
15,00
15,01
14,98
15,05
15,00
15,00
15,01
15,00
14,99
15,01
15,01
15,02
15,01
14,95
15,01
15,02
15,01
15,01
14,97
14,90
15,02
15,03
15,01
14,99
15,00
15,02
14,98
15,00
15,01
15,01
15,02
15,05
15,00
15,03
15,01
15,03
14,99
15,01
15,03
15,01
15,03
10
14,99
15,01
15,03
15,02
15,03
11
14,95
15,01
15,07
14,98
15,03
12
15,01
15,03
15,05
14,97
15,04
13
15,01
14,99
14,97
14,96
15,04
14
14,99
15,05
15,11
14,90
15,02
15
15,03
15,01
15,01
14,95
15,01
16
15,00
15,03
15,01
14,99
14,98
17
15,00
14,98
15,00
15,00
14,98
18
14,98
14,95
15,01
15,07
14,98
19
14,98
15,01
15,03
15,05
14,98
20
14,98
15,01
14,99
14,97
14,98
Promedio
Varianza
Zt
Lmites de Zt
Wt
Lmite de Wt
20,02
0,0028
0,07893
0,27951
0,83050
1,70711
20,01
0,0007
0,08019
0,34939
0,64193
1,88388
20,01
0,0002
0,09563
0,38313
0,48714
1,96925
20,02
0,0005
0,16513
0,40087
0,37872
2,01412
20,00
0,0005
0,08692
0,41051
0,29968
2,03851
20,01
0,0012
0,10067
0,41583
0,25747
2,05198
19,99
0,0003
-0,00487
0,41880
0,20249
2,05948
20,02
0,0010
0,10424
0,42045
0,18031
2,06367
20,00
0,0005
0,05573
0,42138
0,14860
2,06603
20,01
0,0008
0,07728
0,42191
0,13278
2,06735
20,01
0,0021
0,07896
0,42220
0,15989
2,06809
20,00
0,0015
0,02229
0,42237
0,16258
2,06851
19,99
0,0010
-0,06366
0,42246
0,15123
2,06874
20,01
0,0060
0,01670
0,42251
0,28494
2,06888
20,00
0,0009
-0,00992
0,42254
0,23987
2,06895
20,00
0,0004
-0,02989
0,42256
0,19043
2,06899
20,00
0,0002
-0,05935
0,42257
0,14851
2,06901
20,00
0,0021
-0,09592
0,42257
0,17026
2,06903
20,01
0,0009
-0,03646
0,42257
0,15472
2,06904
19,99
0,0002
-0,16565
0,42258
0,12258
2,06904
Zt y Wt del esquema MEMPE para 2=0.25, K=2,5 y R=4
0, 5
Zt
0, 4
0, 3
0, 2
0, 1
0
1
20
-0, 1
-0, 2
-0, 3
-0, 4
-0, 5
2, 5
Wt
2
1 ,5
0, 5
0
1
20
Ejemplo. Se considera un proceso que se degrada

sistemticamente hacia la tolerancia superior a 1/25
S2
0.00
-0,20919
0,30386
-0,94935
0,05627
-0,80804
X
-0,32129
0,29433
0.04
0,55825
-0,89092
-1,37213
1,54899
-0,09186
-0,04953
1,34592
0.08
0,72446
0,48732
0,10207
0,64965
0,41522
0,47574
0,05888
0.12
2,21280
-0,58787
1,15394
0,56152
-1,91850
0,28438
2,54133
0.16
1,26214
-0,15815
1,72211
-0,19074
1,62557
0,85219
0,90785
0.20
0,47182
0,95213
1,76494
-0,09373
-0,58873
0,50128
0,83578
0.24
0,57864
-0,44186
1,36830
-1,20215
0,42224
0,14503
0,98014
0.28
0,06369
3,30768
0,72406
-0,45697
1,17271
0,96224
2,10591
8*
0.28
-1,16279
-0,18181
0,07880
0,14768
0,57358
-0,10891
0,42071
0.32
-1,06634
-0,82406
0,06685
-1,02262
-0,94259
-0,75775
0,22098
10
0.36
-0,67277
0,59276
-0,39706
0,09260
1,58150
0,23941
0,79620
11
0.40
0,16473
-0,10821
1,17412
2,15002
-0,98213
0,47971
1,46350
12
0.44
0,35056
-1,12726
0,80609
1,52741
0,92073
0,49551
0,99912
13
0.48
0,46555
0,92266
-0,36901
0,95667
2,26720
0,84862
0,91473
14
0.52
0,55628
2,59979
1,21360
2,22507
0,12419
1,34379
1,11968
14*
0.52
1,57570
-0,16077
0,27303
0,58313
1,01022
0,54705
0,61187
15
0.56
0,63662
0,20663
0,46744
1,60982
-2,07640
0,16881
1,85680
16
0.60
0,65208
0,28672
0,85416
1,01636
0,62465
0,68679
0,07544
17
0.64
0,92887
0,65226
1,33353
2,26342
1,15762
1,26714
0,37537
17*
0.64
-0,00395
0,75339
0,85892
0,11327
0,40296
0,37961
0,19001
18
0.68
0,90893
1,35281
-0,25285
1,66809
0,70096
0,87559
0,54020
19
0.72
0,81783
0,78959
1,31671
1,06117
-0,08753
0,77956
0,28031
20
0.76
1,27825
-0,17092
-0,65213
2,26899
0,62814
0,67047
1,34592
21
0.80
1,16426
0,59254
0,56676
1,70544
1,84743
1,17529
0,36071
21*
0.80
1,78649
-0,71960
1,64567
0,13667
1,78823
0,15823
2,37722
22
0.84
-0,17231
1,52105
0,86125
-0,91817
1,28645
0,51565
1,06339
23
0.88
0,21162
1,43987
1,82224
-0,15366
0,12011
0,68804
0,77741
24
0.92
0,53969
0,09359
-0,18733
0,39351
0,23807
0,21551
0,07861
25
0.96
-0,25849
0,14589
1,66228
-0,55565
1,84334
0,56747
1,23695
26
1.00
0,20689
1,93246
0,85749
0,11146
1,95907
1,01348
0,80680
26*
1.00
1,18810
1,08361
3,55195
1,85348
0,10229
1,55589
1,63603
x
2, 00000
MIS
1 , 50000
"
1 , 00000
"
"
0, 50000
"
"
CT
S
MAI "
"
0, 00000
"
-0, 50000
"
MAS
MII
-1 , 00000
-1 , 50000
-2, 00000
10
11
12
13
14
15
16
17
18
19
20 21 22
23
24
25 26
S2
Zt
Lm
Wt
Ls
-0,3213
0,2943
-0,016
0,056
0,965
1,141
-0,0495
1,3459
-0,018
0,077
0,984
1,195
0,4757
0,0589
0,007
0,092
0,938
1,233
0,2844
2,5413
0,021
0,104
1,018
1,263
0,8522
0,9079
0,062
0,121
1,012
1,307
0,5013
0,8358
0,084
0,128
1,003
1,324
0,1450
0,9801
0,087
0,134
1,002
1,339
0,9622
2,1059
0,131
0,139
1,057
1,352
-0,7578
0,2210
0,087
0,147
1,016
1,373
0,2394
0,7962
0,094
0,151
1,005
1,381
0,4797
1,4635
0,114
0,154
1,028
1,389
0,4955
0,9991
0,133
0,156
1,026
1,395
0,8486
0,9147
0,168
0,159
1,021
1,401
Zt
0, 2
0, 1 5
0, 1
0, 05
0
1
10
12
13
-0, 05
-0, 1
-0, 1 5
Wt
-0, 2
1,6
1,4
1,2
0,8
0,6
0,4
0,2
0
1
10
11
12
13
S2
Zt
Lm
Wt
Ls
-0,3213
0,2943
-0,080
0,280
0,824
1,707
-0,0495
1,3459
-0,073
0,349
0,954
1,884
0,4757
0,0589
0,064
0,383
0,730
1,969
0,2844
2,5413
0,119
0,401
1,183
2,014
0,8522
0,9079
0,303
0,416
1,114
2,052
0,5013
0,8358
0,352
0,419
1,045
2,059
0,1450
0,9801
0,300
0,420
1,029
2,064
0,9622
2,1059
0,466
0,421
1,298
2,066
Zt
0,6
0,5
0,4
0,3
0,2
0,1
0
1
-0,1
-0,2
-0,3
-0,4
Wt
-0,5
2,5
1 ,5
0,5

1
2.- DISEOS FACTORIALES

k
UN DISEO FACTORIAL p PERMITE ESTUDIAR K VARIABLES CON p

k
NIVELES CADA UNA, CONTENIENDO p PUNTOS EXPERIMENTALES DONDE
ESTN CONSIDERADAS TODAS LAS COMBINACIONES POSIBLES DE NIVELES.
2.2.- FACTORIAL 22
ESTE DISEO PERMITE ESTUDIAR DOS FACTORES A DOS NIVELES CADA UNO. PARA
DOS FACTORES A Y B, DESIGNADO POR -1 EL NIVEL BAJO DE CADA UNO, POR +1 AL NIVEL
ALTO, POR Y1, Y2, Y3, Y4 LAS RESPUESTAS DE ACUERDO A LA DISPOSICIN ESTNDAR DE LA
FIGURA
A
B
Y
(*)
N
1
2
3
4
-1
+1
-1
+1
-1
-1
+1
+1
Y1
Y2
Y3
Y4
(3)
(1)
(2)
(4)
(*) ORDEN ALEATORIO DE REALIZACIN
B
Y4
Y3
+1
-1
Y2
Y1
-1
+1
EL PRIMER PRINCIPIO PARA DISEAR UN EXPERIMENTO ES EL DE ALEATORIZACIN, EL CUAL REQUIERE QUE TODOS LOS FACTORES NO CONTROLADOS POR EL EXPERIMENTADOR Y QUE PUEDEN INFLUIR EN LOS
RESULTADOS SE ASIGNEN AL AZAR A LAS OBSERVACIONES (MATERIA
PRIMA, OPERADOR DE LA MQUINA, TIPO DE MQUINA, ETC.). COMO ESTE
DISEO CONTIENE DOS FACTORES, EL MODELO ESTADSTICO ES
y ij = , 0 + ,1 X1 + , 2 X 2 + ,12 X1 X 2 + eij i = 1,2 ; j = 1,2
PARA ESTIMAR LA RESPUESTA MEDIA, EL EFECTO DE A, EL EFECTO DE B,

Y DE LA INTERACCIN AB, SE CONSIDERA LA SIGUIENTE MATRIZ.
1
M=
-1 +1
y1
-1
-1
y2
-1 +1
-1
-1
1 +1
1
1 +1 +1 +1
A B AB
y vector respuesta Y =
y3
y4
SE PUEDE OBSERVAR QUE LA MATRIZ M ES ORTOGONAL, ESTO PERMITE OBTENER

LAS ESTIMACIONES DE LOS EFECTOS E INTERACCIN EN FORMA INDEPENDIENTE,
COMO EL PRODUCTO ESCALAR DA CADA COLUMNA DE LA MATRIZ M POR EL
VECTOR RESPUESTA Y, AS :
y1 + y 2 + y 3 + y 4
4
- y1 + y 2 - y 3 + y 4 y 2 + y 4 y1 + y 3
=
Efecto de A =
= y A(+) y A(
2
2
2
- y1 - y 2 + y 3 + y 4 y 3 + y 4 y1 + y 2
=
= y B (+) y B (
Efecto de B =
2
2
2
+ y1 - y 2 - y 3 + y 4 y1 + y 4 y 2 + y 3
Interaccio n AB =
=
2
2
2
Media =
2.2.1.- ESTIMACIN DEL ERROR EXPERIMENTAL Y TABLA DE ANOVA

EN EL ANLISIS ANTERIOR SE HAN ESTIMADO CUATRO PARMETROS
CON CUATRO OBSERVACIONES, POR TANTO, QUEDAN CERO GRADOS DE
LIBERTAD PARA LOS RESIDUOS, QUE SERN IDNTICAMENTE NULOS, Y NO
SE PUEDE ESTIMAR EL ERROR EXPERIMENTAL. PARA CONSTRUIR INTERVALOS DE CONFIANZA O CONTRASTAR HIPTESIS RESPECTO DE LOS
PARMETROS EXISTEN LAS SIGUIENTES SOLUCIONES :
a) UTILIZAR UNA ESTIMACIN EXTERNA DE
b) REPLICAR EL EXPERIMENTO FACTORIAL
EN EL PRIMER CASO, SI SE CONOCE POR ESTUDIOS ANTERIORES QUE LA

2
VARIANZA DE LA PERTURBACIN ES , ENTONCES
Var( ) = Var( , ) = Var( , ) =
Y SE PUEDE CONSTRUIR INTERVALOS DE CONFIANZA PARA CADA PARMETRO EN LA FORMA HABITUAL
& + z
DONDE z ES UN PERCENTIL DE LA NORMAL ESTNDAR.
SI NO SE DISPONE DE UN ESTIMADOR DE , Y SE REALIZAN N REPLICAS DEL DISEO

2
2 , LOS EFECTOS SE ESTIMAN APLICANDO EL PROCEDIMIENTO DESCRITO A LAS
MEDIAS (EL VECTOR RESPUESTA Y SE REEMPLAZA POR EL VECTOR DE MEDIAS
CORRESPONDIENTE), SU VARIANZA SER 2/n, CON RESIDUOS
eijk = y ijk - y
ij
, k = 1,2,..., n
LUEGO SE TENDR 4(n-1) RESIDUOS INDEPENDIENTES, EN LA SIGUIENTE TABLA SE

MUESTRA LA DESCOMPOSICIN ANOVA DEL DISEO REPLICADO
Fuente Variacin
Suma Cuadrados
gdl
CM
Factor A
n 2
n 2
Factor B
n ,
n ,
n ,2
n ,2
4(n-1)
S R
Interaccin AB
Residuo
Total
n 2
F 1,4(n -1) =
2
SR
2
ijk
( yijk - y ... )2
4n-1
2
n ,
=
F1,4(n-1)
2
SR
2
n ( , )
F1,4(n -1) =
2
S R
2.2.2.- EJEMPLO : ESTUDIO DEL AGOTAMIENTO DE UNA TINTURA (AZUL

LANASET 2R) EN UNA MADEJA, EN FUNCIN DE LA TEMPERATURA C Y LA
RELACIN DE BAO (CC/5GR). SE REALIZA EL EXPERIMENTO CONSIDERANDO LOS SIGUIENTES NIVELES DE LAS VARIABLES :
A : TEMPERATURA
B : RELACIN DE BAO
NIVEL BAJO
NIVEL ALTO
60 C
200 CC/5GR
80 C
300 CC/5GR
PARA USAR EL ESQUEMA DE LA MATRIZ DEL MODELO, ES NECESARIO

CODIFICAR LAS VARIABLES MEDIANTE LA SIGUIENTE TRANSFORMACIN :
variable - promedio
(amplitud intervalo) /2
(cc/5gr) - 250
C - 70
A=
y B=
10
50
REALIZADOS LOS EXPERIMENTOS SE TIENE

ORDEN
A
B AB
ALEATORIO
(3)
71.75
1 -1 -1 +1
M=
1 +1
1
-1
-1
-1 +1
-1
1 +1 +1 +1
Y=
86.25
(1)
73.25
(2)
88.75
(4)
POR TANTO
71.75 + 86.25 + 73.25 + 88.75

Media =
= 80
4
- 71.75 + 86.25 - 73.25 + 88.75
= 15
Efecto de A =
2
- 71.75 - 86.25 + 73.25 + 88.75
Efecto de B =
=2
2
+ 71.75 - 86.25 - 73.25 + 88.75
= 0.5
Interaccion AB =
2
B
+1
7325
88.75
15.5
1.5
2.5
14.5
-1
7175
86.25
-1
+1
Y
B(+1)
88.75
2.5
B(-1)
86.25
15.5
73.25
71.75
14.5
1.5
-1
+1
DESDE UN PUNTO DE VISTA ECONMICO, DADO QUE PASAR DE UN NIVEL BAJO A UN

NIVEL ALTO EN LA VARIABLE RELACIN DE BAO NO ES SIGNIFICATIVO SE RECOMIENDA
FIJAR LA VARIABLE EN SU NIVEL BAJO, ES DECIR EN 200 CC/5GR, PRODUCIENDO UN
AHORRO DE 100 CC/5GR EN EL PROCESO LO QUE PERMITE REDUCIR LOS
COSTOS DE FABRICACIN.
PARA EL ESTUDIO DE LA SIGNIFICACIN DE LOS EFECTOS MEDIANTE UN ANOVA SE TIENE :
A\B
-1
+1
T1.
-1
71.75
73.25
145
+1
86.25
88.75
175
T.1
158
162
320
IDENTIFICANDO A CON LAS FILAS Y B CON LAS COLUMNAS RESULTA :

2
: FC = 200 /4 = 10000
FACTOR DE CORRECCIN
SUMA CUADRADOS FILAS

: F = (145 +175 )/2 - FC = 225
SUMA CUADRADOS COLUMNAS : C 2 = (158 2 +162 2)/2 - FC = 4
SUMA CUADRADOS TOTAL
: T 2 = (71.75 2+73.25 2+86.25 2 +88.75 2 - FC = 229.25
S.C
GDL
C.M
1
1
1
225
4
0.25
F /R =900
C 2/R 2=16
---
---
---
F = 225
C2=4
R 2 = 0.25
FILA (A)
COLUMNA (B)
RESIDUO
TOTAL
T = 229.25
PARA UN RIESGO DEL 5%, F0.05,1,1 = 161, SE PUEDE CONCLUIR QUE LA TEMPERATURA
TIENE INFLUENCIA SIGNIFICATIVA SOBRE EL AGOTAMIENTO DE LA TINTURA EN LA LANA,
LA RELACIN DE BAO NO ES ESTADSTICAMENTE SIGNIFICATIVA.
2
OTRA FORMA DE CALCULAR F , C Y R PARA EL ANOVA EN EL CASO DE UN FACTORIAL

22 ES :
2
F = (EFECTO DE A) = (15) = 225

2
2
2
C = (EFECTO DE B) = ( 2) = 4
R 2 = (INTERACCIN) 2 = (.5) 2 = 0.25
2
T = F + C + R = 229.25
MODELO LINEAL
OTRA ALTERNA TIVA PARA EVALUAR LOS EFECTOS ES A TRAVS DEL MODELO LINEAL,
2
QUE PARA UN 2 TIENE LA SIGUIENTE ESTRUCTURA :
y i = , 0 + , 1 X 1i + , 2 X 2i + , 12 X 1i X 2i + ei
AL NO DISPONER DE REPETICIONES PARA EVALUAR EL ERROR EXPERIMENTAL, STE

SLO SE PUEDE ESTIMAR CONSIDERA NDO A LA INTERACCIN COMO MANIFESTACIN
DE ESTE ERROR, PUESTO QUE DE NO SER AS, CON EL MODELO PLANTEADO, LA
SUPERFICIE DE RESPUESTA PASAR POR TODOS LOS PUNTOS E XPERIMENTALES, Y
NO SE PODR VERIFICAR LA VALIDEZ DEL MODE LO ADOPTADO.
SEA X LA MATRIZ DEL MODELO
1
X=
-1
1 +1
1
4 0 0 0
- 1 +1
-1
-1
- 1 +1
-1
luego
0 4 0 0
XX =
0 0 4 0
1 +1 +1 +1
I= (
0 0 0 4
T
XX )-1 = I 4
4
T
DONDE I4 ES LA MATRIZ UNIDAD DE RANGO 4. CUANDO LA MATRIZ XX ES DIAGONAL, EL

DISEO ES ORTOGONAL Y POR TANTO LAS ESTIMACIONES DE LAS ,i SON
INDEPENDIENTES. SEA Y EL VECTOR RESPUESTA
y1 + y 2 + y 3 + y 4
y1
Y=
y2
y3
y4
luego
XY =
- y1 + y 2 - y 3 + y 4
- y1 - y 2 + y 3 + y 4
y1 - y 2 - y 3 + y 4
4y
=
2 Efecto( X 1 )
2 Efecto( X 2 )
2 Interc( X 1 X 2 )
y
Efecto( X 1 )
2
, = ( t XX )-1 ( t XY ) =
Efecto( X 2 )
2
,0
,
= 1
,2
,12
Interc( X 1 X 2 )
2
QUE LOS VALORES ESTIMADOS DE ,1 , ,2 y ,12 SEAN IGUALES A LA MITAD

DE LOS EFECTOS Y DE LA INTERACCIN, ES CONSECUENCIA DE LA
MTRICA UTILIZADA EN LA CODIFICACIN DE LAS VARIABLES (-1 Y +1), LO
CUAL DEFINE EL COEFICIENTE DE CORRECCIN +1-(-1) = 2.
Para el ejemplo numrico de se tiene que :
, =
200/4
80
15/2
7.5
2/2
0.5
1
0.25
y i = 80 + 7.5 X 1i + X 2i + 0.25 X 1i X 2i
PARA ESTUDIAR LA SIGNIFICACIN EN ESTE CASO SIN REPETICIONES, SE

DEBE CONSIDERAR LA INTERACCIN COMO ERROR ALEATORIO, Y EL
MODELO A ESTIMAR SER
y i = , 0 + , 1 X 1i + , 2 X 2i + e i
DADA LA ORTOGONALIDAD DEL DISEO (LAS ESTIMACIONES SON

INDEPENDIENTES) RESULTA QUE
y
80
, =
Efecto( X 1 )
= 7.5
2
1
Efecto( X 2 )
2
SCEXP =
XY - (
2
y i ) /4 =
XY - 4( y )2
= 4( y )2 + (Efec( X 1 ) )2 + (Efec( X 2 ) )2 - 4( y )2
= (Efec( X 1 ) )2 + ((Efec( X 2 ) )2
= 229 , con
=2
la explicacin debida a cada coeficiente es
SCEXP( X 1 ) = (Efec( X 1 ) )2 = 225 y SCEXP( X 2 ) = (Efec( X 2 ) )2 = 4
ambos con = 1 grados de libertad, se puede observar que esto coincide con el
ANOVA de los efectos.
SCEXP =
XY - ( y i )2 /4 =
XY - 4( y )2
= 4( y )2 + (Efec( X 1 ) )2 + (Efec( X 2 ) )2 - 4( y )2
= (Efec( X 1 ) )2 + ((Efec( X 2 ) )2
= 229 , con = 2
LA EXPLICACIN DEBIDA A CADA COEFICIENTE ES
SCEXP( X 1 ) = (Efec( X 1 ) )2 = 225 y SCEXP( X 2 ) = (Efec( X 2 ) )2 = 4

AMBOS CON = 1 GRADOS DE LIBERTAD, SE PUEDE OBSERVAR QUE ESTO
COINCIDE CON EL ANOVA DE LOS EFECTOS.
AL INTENTAR ESTUDIAR LA SIGNIFICACION DE LOS EFECTOS, YA SEA CON

EL ANOVA O CON MODELO LINEAL, NO ES POSIBLE DESGLOSAR TODOS
LOS EFECTOS DE LA COMPONENTE ALEATORIA, LUEGO ES NECESARIO
CONSIDERAR ALGUNOS DE ELLOS ATRIBUIBLES AL AZAR, HACIENDO LAS
VECES DE RESIDUO. ESTA ELECCIN DEBE EFECTUARSE EXCLUYENDO
EL O LOS EFECTOS CUYO VALOR NUMRICO SEA MS PEQUEO, O BIEN
CUYA INTERPRETACIN TCNICA SEA MS DIFCIL. ESTA SITUACIN ES
MS COMPLEJA MIENTRAS MS FACTORES ESTN INVOLUCRADOS EN UN
PROCESO, YA QUE HABR UN MAYOR NMERO DE INTERACCIONES DE
ALTO ORDEN. ESTA SITUACIN LLEVA A QUE EL ESTUDIO DE LA
SIGNIFICACIN MEDIANTE LAS TCNICAS USUALES TENGA UNA POTENCIA
DEMASIADO BAJA, ENTRE OTRAS CAUSAS DEBIDO AL REDUCIDO NMERO
DE GRADOS DE LIBERTAD ASOCIADOS AL RESIDUO.
PARTE DEL PROBLEMA SE PODRA RESOLVER SI SE REALIZAN
REPETICIONES DEL EXPERIMENTO EN TODOS O EN ALGUNOS PUNTOS DEL
DISEO, YA QUE AS SE PUEDE EVALUAR LA SUMA DE CUADRADOS
RESIDUAL EN FORMA INDEPENDIENTE DE LOS EFECTOS.
SI SE TIENEN MUCHOS COEFICIENTES EN EL MODELO, LA PROBABILIDAD

DE TOMAR UNA DECISIN ERRADA AUMENTAR, YA QUE SE PUEDE NO
TOMAR EN CUENTA COEFICIENTES QUE SON SIGNIFICATIVOS O
CON-SIDERAR COMO TALES AQUELLOS QUE EN REALIDAD NO LO SON,
DEBIDO A QUE EL RIESGO DE ERROR CON QUE SE APLICA LA PRUEBA
NO SE REFIERE AL CONJUNTO DE FACTORES INVOLUCRADOS EN EL
MODELO SINO QUE A TODOS Y A CADA UNO DE ELLOS. POR EJEMPLO,
ASUMIENDO UN RIESGO DEL 5% (PROBABILIDAD DE CONSIDERAR
SIGNIFICATIVO UN TRMINO QUE NO LO ES) PARA UNA PRUEBA
APLICADA A UN MODELO CON 4 COEFICIENTES ADEMS DEL TRMINO
CONSTANTE, LA PROBABILIDAD P(DE CONSIDERAR SIGNIFICATIVO UN
TRMINO QUE NO LO ES) = 0.185 (18,5%).
Test de Normalidad
132, 125, 165, 137, 152, 141, 163, 148, 127, 158
i
1
2
3
4
5
6
7
8
9
10
Pi
0,05
0,15
0,25
0,35
0,45
0,55
0,65
0,75
0,85
0,95
i 0.5
Pi =
10

99.9
99
cumulative percent
valores
125
127
132
137
141
148
152
158
163
165
95
80
50
20
5
1
0.1
120
130
140
150
valores
160
170
GRFICO NORMAL DE LOS EFECTOS

LA TCNICA DE LOS GRFICOS PROBABILSTICOS INTRODUCIDA POR
DANIEL (1959), PERMITE EL ESTUDIO DE LA SIGNIFICACIN DE LOS EFECTOS EN FORMA CONJUNTA Y NO UNO A UNO COMO LAS TCNICAS ANTES
EXPUESTAS. ES UNA PRUEBA DE APRECIACIN SUBJETIVA, Y CONSISTE
EN CONSTRUIR UN GRFICO TAL QUE EN QUE EN EL EJE DE ABSCISAS SE
SITEN LOS k EFECTOS ESTIMADOS (DE LOS FACTORES Y DE LAS
INTERACCIONES), Y EN ORDENADAS SE SITA LA ESTIMACIN DE LA
PROBABILIDAD ACUMULADA CORREGIDA DEFINIDA POR :
i - 0.5
Pi =
k
EN ESCALA PROBABILSTICA, O BIEN, EN UNA ESCALA NORMAL, ASIGNADO
EL VALOR DE LA VARIABLE z DE LA N(0,1) CORRESPONDIENTES A ESTAS
FRECUENCIAS.
SI LOS VALORES DE LOS EFECTOS SON DEBIDOS NICAMENTE AL AZAR,

BAJO LAS HIPTESIS DEL MODELO, CORRESPONDERAN A UNA MUESTRA
PROVENIENTE DE UNA POBLACIN N(0, 2), Y EN TEORA, LA RECTA QUE
PASA POR EL PUNTO (x=0 , z=0) RECUBRIRA RAZONABLEMENTE A TODOS
LOS PUNTOS, Y EN ESTE CASO SE DEBE CONCLUIR QUE NINGN EFECTO O
INTERACCIN ES SIGNIFICATIVO. EN CAMBIO SI EXISTEN PUNTOS ALEJADOS DE ESTA RECTA INDICA QUE LOS EFECTOS O INTERACCIONES ASOCIADOS A ELLOS SON SIGNIFICATIVOS.
GRFICO SEMINORMAL DE LOS EFECTOS

EL GRFICO SEMINORMAL (O NORMAL PLEGADA) CORRESPONDE A LOS
VALORES ABSOLUTOS DE UNA NORMAL. EN ABSCISAS SE UBICAN LOS
VALORES ABSOLUTOS DE LOS EFECTOS E INTERACCIONES DEL MODELO
EN ESTUDIO, Y EN ORDENADAS SE UBICA LA VARIABLE SEMINORMAL
(SEMIZETA), ESTA SE OBTIENE MEDIANTE EL SIGUIENTE PROCEDIMIENTO : A
PARTIR DE LA ESTIMACIN DE LA PROBALILIDAD ACUMULADA pi , ASOCIADA
AL i-simo VALOR ORDENADO, SE CALCULA pi = (Pi + 1)/2 , EL VALOR z DE
LA N(0,1) ASOCIADO A CADA pi ES LA VARIABLE SEMINORMAL (SEMIZETA)
CORRESPONDIENTE.
EN ESTE GRFICO DE SEMIZETAS SE TRAZA UNA RECTA QUE PARTA DEL

ORIGEN Y RECUBRA EL MAYOR NMERO DE PUNTOS EXPERIMENTALES
MS PRXIMOS AL ORIGEN, TODOS AQUELLOS PUNTOS QUE QUEDEN ALEJADOS DE ESTA RECTA REPRESENTAN A LOS EFECTOS O INTERACCIONES
SIGNIFICATIVOS.
COMO LOS VALORES DE LAS SEMIZETAS SON INDEPENDIENTES DE
LOS VALORES ABSOLUTOS DE LOS EFECTOS, SE HAN ELABORADO
TABLAS DE SEMIZETAS PARA LAS SITUACIONES MS USADAS, ALGUNAS
DE ELLAS SE PRESENTAN EN LA SIGUIENTE TABLA
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
k=3
0.210
0.674
1.383
k=7
k=8
k=12
k=15
0.090
0.272
0.464
0.674
0.921
1.242
1.803
0.078
0.237
0.402
0.579
0.776
1.010
1.318
1.863
0.052
0.157
0.264
0.374
0.489
0.610
0.741
0.887
1.055
1.256
1.534
2.038
0.042
0.126
0.210
0.297
0.385
0.477
0.573
0.674
0.784
0.903
1.036
1.192
1.383
1.645
2.128
En el ejemplo :
Efectos ordenados
0.5 (AB)
2 (B)
15 (A)
1
2
3
Pi =( i - .5) / 3
(Pi +1) / 2
semizeta
0.583
0.75
0.916
0.210
0.674
1.384
0.166
0.5
0.833
Half-Normal Plot for AGOT

1.5
Temperatura
standard deviations
1.2
0.9
Relacion Banno
0.6
0.3
Temp*RelBan
0
0
12
15
standardized effects
SE PUEDE CONCLUIR QUE LA INFLUENCIA DE LA TEMPERATURA (A) SOBRE EL AGOTAMIENTO DE LA

TINTURA ES CLARAMENTE SIGNIFICATIVA, DADO QUE EL PUNTO, CORRESPONDIENTE A ESTA
VARIABLE EST BASTANTE ALEJADO DE LA RECTA DE NO SIGNIFICACIN, LA RELACIN DE BAO Y LA
INTERACCIN ENTRE AMBAS VARIABLES NO SON SIGNIFICATIVAS EN EL INTERVALO ESTUDIADO.
FACTORIAL 2
ESTE DISEO PERMITE ESTUDIAR TRES FACTORES X1, X2 Y X3 A DOS

NIVELES, PARA ESTIMAR LE RESPUESTA MEDIA, LOS EFECTOS DE X1, X2, X3
Y LAS INTERACCIONES SE CONSIDERA LA SIGUIENTE MATRIZ
X1
X2
X3
X1 X 2
X1 X 3
X2 X3
X1 X 2 X 3
y1
-1
-1
-1
+1
+1
+1
-1
y2
1 +1
-1
-1
-1
-1
+1
+1
y3
-1 +1
-1
-1
+1
-1
+1
M = 1 +1 +1
-1
+1
-1
-1
- 1 y vector respuesta Y =
y4
-1
- 1 +1
+1
-1
-1
+1
1 +1
- 1 +1
-1
+1
-1
-1
y6
- 1 +1 +1
-1
-1
+1
-1
y7
1 +1 +1 +1
+1
+1
+1
+1
y8
1
1
1
y5
LA MATRIZ M ES ORTOGONAL, LO QUE PERMITE OBTENER LAS ESTIMACIONES DE LOS EFECTOS E INTERACCIONES EN FORMA INDEPENDIENTE, COMO EL PRODUCTO ESCALAR DE CADA COLUMNA DE LA MATRIZ
M POR EL VECTOR RESPUESTA Y
ESTE DISEO PERMITE ESTUDIAR TRES FACTORES X1, X2 Y X3 A DOS NIVELES
X2
1
1
+1
+1
1
1
+1
+1
X3
1
1
1
1
+1
+1
+1
+1
y
y1
y2
y3
y4
y5
y6
y7
y8
y7
1
y3
y8
y4
y5
X2
X1
1
+1
1
+1
1
+1
1
+1
y6
1
y1
-1
y2
-1
-1
1
X1
X3
y1 + y 2 + y 3 + y 4 + y 5 + y 6 + y 7 + y 8
8
y +y y +y y +y y +y
Efecto de X1 = 1 2 3 4 5 6 7 8
4
y + y 4 + y 6 + y 8 y1 + y 3 + y 5 + y 7
= 2
= y X1 ( +1)
4
4
Media =
X1
X2
X3
X1 X 2
X1 X 3
X2 X3
X1 X 2 X 3
y1
-1
-1
-1
+1
+1
+1
-1
y2
1 +1
-1
-1
-1
-1
+1
+1
y3
-1 +1
-1
-1
+1
-1
+1
X = 1 +1 +1
-1
+1
-1
-1
-1
-1
-1 +1
+1
-1
-1
+1
1 +1
-1 +1
-1
+1
-1
-1
y6
-1 +1 +1
-1
-1
+1
-1
y7
1 +1 +1 +1
+1
+1
+1
+1
y8
1
1
Y=
y3
y4
1)
y8
y4
y5
y5
X2
y7
y X1 (
y6
1
y1
-1
y2
-1
-1
1
X1
X3
y1 y 2 + y 3 + y 4 y 5 y 6 + y 7 + y 8
Efecto de X 2 =
4
y + y 4 + y 7 + y 8 y1 + y 2 + y 5 + y 6
= 3
= y X2 ( +1) y X2 (
4
4
y y y y +y +y +y +y
Efecto de X3 = 1 2 3 4 5 6 7 8
4
y + y 6 + y 7 + y 8 y1 + y 2 + y 3 + y 4
= 5
= y X3 ( +1) y X3 (
4
4
y y +y y y +y y +y
Interaccion X1X3 = 1 2 3 4 5 6 7 8
4
y7
-1
y3
y4
y5
y1
y6
y2
-1
1
X1
y3
X2
X2
y7
y8
-1
y8
y4
y5
y6
1
X3
-1
y1
y2
-1
1
X1
-1
1
X3
1)
1)
y1 + y 2 + y 3 + y 4 + y 5 + y 6 + y 7 + y 8
8
y1 + y 2 y 3 + y 4 y 5 + y 6 y 7 + y 8
Efecto de X 1 =
4
y1 y 2 + y 3 + y 4 y 5 y 6 + y 7 + y 8
Efecto de X 2 =
4
y1 y 2 y 3 y 4 + y 5 + y 6 + y 7 + y 8
Efecto de X 3 =
4
y y2 y3 + y 4 + y5 y6 y7 + y8
Interaccion X 1 X 2 = 1
4
y1 y 2 + y 3 y 4 y 5 + y 6 y 7 + y 8
Interaccion X 1 X 3 =
4
y1 + y 2 y 3 y 4 y 5 y 6 + y 7 + y 8
Interaccion X 2 X 3 =
4
y1 + y 2 + y 3 y 4 + y 5 y 6 y 7 + y 8
Interaccion X 1 X 2 X 3 =
4
Media =
Sea desea minimizar la cantidad de contaminantes que una planta de

celulosa vierte en un curso de agua. La norma establece que la
concentracin no puede ser superior a 0.05 mg/litro. Para optimizar este
proceso se someten las descargas a un proceso de filtrado, utilizando
un diseo factorial obteniendo los siguientes resultados :
variables
-1
10 tramas*cm2
A : tipo filtro
B : temperatura
C : agitacin (rpm)
+1
12 tramas*cm2
30 C
50 C
60
80
contaminante (mg/litro)
-1
-1
-1
0.04
+1
-1
-1
0.013
-1
+1
-1
0.059
+1
+1
-1
0.15
-1
-1
+1
0.068
+1
-1
+1
0.049
-1
+1
+1
0.028
+1
+1
+1
0.12
y = 0.065875 ; A = 0.03425; B = 0.04675; C = 0.00075; AB = 0.05725;

AC = 0.00225; BC = -0.03125
Half-Normal Plot for contaminante

1.8
AB
standard deviations
1.5
1.2
0.9
0.6
BC
0.3
0
0
10
20
30
40
y = 0 .065875 + 0 .017125 A + 0 .023375 B + 0 .028625 AB
0 .015625 BC
Predicted Response Plot for contaminacionn

0.028
0.12
1
agitacion
0.068
0.049
0.059
0.15
1
0.04
-1
0.013
-1
-1 temperatura
1
filtro
Predicted Response Plot for contaminan
0.0155
0.032
-1
0.0265
0.074
temperatur
0.0585
agitacion
-0.0305
0.078
Predicted Response Plot for contaminan
0.1045
1
temperatur
0.0915
-0.0105
-1
-1
0.0435
0.054
0.135
0.104
-0.023
-1
0.031
1
filtro
C = +1
y = 0.065875 + 0.017125 A 0.00775 B + 0.028625 AB
contaminante mg/litro
0.12
0.1
0.08
0.06
0.04
1
0.6
0.2
-0.2
-0.6
filtro
-1
0.02
0
-1
-0.6 -0.2
0.2
temperatura
0.6
1
0.0947251
0.6
0.0855751
0.0764251
0.2
Filtro
0.0672751
0.0581251
-0.2
0.048975
0.039825
-0.6
0.030675
0.021525
-1
0.012375
-1
-0.6
-0.2
0.2
Temperatura
Mximo permitido 0.05 mg/litro
0.6
C= 1
y = 0 .065875 + 0 .017125 A + 0 .039 B + 0 .028625 AB
contaminante gr/litro
0.16
0.12
0.08
1
0.6
0.2
-0.2
-0.6
filtro
-1
0.04
0
-1
-0.6 -0.2
0.2
temperatura
0.6
1
0.1371
0.123575
0.6
0.11005
0.2
filtro
0.096525
0.083
-0.2
0.069475
0.05595
-0.6
0.042425
0.0289
0.015375
-1
-1
-0.6
-0.2
0.2
temperatura
Mximo permitido 0.05 mg/litro
0.6
Bloques
Las variables bloque permiten detectar en un proceso las diferencias
que se puedan producir, dependiendo de si la manufactura la realiza un
operario A o uno B, si existen diferencias entre una mquina u otra
que fabrican un mismo producto, si existe diferencia entre productos
dependiendo de la materia prima que se utilice, etc.
Para ilustrar la idea de variable bloque, suponga que se desea
experimentar en un proceso de fabricacin de barras de acero y se
quiere obtener el mximo porcentaje de flexibilidad en ellas, las
variables que intervienen en el proceso son :
Variables
-1
+1
1300 C
1500 C
X2 (contenido de carbono en el acero)
0.4 %
0.8 %
X3 (contenido de nquel en el acero)
0.3 %
0.5 %
X1 (temperatura del horno)
codificando las variables se tiene :
X1 =
C 1400
100
X2 =
%Carbono 0.6
0.2
X3 =
%Niquel 0.4
0.1
7
8
3
4
5
6
1
2
En la figura se muestra como el diseo 23 puede ser dividido en dos

bloques de cuatro experimentos elementales para neutralizar el efecto
de posibles diferencias en la mezcla. Los experimentos 1, 4, 6 y 7
fueron hechos con la mezcla I y los restantes con la mezcla II.
Los efectos principales de los factores son contrastes entre las medias
de las caras opuestas del cubo, pero en cada cara hay dos respuestas
obtenidas con la mezcla I y dos para la mezcla II, de manera que
cualquier efecto aditivo asociado al tipo de mezcla se elimina al
calcular los efectos principales y las interacciones, debido a que esta
disposicin balanceada compensa cualquier diferencia sistemtica
entre los dos bloques.
El procedimiento para definir estos bloques es considerar que la

interaccin de tres factores es poco importante, luego se puede
confundir deliberadamente con la diferencia de mezclas, y a cambio
se puede realizar el experimento en dos blo-ques, lo que garantiza
que los efectos principales y las interacciones de dos factores sern
medidas con mucho mayor precisin. Definiendo B = TCA a la
variable ficticia bloque se tiene :
X1
X2
X3
X1 X 2
X1 X 3
X2 X3
B = X1X 2 X 3
BLOQUE
-1
-1
-1
+1
+1
+1
-1
+1
-1
-1
-1
-1
+1
+1
II
-1 +1
-1
-1
+1
-1
+1
II
+1 +1
-1
+1
-1
-1
-1
-1
-1 +1
+1
-1
-1
+1
II
+1
-1 +1
-1
+1
-1
-1
-1 +1 +1
-1
-1
+1
-1
+1 +1 +1
+1
+1
+1
+1
II
En la columna bloque, la I indica que esos experimentos se realizarn

con la mezcla I, y los II se realizarn en el segundo bloque
Se procede a realizar los ocho experimentos en forma aleatoria de

acuerdo a la matriz de diseo, obteniendo los siguientes porcentajes de
flexibilidad :
X1
X2
X3
X1X2
X1X3
X2X3
B=X1X2X3
(*)
%
flexibilidad
-1
-1
-1
+1
+1
+1
-1
77.5
+1
+1
-1
+1
-1
-1
-1
93.9
+1
-1
+1
-1
+1
-1
-1
71.1
-1
+1
+1
-1
-1
+1
-1
97.9
+1
-1
-1
-1
-1
+1
+1
74.3
-1
+1
-1
-1
+1
-1
+1
86.6
-1
-1
+1
+1
-1
-1
+1
66.1
+1
+1
+1
+1
+1
+1
+1
92.9
Los efectos e interacciones estimados son : y = 82.5375, X1 = 1.025,

X2 = 20.575, X3 = -1.075, X1X2 = 0.125, X1X3 = -1.025, X2X3 = 6.225,
Bloque = -5.125
Half-Normal Plot for flexibilidad
2
Carbono
standard deviations
1.6
%Carbono * %Niquel
1.2
Bloque
0.8
0.4
0
0
12
16
20
24
y = 82 .5375 + 20 .575 X 2 + 6.225 X 2 X 3
Se puede concluir que son significativos el efecto % de carbono, la

interaccin % carbono - % nquel y el efecto bloque. Que este ltimo
sea significativo indica que las mezclas con diferentes materias primas
producen diferencias en el % de flexibilidad, por lo que se recomienda
homogeneizar estas materias primas, ya sea por proveedor u otro
criterio.
115
%flexibilidad
105
95
85
75
1
0.6
0.2
-0.2
-0.6
%carbono
-1
65
55
-1
-0.6 -0.2
0.2
%niquel
0.6
Como la interaccin % carbono - % nquel es significativa, los

efectos de % de carbono y de nquel deben explicarse
conjuntamente,
proyectando
los
valores
experimentales
Predicted Response Plot for % flexibilidad
(promediando) al plano correspondiente a estas dos variables
68.6
95.4
75.9
90.25
Niquel
-1
-1
1
Carbono
se puede concluir que fijando X3 en 1, pasar de X2 de nivel bajo al alto

implica una ganancia del 14.35% en la flexibilidad de la barra, en cambio
fijando X3 en +1, pasar de X2 de nivel bajo al alto implica una ganancia
del 26.8% en la flexibilidad.
El porcentaje de flexibilidad mxima que se puede lograr es 109.338.

Pero si tcnicamente se considera aceptable un porcentaje de
flexibilidad de 93.2578 se debe buscar en el grfico de las curvas de
nivel de un punto de equilibrio que permita minimizar el costo del
proceso, para ello, se puede elegir un punto que reduzca el porcentaje
de nquel aumentando el porcentaje de carbn, por ejemplo, en el punto
sealado en la Fig, sus coordenadas son X2=0.8 y X3 =0, por tanto :
%Carbono 0.6
= 0 .8
0 .2
%Carbono = 0.76 ,
%Niquel 0.4
=0
0 .1
1
103.978
0.6
98.6179
% carbono
93.2578
87.8978
0.2
82.5377
-0.2
77.1777
-0.6
71.8176
66.4576
61.0976
55.7376
-1
-1
-0.6
-0.2
0.2
% niquel
0.6
%Niquel = 0.4
Al introducir estas variables bloques en un diseo, se

produce una confusin entre ellas con interacciones de alto
orden, lo que se conoce como patrn de confusin debido al
bloque. En diseos factoriales fraccionales se ver que
existen procedimientos para elegir la forma ptima de
generar estas particiones, produciendo la mnima confusin
posible para un determinado diseo
DISEOS FACTORIALES FRACCIONALES

En diseos 2k el nmero de experimentos a realizar aumenta en progresin
geomtrica al crecer k (nmero de variables). El hecho que se pueda
estimar todos los efectos e interacciones, no implica necesariamente que
ellos sean significativos, adems muchas interacciones tecnolgicamente
no sern interpretables, esto conduce a una especie de redundancia en el
sentido de un exceso de variables o efectos por analizar.
Se debe tener en cuenta que adems existe una jerarquizacin que hace
que los efectos principales tengan ms importancia que las interacciones
de orden dos, y estas a su vez son ms importantes que las interacciones
de orden tres, etc., por tanto, al realizar un experimento completo (con 2k
experiencias) se gastan demasiados recursos para estimar interacciones o
efectos que no son relevantes o significativos en un determinado proceso,
dado que su presencia es necesaria pero no determinante.
Es posible estudiar el mismo nmero de variables de un determinado
proceso, reduciendo el nmero de experiencias a realizar mediante diseos
factoriales fraccionales. La idea es realizar una fraccin del diseo factorial
completo, pudiendo estimar los efectos principales y las interacciones de
bajo orden, suponiendo que las interacciones de orden elevado son nulas.
Orden de las interacciones
variables
experimentos
Efectos
principales
16
32
10
10
64
15
20
15
128
21
35
35
21
Para realizar esta fraccin se debe seleccionar un bloque o una rplica,

teniendo en cuenta que todas las variables de-ben ser ensayadas el mismo
nmero de veces en cada nivel, y adems, hacerlo perjudicando lo menos
posible las estimaciones de los efectos ms importantes.
Considerando un diseo 23 , y suponiendo que slo es posible realizar cuatro
experimentos, ya sea por consideraciones tcnicas o por razones
econmicas, etc., El problema es determinar cuales de estos ocho
experimentos elegir.
X1
X2
X3
X1 X 2
X1 X 3
X2 X3
X1 X 2 X 3
RESPUESTA
-1
-1
-1
+1
+1
+1
-1
y1
+1
-1
-1
-1
-1
+1
+1
y2
-1 +1
-1
-1
+1
-1
+1
y3
+1 +1
-1
+1
-1
-1
-1
y4
-1
-1 +1
+1
-1
-1
+1
y5
+1
-1 +1
-1
+1
-1
-1
y6
-1 +1 +1
-1
-1
+1
-1
y7
+1 +1 +1
+1
+1
+1
+1
y8
Si se supone que la interaccin de orden tres es cero, se puede renunciar a

estimarla y tomar por ejemplo las cuatro observaciones asociadas a los
positivos de X1X2X3 , o bien a los negativos
Si se eligen los positivos se tiene :

X 1 X 2 X 3 RESPUESTA
X1
X2
X3
X1 X 2
X1 X 3
X2 X3
+1
-1
-1
-1
-1
+1
+1
y2
-1 +1
-1
-1
+1
-1
+1
y3
-1 +1
+1
-1
-1
+1
y5
+1 +1 +1
+1
+1
+1
+1
y8
-1
Que es una media fraccin del diseo completo, es decir, un diseo

(1/2)23 = 23-1 . Dado que la matriz del diseo es ortogonal, se estiman
los efectos e interacciones como el producto de la columna respectiva
por el vector de respuestas, por :
y2 + y3 + y5 + y8
Media =
4
+ y2 - y3 - y5 + y8
Efecto de X 1 =
= Efecto de X 2 X 3
2
- y2 + y3 - y5 + y8
= Efecto de X 1 X 3
Efecto de X 2 =
2
+ y2 - y3 - y5 + y8
= Efecto de X 1 X 2
Efecto de X 3 =
2
Se puede observar que el efecto de X1 siempre ser estimado como
idntico a la interaccin X2X3, se dice que ambos efectos estn
confundidos o son alias, este es el coste que se debe pagar por
prescindir de la mitad del diseo completo.
Para estudiar todas las confusiones que aparecen entre los posibles
efectos, a partir de las variables del diseo, hay que obtener la columna
asociada a cada uno de ellos en la matriz del modelo e identificar como
confundidos todos aquellos que presentan coincidencias entre
columnas.
Si se multiplica cualquier columna por si misma se obtie-ne el vector
unidad, es decir, X1 X1 = X2 X2 = ... = Xk Xk = I, y al multiplicar cualquier
columna por I aquella permanece inalterada. En la tabla del ejemplo,
haciendo I = X1 X2 X3 se tiene
X1 = X1 I = X1X1X2X3 = I X2X3 = X2X3 => CX1 = X1 + X2X3
que se denomina patrn de confusin del diseo, la notacin CX1 indica
que el efecto principal X1 est confundido con la interaccin X2X3
La expresin I = X1X2X3 se denomina relacin de definicin del diseo.
CONSTRUCCIN DE DISEOS FACTORIALES FRACCIONALES

SEAN X1, X2, ... , XK LAS VARIABLES A CONSIDERAR EN UN DETERMINADO
DISEO, PARA CONSTRUIR UN DISEO 2 K-1 (MEDIA FRACCIN) SE DEBE
PROCEDER DE LA SIGUIENTE MANERA :
1) ESCRIBIR EL DISEO COMPLETO PARA LAS PRIMERAS (k-1) VARIABLES
2) ESCRIBIR LA COLUMNA DE SIGNOS DE LA INTERACCIN X1X2...XK-1, Y CON
ELLOS DEFINIR LOS NIVELES DE LA VARIABLE XK
LA RELACIN XK = X1 X2 ... XK-1, SE DENOMINA GENERADOR DEL DISEO. AL
HACER XKXK RESULTA
I = X1 X2 ... XK-1XK, QUE SE CONOCE COMO LA RELACIN DE DEFINICIN Y
EST FORMADA POR UNA PALABRA DE LONGITUD K. (EN EL EJEMPLO, SE
HA USADO COMO GENERADOR X3 = X1X2, LUEGO LA RELACIN DE
DEFINICIN ES I = X1X2X3, PALABRA DE LONGITUD TRES).
CONSIDERANDO COMO GENERADOR A XK = - X1 X2 ... XK-1, SE OBTENDR LA
MEDIA FRACCIN COMPLEMENTARIA.
EN LOS FACTORIALES FRACCIONALES A DOS NIVELES, LA LONGITUD DE LA

PALABRA MS CORTA DE LA RELACIN DE DEFINICIN SE CONOCE COMO
RESOLUCIN DEL DISEO (EL EJEMPLO TIENE RESOLUCIN 3, Y SE
DENOTA POR 2 3-1III). UN DISEO DE RESOLUCIN 3 CONFUNDE EFECTOS
PRINCIPALES CON INTERACCIONES DE ORDEN 2; UNO DE RESOLUCIN 4
CONFUNDE EFECTOS PRINCIPALES CON INTERACCIONES DE ORDEN 3, E
INTERACCIONES DE ORDEN 2 ENTRE ELLAS.
DESIGNANDO A LAS VARIABLES POR LOS NMEROS 1, 2, ... ,K EN LA
SIGUIENTE TABLA SE PRESENTAN : EL GENERADOR, LA RELACIN DE
DEFINICIN Y LA RESOLUCIN, DE MEDIAS FRACCIONES DE DISEOS FACTORIALES. LA ELECCIN DE ESTOS GENERADORES PERMITE OBTENER
DISEOS DE MXIMA RESOLUCIN.
Fraccin Generador Relacin de definicin Resolucin

2 3-1
12
2 4-1
2 5-1
.
2 k-1
123
1234
123...(k-1)
I = 123
III
I = 1234
I = 12345
IV
V
I = 12345...k
EN LA TABLA SE DA UNA LISTA DE LOS GENERADORES QUE PERMITEN OBTENER LA MAYOR

RESOLUCIN, PARA DISTINTOS NMEROS DE VARIABLES Y EXPERIMENTOS A REALIZAR :
2 9-5III
2 3-1III
(4)
3 = 12
23
2 4-1IV
2 5-2III
2 6-3III
2 7-4III
4=123
4=12
5=13
4=12
5=13
6=23
4=12
5=13
6=23
7=123
2 5-1V
2 6-2IV
2 7-3IV
2 8-4IV
5=1234
5=123
6=234
5=123
6=234
7=134
5=234
6=134
7=123
8=124
(8)
23
(16)
24
5=123
6=234
7=134
8=124
9=1234
Se realizaron pruebas en la cmara de combustin

de una caldera industrial para minimizar la cantidad
de monxido de carbono que ella emite.
Considerando las siguientes variables :
Variables
A : cantidad de combustible
B : tipo de filtro
-1
+1
1 litro/min
1.5 litro/min
30 tramas*cm2
40 tramas*cm2
baja
mediana
90
95
C : presin caldera
D : octanaje del combustible
A
% monxido de carbono
-1
+1
+1
+1
0.83
-1
-1
+1
-1
0.18
-1
-1
-1
+1
0.61
+1
-1
-1
-1
0.32
+1
-1
+1
+1
0.69
+1
+1
+1
-1
0.49
-1
+1
-1
-1
0.36
+1
+1
-1
+1
0.95
y = 0.55375; A = 0.1175 ; B = 0.2075 ; C = -0.0125;
D =0. 4325; AB + CD = 0.0075 ; AC + BD =-0.0325 ;

AD + BC =-0.0175
Half-Normal Plot for monoxido
2
Octanaje
standard deviations
1.6
Filtro
1.2
Cantidad combustible
0.8
0.4
0
0
0.1
0.2
0.3
0.4
0.5
y = 0.55375 + 0.05875 A + 0.10375B + 0.21625D
% monoxido de carbono
D= 1
y = 0.3375 + 0.05875 A + 0.10375B
0.57
0.47
0.37
1
0.6
0.2
-0.2
-0.6
tipo de filtro
-1
0.27
0.17
-1
-0.6 -0.2
0.2
0.6
cantidad de combustible
tipo de filtro
0.6
0.4675
0.435
0.2
0.4025
-0.2
0.37
-0.6
0.3375
0.305
-1
-1
0.175
-0.6
0.2725
0.2075 0.24
-0.2
0.2
0.6
1
cantidad de combustible
SE LLEVARON A CABO PRUEBAS EN UN CARBURADOR RECIN DISEADO,

ESTUDIANDO LAS SIGUIENTES VARIABLES :
A
VARIABLES
TENSIN DEL RESORTE
BAJO
+
ALTO
B
C
D
PASO DE AIRE
TAMAO DE APERTURA
FLUJO DE GAS
ESTRECHO
PEQUEA
LENTO
ABIERTO
GRANDE
RPIDO
EL OBJETIVO INMEDIATO ERA ENCONTRAR LOS EFECTOS DE ESTOS

CAMBIOS EN LA CANTIDAD DE HIDROCARBUROS NO QUEMADOS EN LOS
GASES DE ESCAPE, OBTENIENDO LOS SIGUIENTES RESULTADOS
-1
-1
-1
+1
+1
+1
-1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
+1
-1
-1
+1
+1
-1
-1
+1
-1
+1
-1
+1
-1
-1
+1
HIDROCARBUROS NO
QUEMADOS
8.2
1.7
6.2
3.0
6.8
5.0
3.8
9.3
OPTIMIZAR ESTE PROCESO, DE MODO QUE SE PUEDA MINIMIZAR EL NIVEL DE

HIDROCARBUROS NO QUEMADOS POR ESTE TIPO DE CARBURADOR.
PROMEDIO = 5.5 A = 1.05 B = 2.15 C = -0.15 D = 4.25

AB + CD = 0.1 AC + BD =-0.1 AD + BC = 0.2
Half-Normal Plot for HIDROCNOQU

2
standard deviations
1.6
1.2
0.8
0.4
0
0
1
2
3
4
5
y = 5.5 + 0.525 A + 1.075B + 2.125D
A= 1
y = 4.975 + 1.075B + 2.125D

A = -1
HIDROCNOQU
10
8
6
4
2
0
-1 -0.6
-0.2 0.2
B
0.6 1
1
0.6
0.2
-0.2
-0.6
D
-1
1
7.535
0.6
6.895
0.2
D
6.255
-0.2
5.615
-0.6
4.975
4.335
-1
-1
-0.6
1.775
-0.2
0.2
2.415
B
0.6
3.055
3.695
Optimizacin de un proceso de conformado de

piezas de aviones en matrices a travs de un
Diseo Experimental
Vinet, G. y Vergara, P.
2003
Terminologa
Utilaje: Elemento o accesorio que permite la fabricacin de la
pieza
Matriz: til que permite la correcta fabricacin de una pieza,
adquiriendo, la pieza, la forma que este presenta e
Angulo de diseo: Angulo solicitado por diseo y que debe
tener la pieza una vez fabricada. Este ngulo, al igual que todas
sus medidas estn regidas por normas de tolerancia, que para
este tipo de piezas es de 15 minutos por lo general.
Angulo de resorteo: Angulo que se forma entre el ngulo de la
matriz y el ngulo de adquiere la pieza una vez conformada. Esta
diferencia se debe principalmente a que: al ser conformada, la
pieza es forzada a pasar la frontera de su limite elstico, llegando
a su lmite plstico, sin embargo, una vez que el colchn de
goma deja de estar en contacto con la pieza, esta tiende a
volver a su estado natural, este efecto se denomina resorteo.
Largo de Faldilla: corresponde al material que es deformado,

es decir es el exceso de la pieza que sale fuera de las
dimensiones de la matriz y que luego se deformar por efecto
de la presin del colchn de goma sobre la pieza.
Radio de Doblez: Es el radio requerido por diseo y que se
encuentra en el vrtice entre la base y la faldilla. Este radio esta
directamente relacionado con el espesor del material a
conformar y el material de la pieza.
Prensado tipo Guerin: El conformado por alta presin es un
procedimiento utilizado por las industrias aeronuticas y del
automvil desde hace muchos aos. Esta tcnica de embuticin
utiliza un semi-til rgido y una parte flexible que se adapta por
presin a la forma de este til. Permite bajar drsticamente los
costos y plazos de entrega en la realizacin de piezas en
pequeas series o prototipos.
Marco de la Prensa
Colchn
de Goma
Pieza
Cilindro Actuador
de la prensa
Esquema del conformado tipo Guerin
Prensa de conformado sobre colchn elastmero
Niveles de las variables

Presin de la mquina se fij en 6000 toneladas
Material de las matrices se usar Acero SAE-1045
Largo de la faldilla
1 : 8mm
El ngulo de conformado
1 : 85 grados
Espesor del producto (pieza)
1 : 0.8mm
El radio de doblez
1 : 2.5 mm
Material de las piezas
1 : Aluminio 2024
+1 : 30 mm.
+1 : 95 grados.
+1 : 1.6 mm.
+1 : 7 mm.
+1 : Aluminio 7475
Las probeta, para cada ensayo, debe tener un largo (desarrollo) diferente para cada de ellas,
ya que en el clculo del desarrollo intervienen las siguientes variables:
Largo de faldilla
Radio de doblez
Espesor
Angulo de doblez
Variable codificada =
Variable Promedio
(Amplitud Intervalo)/2
Codificacin del largo de faldilla es :
LF =
(mm ) 19
11
(
) 90
5
Codificacin del Angulo de conformado es :
AC =
Codificacin del Espesor del Producto :
(mm ) 1.2
EP =
0 .4
Codificacin del Radio de Doblez :
RD =
(mm) 4.75
2.25
Codificacin del Material de la pieza (producto) se asignarn los siguiente

valores:
Aluminio 2024 : -1 y Aluminio 7475 : +1
MAT.
RUN
ANGULO ESPESOR
LARGO
RADIO
ANGULO
PIEZA
CONF.
PIEZA
FALDILLA
DOBLEZ
RESORTEO
-1
-1
19
-1
-1
-1
-1
27,433
-1
-1
2,567
-1
-1
-1
2,067
-1
-1
-1
7,167
-1
3,183
-1
-1
-1
-1
6,533
-1
-1
-1
30,033
7,517
10
-1
-1
29,05
11
-1
-1
-1
4,117
12
-1
-1
-1
9,017
13
-1
-1
6,033
14
-1
-1
-1
6,833
15
-1
-1
-1
-1
-1
2,217
16
-1
-1
-1
13,233
17
-1
7,5
18
-1
-1
4,75
19
-1
-1
-1
17,317
20
-1
-1
-1
-1
1,033
21
-1
-1
-1
26,15
22
-1
5,783
23
-1
-1
7,233
24
-1
-1
22,567
24
-1
-1
33,883
26
-1
-1
-1
-1
0,93
27
-1
-1
-1
-1
1,75
28
-1
9,55
29
-1
44,817
30
-1
-1
8,917
31
-1
-1
-1
2,417
32
-1
-1
31,35
Analysis Summary
---------------File name: TESIS
Estimated effects for AR (ANGULO DE RESORTEO)
---------------------------------------------------------------------average = 12.065
+/- .676838
A:MP
= .425937
+/- 1.35368
B:AC
= 7.76369
+/- 1.35368
C:ES
= 2.33031
+/- 1.35368
D:LF
= -12.8446 +/- 1.35368
E:RD
= 13.1472
+/- 1.35368
AB
= 1.59294
+/- 1.35368
AC
= 2.21806
+/- 1.35368
AD
= -1.41981 +/- 1.35368
AE
= -.819562 +/- 1.35368
BC
= 1.10931
+/- 1.35368
BD
= -1.60331 +/- 1.35368
BE
= -.0990625 +/- 1.35368
CD
= -4.95344 +/- 1.35368
CE
= .0300625 +/- 1.35368
DE
= -9.88656 +/- 1.35368
---------------------------------------------------------------------Standard errors are based on total error with 16 d.f.
Desviacin estandar
Grfico Normal Plot para el Angulo de Resorteo

99.9
99
95
80
50
20
5
1
.1
Radio de Doblez
Angulo de Conformado
Int. Espesor/L.Faldilla
Int L. Faldilla/R.Doblez
C:ES
AC
AB
BC
A:MP
CE
BE
AE
AD
BD
Largo de Faldilla
-10
-6
-2
Efectos estandarizados
10
Grfico Half-Normal Plot para el Angulo de Resorteo
Desviacin estandar
2.4
2
Radio de Doblez
1.6
Largo de Faldilla
Int. Largo de Faldilla/Radio de Doblez
1.2
.8
.4
Angulo de Conformado
Int. Espesor/Largo de Faldilla
C:ES
AC
BD
AB
AD
BC
AE
A:MP
BE
CE
Efectos estandarizados
10
Interaction Plot for AR
Grfico de Interacciones para ngulo de Resorteo

24
40
20
RD=1.0
16
AR
AR
30
LF=-1.0
20
10
12
8
RD=1.0
RD=-1.0
RD=-1.0
-1.0
LF
1.0
LF=-1.0
LF=1.0
LF=1.0
-1.0
ES
1.0
y = 12.065 + 6.573 RD 6.422 LF + 3.881 AC 4.943 RD LF 2.476 ES LF

De esta forma, es posible determinar el comportamiento del ngulo de resorteo,
considerando slo aquellas variables significativas. Como ejemplo, podemos
determinar cual es en ngulo de resorteo, considerando las siguientes
condiciones:
Material: Aluminio 2024
ngulo de conformado: 87
Espesor del material: 1.2 mm
Largo de faldilla : 20 mm
Radio de doblez: 2.5 mm
Codificacin del largo de faldilla es:
LF =
20 19
= 0.091
11
Codificacin del ngulo de conformado es:
AC =
87 90
= 0 .6
5
Codificacin del espesor del producto:
ES =
1 .2 1 .2
=0
0 .4
Codificacin del radio de doblez:
RD =
2.5 4.75
= 1
2.25
Con lo cual la ecuacin queda planteada de la

siguiente forma:
y = 12.065 6.5776 0.5844 + 0.4498 2.3291 0 = 3.0277

Es decir, el ngulo de resorteo es de 3.0277, por lo tanto, al disear la matriz
debe considerarse que:
Angulo de Diseo = Angulo de conformado 3.0277, que para este caso es :
Angulo de Diseo = 87-3.0277=83.9723
Si el espesor se considera a nivel alto, es decir ES=1 y el ngulo de

conformado se deja a nivel bajo AC=-1), entonces la ecuacin quedar
formada como:
y = 8.184 + 6.576 RD 8.898 LF 4.943(RD LF )

Donde la grfica de respuesta est representada en la figura 3.9:
Estimated Response Surface

MP=.0,AC=-1.0,ES=1.0
AR
29
24
19
Fig. 3.9: Grfica de
14la respuesta para ngulo de resorteo
9
4
-1
-1
-.6
-.2
LF
.2
.6
-1
.2
-.2
-.6
.6
RD
Contours of Estimated Response Surface

MP=.0,AC=-1.0,ES=1.0
RD
.6
.2
-.2
-.6
-1
-1
-.6
-.2
.2
LF
.6
AR
7.5
8.5
9.5
10.5
11.5
12.5
13.5
14.5
15.5
16.5
17.5
18.5

Herramientas para La Mejora de La Calidad

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Herramientas para La Mejora de La Calidad

Uploaded by

Copyright:

Available Formats

Master en Gestin Integrada en

Prevencin, Medio Ambiente y Calidad

DISTRIBUCION NORMAL Sea X una variable aleatoria

Para clculos de probabilidades de procesos que se

La velocidad a la que transitan los automovilistas en una

Uso de la Tabla Normal

P (28 < x < 34 ) = P

DISTRIBUCIN MUESTRAL DE LA MEDIA

tiene una distribucin con media y__

que tiende a una distribucin normal cuando n tiende a infinito,

si n es grande, sin importar cual sea la distribucin de

DISTRIBUCIN MUESTRAL DE (n-1)S2/

Si S2 es la varianza de una muestra aleatoria de

con =n-2 grados de libertad con

A partir de una muestra aleatoria de tamao n de una

Se dice que un estimador es insesgado si su esperanza

A) Intervalo de Confianza para la media de una poblacin normal

Definiendo el Nivel de Confianza por 1- , y z el percentil (1

Un fabricante de caeras desea estimar el dimetro medio externo

z0.025 = z0.975 =2.96

& [10,956 ; 11 .188 ]

Sea x1, x2,...,xn es una muestra aleatoria de tamao n

= n 1 son los grados de libertad de un distribucin

El intervalo de confianza del 100(1- )% para

La Oficina de Personal est interesada en estimar la cantidad promedio de

& [23,2652 ; 26,3747 ]

B) Intervalo de Confianza para una proporcin

x i el estimador puntual, luego

Se recibe un gran cargamento de interruptores proveniente de

z0.025 = z0.975 =2.57

C) Intervalo de confianza para

Sea x1, x2,...,xn es una muestra aleatoria de tamao n

luego, el intervalo de confianza del (1est dado por

Para el problema de gastos del personal en comisiones de servicio,

Dcimas de Hiptesis o Pruebas de Hiptesis

Al probar cualquier hiptesis estadstica se

, = P (Re chazar H 0 / H 0 es verdadera )

Dcima para una proporcin

Enunciada la hiptesis de nulidad, se debe

Determinacin de la Regin de Rechazo de la Hiptesis

a) Para H1 : p > p0 , es decir, H1 : p > 96%

b) Para H1 : p < p0 , es decir, H1 : p < 96%

c) Para H1 : p p0 , es decir, H1 : p - 96%

Clculo del estadstico a usar

donde p : es la proporcin de eficacia del adhesivo B en la muestra, p0 : es la

zcal = (97 96)

Dcima para un promedio

Se sabe que en cierta carretera la velocidad a la que conducen los

Clculo del estadstico a usar

Con los datos de la muestra se tiene

Conclusin : Como -zcrt < zcal < zcrt , no existe

1.- Se toma una muestra aleatoria de 100 muertos por accidentes de

2.- Un fabricante de bateras para radiotransmisores afirma que sus

DCIMA PARA DOS MEDIAS

y las hiptesis alternativas por :

Ejercicio : Se sabe que el tiempo medio que demora un funcionario

Tiempos funcionarios nuevos

5.9 4.9 5.5 4.8 5.2 5.0 5.1 5.0

Para un nivel de significacin del 5%, se puede afirmar que los

ii) Varianzas iguales desconocidas

el estadstico a calcular est dado por : t cal

(n1 1)S1 + (n2 1)S2