[TYPE THE COMPANY NAME]

DISEO DE EXPERIMENTOS

Teora
 OBJETIVO

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

Contenido
1. INTRODUCCIN AL DISEO DE EXPERIMENTOS .......................................................... 4
1.1 Aplicaciones del diseo de experimentos .............................................................. 5
Definicin de experimento, diseo de experimentos y eficiencia de un
experimento ............................................................................................................. 7
1. 2 Principios bsicos del diseo de experimentos ..................................................... 7
1.3. Metodologa general para realizar un experimento ........................................... 9
1.4. Aplicaciones del diseo de experimentos. .......................................................... 13
2. ANALISIS DE VARIANZA DE UN FACTOR (ANOVA 1 VIA) ............................................ 15
2.1 Introduccin.......................................................................................................... 15
2.2 Tipos de variacin y sumas de cuadrados ............................................................ 16
2.3 Uso de Excel: ......................................................................................................... 18
2.4 Uso de Minitab ..................................................................................................... 19
2.5 Grafica de residuos contra el valor ajustado de yij .............................................. 20
2.6 Ejercicios ............................................................................................................... 21
3. ANALISIS DE VARIANZA DE DOS VAS o DIRECCIONES (ANOVA 2 VIAS)..................... 23
3.1 Introduccin.......................................................................................................... 23
3.2 Ejemplos con clculo manual ............................................................................... 23
3.3 Procedimiento en Excel ........................................................................................ 24
3.4 ANOVA en Minitab ............................................................................................... 25
4. DISEOS FACTORIALES ............................................................................................... 29
4.1 Principios y definiciones bsicas........................................................................... 29
Ventajas de los diseos factoriales ........................................................................ 31
4.2 Diseo factorial de dos niveles (2^K) ................................................................... 32
5. DISEOS DE EXPERIMENTOS FRACCIONALES DE DOS NIVELES ................................. 40
5.1 Concepto de replicacin fraccionada ................................................................... 40

Pgina 2 de 71
 5.2 Fraccin un medio del diseo 2k .......................................................................... 41
5.3 Resolucin del diseo ........................................................................................... 44
6. DISEOS DE EXPERIMENTOS FACTORIALES COMPLETOS .......................................... 46
6.1 Diseo factorial completo de 2 factores .............................................................. 46
6.2 Anlisis Estadstico del Modelo de Efectos Fijos .................................................. 48
7. DISEO DE EXPERIMENTOS TAGUCHI ........................................................................ 56
7.1 Introduccin.......................................................................................................... 56
7.2 Arreglos ortogonales para experimentos a dos niveles ....................................... 57
7.3 Caso menor es mejor ............................................................................................ 59
8. REGRESIN Y CORRELACIN LINEAL .......................................................................... 64
8.1 Introduccin.......................................................................................................... 64
8.2 Ejemplo manual .................................................................................................... 66
8.3 Uso de Excel .......................................................................................................... 68
8.4 Uso de Minitab ..................................................................................................... 69
8.5 Ejercicios: .............................................................................................................. 71

Pgina 3 de 71
1. INTRODUCCIN AL DISEO DE EXPERIMENTOS

l diseo de experimentos es una tcnica estadstica que nos ayuda a identificar qu

Efactores o variables afectan El comportamiento de un proceso productivo y de esta
manera poder mejorarlo.

O bien: es una prueba o una serie de pruebas en las cuales se inducen cambios
deliberados en las variables de entrada de un proceso o sistema, de manera que sea
posible observar e identificar las causas de los cambios en la respuesta de salida.

Experimento: es una prueba o ensayo.

El proceso o sistema bajo estudio puede representarse por medio del modelo de la
figura 1.1.

Factores controlables
x1 x2 x3 x4 ... xp

Entradas Salida
Proceso
y

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

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

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

2. Determinar el mejor valor de las x que influyen en y, de modo que y tenga casi
siempre un valor cercano a valor nominal deseado.
3. Determinar el mejor valor de las x que influyen en y, de modo que la
variabilidad de y sea pequea.
4. Determinar el mejor valor de las x que influyen en y, de modo que se
minimicen los efectos de las variables no controlables z1, z2,...zq.

Pgina 4 de 71
Lo mtodos de diseo experimental tiene un propsito que puede ser desarrollar un
proceso consistente o robusto; esto es, un proceso que no sea afectado por fuentes
de variabilidad externas o ruido (las zi).

En el diseo de experimentos se plantean varias preguntas importantes:

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

Estas, y quiz muchas otras preguntas, debern ser contestadas satisfactoriamente

antes de llevar a cabo el experimento.

1.1 Aplicaciones del diseo de experimentos

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

Ede manufactura, desarrollo de nuevos procesos con lo que se logra:
1. Mejorar el rendimiento del proceso.
2. Menor variabilidad y mayor apego a los requerimientos nominales y objetivos.
3. Menor tiempo de desarrollo.
4. Menores costos totales.

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

como sigue:

1. Evaluacin y comparacin de conceptos de diseo bsicos.

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

Pgina 5 de 71
El uso del diseo de experimentos en estas reas puede dar por resultado productos
con mayor confiabilidad y mejor funcionamiento en el campo, menores costos, y
menor tiempo de diseo y desarrollo del producto.

El diseo estadstico de experimentos es el proceso de planear un experimento para

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

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

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

Cuando se usan experimentos pretendemos analizar el efecto de cambios que

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

F2 F1
F11
F21

F22 F12

CARACTERISTICA
DE CALIDAD

F41
F31
F32
F42

F4 F3

Figura 1.2 Diagrama de Causa Efecto

Mediante un experimento podemos inducir cambios en uno varios factores (F 2l. F33 y
F11 por ejemplo) y analizar estadsticamente si el cambio en los factores afecta o no el
resultado o efecto del proceso.

Pgina 6 de 71
Definicin de experimento, diseo de experimentos y eficiencia de un
experimento

Experimento

Escomprender
un conjunto de pruebas estructurado y coherente que son analizadas a fin de
la operacin del proceso.

Diseo de experimentos

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

Eficiencia de un experimento

Un experimento es eficiente cuando:

1. Se obtiene la informacin requerida.

2. Con el mnimo consumo de recursos.

Esto es, un experimento eficiente debe ser lo ms simple y econmico posible pero
efectivo. Las tcnicas del diseo de experimentos pretenden que los experimentos
sean eficientes.

1. 2 Principios bsicos del diseo de experimentos

Para que un experimento pueda tener validez estadstica se deben de observar al

menos tres principios:

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

bajo las mismas condiciones en ms de una ocasin.

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

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

Pgina 7 de 71
La reproduccin por lo tanto es importante por al menos dos razones:

i) Permite cuantificar el error aleatorio inherente al proceso y

ii) Permite una mejor estimacin de los parmetros.

Aleatoriedad. Esto significa que tanto el material asignado a un experimento en

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

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

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

80C 2.2 2.8 3.2 3.6 2.95

90C 3.4 3.9 4.3 4.7 4.07

A primera vista con la temperatura de 80C se ve que tiene menor nivel de

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

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

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

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

i) Confunde el efecto de factores no controlables y

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

Anlisis por bloques. Es una tcnica que se usa para incrementar la precisin del
experimento. Un bloque es una porcin del material experimental que sea ms
homognea que el total del material o cuando las condiciones son ms
homogneas. Al realizar un experimento por bloques se hacen las

Pgina 8 de 71
 comparaciones entre las condiciones de inters del experimento dentro de cada
bloque.

1.3. Metodologa general para realizar un experimento

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

1. Identifique claramente el problema o situacin a resolver. Antes de poder planear
un experimento necesitamos definir claramente que es la que estamos buscando, aun
cuando esto puede parecer trivial en ocasiones es tanta la presin para tomar
decisiones que corremos a experimentar sin por lo menos definir claramente nuestros
objetivos.

En este paso es necesario definir que tipo de informacin es exactamente la que nos
interesa, ya que no podemos medir o variar todos y cada uno de los componentes de
un experimento.

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

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

En conclusin como resultado de este paso, la hiptesis a probar debe quedar bien
definida. Un diagrama causa-efecto es una buena ayuda en este paso.

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

variables dependientes y factores o variables independientes.

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

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

Es deseable que una variable dependiente rena las caractersticas siguientes:

Cuantitativa
Precisa.
Que tenga algn significado fsico.

Pgina 9 de 71
Las variables independientes o factores representan aquellas causas o factores cuyo
efecto sobre la variable dependiente se quiere analizar. Cada uno de estos factores se
deber probar al menos a dos valores diferentes para evaluar su efecto, a cada uno de
estos valores o niveles se les llama tratamientos. Por ejemplo, si queremos conocer el
efecto de la temperatura sobre la dureza de un material y para ello se realizan pruebas
a 70, 80 y 90C se dice que tenemos un experimento de un solo factor con tres
tratamientos. Otra vez es de vital importancia la participacin del personal involucrado
en el problema a fin de seleccionar apropiadamente los factores o variables
independientes y los niveles de cada factor o tratamiento de inters.

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

A. Factor fijo, cualitativo.

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

B. Factor fijo, cuantitativo.

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

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

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

C. Factor aleatorio, cualitativo.

En este caso los niveles o tratamientos se seleccionan al azar de entre varios posibles.
Por ejemplo: se tienen varios lotes de un mismo proveedor, se selecciona al azar cules
de ellos analizar, en este caso la conclusin del experimento se extiende para cubrir
todos los posibles niveles..

Pgina 10 de 71
 D. Factor aleatorio, cuantitativo.

Igual que en el caso anterior los diferentes niveles o tratamientos son seleccionados al
azar.

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

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

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

fijos.

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

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

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

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

6. Conclusiones y toma de decisiones.

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

Para usar un enfoque estadstico al disear y analizar un experimento se requiere que

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

1. Comprensin y planteamiento del problema.

Este punto pudiera parecer obvio; sin embargo, en la prctica no es sencillo darse
cuenta de que existe un problema que requiere experimentacin, ni disear un
planteamiento claro y aceptable del mismo. Es necesario desarrollar todas las ideas
sobre los objetivos del experimento. Suele ser importante solicitar la opinin de todas
las partes implicadas. Un planteamiento claro del problema contribuye a menudo en
forma sustancial a un mejor conocimiento del fenmeno y de la solucin final del
problema.

Pgina 11 de 71
2. Eleccin de factores y niveles.

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

intervalos de dicha variacin y los niveles especficos de inters a los cuales se har el
experimento. Tambin debe considerarse la forma en que se controlarn estos
factores para mantenerlos en los valores deseados, y cmo se les medir. Para ello es
necesario conocer el proceso de manera prctica y terica.

3. Seleccin de la variable de respuesta.

Al seleccionar la respuesta o variable dependiente, el experimentador debe estar

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

4. Eleccin del diseo experimental.

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

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

Es importante tener presente los objetivos experimentales al seleccionar el diseo, se

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

5. Realizacin del experimento.

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

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

Pgina 12 de 71
es fcil subestimar los aspectos logsticos y de planeacin de la realizacin de un
experimento diseado.

6. Anlisis de datos.

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

Hay que recordar que los mtodos estadsticos slo proporcionan directrices para la
veracidad y validez de los resultados. Los mtodos estadsticos, aplicados
adecuadamente, no permiten probar algo experimentalmente, slo hacen posible
obtener el probable error de una conclusin, o asignar un nivel de confiabilidad a los
resultados. La principal ventaja de los mtodos estadsticos es que agregan objetividad
al proceso de toma de decisiones. Las tcnicas estadsticas, aunadas aun buen
conocimiento tcnico o del proceso y al sentido comn, suelen llevar a conclusiones
razonables.

7. Conclusiones y recomendaciones.

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

1.4. Aplicaciones del diseo de experimentos.

Enparamuchas ocasiones l termino experimento se considera asociado exclusivamente

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

Algunos ejemplos son:

Si la materia prima que es entregada por tres diferentes proveedores producen

caractersticas diferentes en el producto
Si diferentes marcas de herramienta tienen o no vida diferente.

Pgina 13 de 71
 Si la temperatura de recocido afecta o no alguna propiedad mecnica del producto.
Si diferentes cabezales de una misma mquina producen productos similares.
Si un nuevo mtodo de ensamble incrementa o no la productividad en una lnea de
produccin.
Cul es el factor que ms influye en la variabilidad de alguna caracterstica de
calidad.

Es necesario tener claros y en todo caso revisar los siguientes conceptos estadsticos
antes de seguir:

Qu es una prueba de hiptesis?

Qu e s un error tipo I y Qu es un error tipo II?
Qu es una prueba t para comparar dos medias?
Qu es la potencia de una prueba de hiptesis?
Qu es control estadstico?.
Qu es nivel de significancia?.

Pgina 14 de 71
2. ANALISIS DE VARIANZA DE UN FACTOR (ANOVA 1
VIA)

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

H 0 1 2 3 .... k
H1 : Al menos dos medias poblacionales son diferentes.

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

1. Ambas poblaciones son normales.

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

sb2
Fc
sw2

El valor crtico para la prueba F es:

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

Donde el nmero de grados de libertad para el numerador (Sb^2 > Sw^2) es k-1 y para
el denominador es k(n-1), siendo el nivel de significancia.

k = nmero de muestras.

Por ejemplo:

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

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

Pgina 15 de 71
Como los empleados se seleccionan aleatoriamente para cada programa
el diseo se denomina DISEO COMPLETAMENTE ALEATORIZADO
Se observa el aprovechamiento de los empleados en los programas:

TRATAMIENTOS

I c=1 c=2 c=3 J

Programa 1 Programa 2 Programa 3

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

2.2 Tipos de variacin y sumas de cuadrados

1. Variacin total entre los 14 empleados, su puntuacin no fue igual con todos
VARIACIN TOTAL RESPECTO A LA MEDIA GENERAL

r c 2

SCT ( Xij X )
i 1 j 1

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

SCT = 251.7

2. Variacin entre los diferentes tratamientos o Variacin entre muestras o

variacin entre programa 1, programa 2 y programa 3

EFECTO DE LA MEDIA DE CADA TRATAMIENTO RESPECTO A LA MEDIA GENERAL

r
SCTR rj ( X j X ) 2
j 1

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

SCTR = 65.71

Pgina 16 de 71
3. Variacin dentro de un tratamiento o muestra o programa dado que no todos los
empleados dentro de un mismo programa obtuvieron los mismos puntajes. Se
denomina Variacin dentro de los tratamientos.

VARIACIN DENTRO DEL TRATAMIENTO O VARIACIN DEL ERROR

CADA VALOR RESPECTO A LA MEDIA DE SU TRATAMIENTO

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

SCE = SCT - SCTR = 186

4. Grados de libertad

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

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

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

gl SCT = gl SCTR + gl SCE

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

5. Cuadrados medios (Suma Cuadrados/ Grados libertad)

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

6. Estadstico de prueba Fc y estadstico F crtico de alfa

Fc = CMTR / CME= 1.946745562

Falfa, gl.numerador, gl.denomin ador F ,c 1,n c

Clculo de F con Excel

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

Pgina 17 de 71
 ZONA DE
NO RECHAZAR RECHAZO

Distr. F

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

7. Valor de P Fc

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

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

TABLA DE ANOVA

FUENTE DE VARIACIN SUMA DE GRADOS DE CUADRADO

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

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

2.3 Uso de Excel:

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

Pgina 18 de 71
RESUMEN Anlisis de varianza de un factor
Grupos Cuenta Suma Promedio Varianza
Programa 1 4 320 80 32.666667
Programa 2 5 405 81 5
Programa 3 5 425 85 17

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

2.4 Uso de Minitab

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

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

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

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

Individual 95% CIs For Mean Based on

Pooled StDev

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

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

Pgina 19 de 71
NOTA: Si los Intervalos de confianza se traslapan, las
medias son iguales estadsticamente

Tukey 95% Simultaneous Confidence Intervals

All Pairwise Comparisons

Individual confidence level = 97.94%

Programa 1 subtracted from:

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

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

Programa 2 subtracted from:

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

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

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

medias, este par de medias no son diferentes.

2.5 Grafica de residuos contra el valor ajustado de yij

Si el modelo es correcto y las suposiciones se satisfacen, los residuos no deben tener

algn patrn, ni deben estar relacionados con alguna variable, incluyendo la respuesta
Yij. Una comprobacin sencilla consiste en graficar los residuos contra los valores
ajustados yij (debe recordarse que para el modelo en un sentido yij - yi. , el promedio
del tratamiento i-simo). En esta grafica no debe revelarse ningn patrn obvio en la
siguiente figura se grafican los residuos contra los valores ajustados de los datos de la
resistencia a la tensin del ejemplo 2.3 Ningn patrn inusual es evidente.

Pgina 20 de 71
 Grafica de residuos contra valores ajustados

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

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

2.6 Ejercicios

1. Cuatro catalizadores que pueden afectar la concentracin de un componente en

una mezcla lquida de tres componentes estn siendo investigado.

Se obtienen las siguientes concentraciones:

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

Pgina 21 de 71
2. Para determinar si existe diferencia significativa en el nivel de Matemticas de 4
grupos de estudiantes de Ingeniera se realiz un examen aleatorio a 6 individuos por
grupo. Determine cuales son los grupos en los cuales existen diferencias a un 95% de
nivel de confianza.

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

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

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

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

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

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

Pgina 22 de 71
3. ANALISIS DE VARIANZA DE DOS VAS o
DIRECCIONES (ANOVA 2 VIAS)

3.1 Introduccin

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

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

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

Los tratamientos se asignan a las columnas y los bloques a los renglones. Un bloque
indica condiciones similares de los sujetos al experimentar con diferentes
tratamientos.

Las hiptesis son:

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

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

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

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

3.2 Ejemplos con clculo manual

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

Experiencia Mquinas
de ops. En aos Maq 1 Maq 2 Maq 3 Promedios
1 27 21 25 24.33333
2 31 33 35 33
3 42 39 39 40
4 38 41 37 38.66667

Pgina 23 de 71
 5 45 46 45 45.33333
Promedios 36.6 36 36.2 36.26667

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

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

de los operadores.

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

experimentos)

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

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

3.3 Procedimiento en Excel

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

Pgina 24 de 71
Anlisis de varianza de dos factores con una sola muestra por grupo
RESUMEN Cuenta Suma Promedio Varianza
Fila 1 5 353 70.6 9.3
Fila 2 5 357 71.4 9.3
Fila 3 5 362 72.4 19.3
Fila 4 5 363 72.6 6.8

Columna 1 4 294 73.5 1

Columna 2 4 274 68.5 3
Columna 3 4 302 75.5 3
Columna 4 4 291 72.75 2.92
Columna 5 4 274 68.5 1.67

ANLISIS DE VARIANZA
Grados F
Fuente de Suma de de Cuadrados Fc Probabilidad tablas
variacin Cuadrados libertad medios Valor P
Filas 12.95 3 4.32 2.38 0.12 3.49
Columnas 157 4 39.25 21.61 2.06E-05 3.26
Error 21.8 12 1.82
Total 191.75 19
Total 231 24

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

2.38<3.49, por lo cual no rechazamos al Hiptesis nula H0. No tenemos evidencia
estadstica para afirmar que el agente qumico tenga influencia en la respuesta.

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

(P<0.05).

3.4 ANOVA en Minitab

Utilice 0.05 para calcular si hay diferencias entre los efectos de las columnas y los
renglones.
Introducir los datos arreglados con las respuestas en una sola columna e indicando a
que rengln y columna pertenece cada uno de estos, como sigue:

Resp Columna Fila

73 1 1
73 1 2
75 1 3
73 1 4

Pgina 25 de 71
 68 2 1
67 2 2
68 2 3
71 2 4
74 3 1
75 3 2
78 3 3
75 3 4
71 4 1
72 4 2
73 4 3
75 4 4
67 5 1
70 5 2
68 5 3
69 5 4

Instrucciones:

Stat > ANOVA > One two Way

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

Graphs
Seleccionar Normal plot of residuals
OK
Resultados:

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

Los residuos se aproximan a la distribucin normal por lo cual se concluye que se est
utilizando un modelo vlido.

Pgina 26 de 71
 Normal Probability Plot of the Residuals
(response is Resp)
99

95
90

80
70
Percent

60
50
40
30
20

10

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

Two-way ANOVA: Resistencia versus Agente Qumico, Rollo

Source DF SS MS F P
Agente Qumico 3 12.95 4.3167 2.38 0.121
Rollo 4 157.00 39.2500 21.61 0.000
Error 12 21.80 1.8167
Total 19 191.75

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

Como el valor de P es menor a 0.05 el Rollo tiene

influencia significativa en la resistencia.

Individual 95% CIs For Mean Based on

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

Individual 95% CIs For Mean Based on

Pooled StDev
Rollo Mean --+---------+---------+---------+-------
1 73.50 (-----*-----)
2 68.50 (-----*-----)
3 75.50 (-----*-----)
4 72.75 (-----*-----)

Pgina 27 de 71
5 68.50 (-----*-----)
--+---------+---------+---------+-------
67.5 70.0 72.5 75.0

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

Pgina 28 de 71
4. DISEOS FACTORIALES

4.1 Principios y definiciones bsicas

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

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

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

Factor B
B1 B2

A1 20 30

Factor A

A2 40 52

Tabla 1 Un experimento factorial

40 52 20 30
A 21
2 2

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

respuesta promedio de 21 unidades. Similarmente, el efecto principal de B es:

30 52 20 40
B 11
2 2

Pgina 29 de 71
Si los factores tienen ms de dos niveles, el procedimiento anterior debe ser
modificado ya que las diferencias entre las respuestas promedio pueden expresarse de
muchas formas.

En algunos experimentos puede encontrarse que la diferencia en la respuesta entre los

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

Factor B
B1 B2

A1 20 40

Factor A

A2 50 12

Tabla 2. Un experimento factorial con interaccin

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

A = 50 - 20 = 30
Mientras que en el segundo nivel de B, el efecto de A es:
A = 12 - 40 = 28

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

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

respuesta de los datos de la Tabla 1 contra los niveles del factor A para ambos niveles
del factor B. Se observa que las rectas B1 y B2 son, aproximadamente, paralelas. Esto
indica que no hay interaccin entre los factores. De manera similar, en la Fig. 2 se
presenta una grfica de la respuesta de los datos de la Tabla 2.

60
B2
50
B1
Respuesta

40
30 B2
20
B1
10

A1 A2
Factor A
Figura 1 Un experimento factorial sin interacciones

Pgina 30 de 71
En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que existe una
interaccin entre A y B. Sin embargo, no debe ser la nica tcnica para analizar los
datos, porque su interpretacin es subjetiva y su apariencia, a menudo, es engaosa.

60 B1
50
B2
Respuesta

40
30
20
B1
10 B2

A1 A2
Factor A

Figura 2 Un experimento factorial con interacciones

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

50 12 20 40
A 1
2 2
El cual resulta ser muy pequeo corrindose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examin el efecto de A en niveles
diferentes de B se concluy que ste no era el caso. El factor A tiene un efecto, pero
depende del nivel del factor B. En otras palabras, es ms til conocer la interaccin AB
que el efecto principal. Una interaccin significativa oculta a menudo el significado de
los efectos principales.

Ventajas de los diseos factoriales

Las ventajas de los diseos factoriales pueden ilustrarse fcilmente. Supongamos que
se tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se representan
mediante A1, A2, B1 y B1. La informacin acerca de ambos factores puede obtenerse
variando un factor a la vez como aparece en la tabla 3. El efecto de variar el factor A
est dada por A2B1 -A1B2. A causa de que existe error experimental, es conveniente
realizar, por ejemplo, dos observaciones de cada combinacin de tratamientos y hacer
una estimacin de los efectos de los factores usando las respuestas promedio. Por lo
tanto, se requiere un total de seis observaciones.

Pgina 31 de 71
 Factor B
B1 B2

A1 A1B1 A1B2

Factor A

A2 A2B1 12

Tabla 3 El mtodo de un factor a la vez

Los diseos factoriales poseen algunas ventajas.

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

Los diseos factoriales son necesarios cuando alguna interaccin puede estar
presente, para evitar hacer conclusiones engaosas.

Los diseos factoriales permiten estimar los efectos de un factor en diversos

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

4.2 Diseo factorial de dos niveles (2^K)

El primer diseo de la serie 22 es aquel en el que solo dos factores, A y B, cada uno con
dos niveles. Este diseo se conoce como diseo factorial 22. Arbitrariamente, los
niveles del factor pueden llamarse bajo y alto.

Ejemplo 1 Considrese una investigacin llevada a cabo para estudiar el efecto que
tiene la concentracin de un reactivo y la presencia de un catalizador sobre el tiempo
de reaccin de un proceso qumico. Sea la concentracin del reactivo el factor A con
dos niveles de inters, 15% y 20%. El catalizador constituye el factor B; el nivel alto o
superior denota el uso de dos sacos de catalizador y el nivel bajo o inferior denota el
uso de un solo saco. El experimento se realiza (replica o repite) tres veces, y los
datos son como sigue:

Pgina 32 de 71
 Combinacin de Replica
tratamientos I II III Total
A baja, B baja 28 25 27 80
A alta, B baja 36 32 32 100
A baja, B alta 18 19 23 60
A alta, B alta 31 30 29 90

En la figura 3 siguiente se presentan grficamente las combinaciones de tratamiento

para este diseo, el efecto de un factor se denota por la letra latina minscula. De este
modo, A se refiere al efecto del factor A, y B se refiere al efecto del factor B, y
AB se refiere a la interaccin entre AB. En el diseo 22 los niveles bajo y alto de A y B
se denotan por - y + respectivamente, en los ejes A y B. As en el eje B representa
el nivel bajo de catalizador mientras que + denota el nivel alto.

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

Alto (2 sacos) +

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

- +
bajo (15%) alto (20%)
Concentracion de reactivo A

Figura
Fig. 3 1: Combinaciones de tratamiento en el diseo factoriall

Las cuatro combinaciones de tratamientos en el diseo pueden representarse por

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

As

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

nivel superior y B en el nivel inferior;

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

y

Pgina 33 de 71
 ab representa a ambos factores en el nivel superior.

Por convencin (1) se usa para representar a ambos factores en el nivel inferior.
El efecto promedio de un factor se define como el cambio en la respuesta
producida por un cambio en el nivel de ese factor, promediado sobre los niveles
del otro factor.

Como se ilustra en la figura 3, las letras minsculas (1), a, b y ab tambin se usan para
representar los totales de las n replicas de las combinaciones de tratamientos
correspondientes. Ahora bien, el efecto de A en el nivel B es {a-(1)}/n. Mientras que el
nivel superior B es {ab-b}/n. Tomando el promedio de estas dos cantidades se obtiene:

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

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

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

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

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

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

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

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

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

Pgina 34 de 71
 A YA YA
ab a b (1)

2n 2n

1
ab a b (1)
2n

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

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

B YB YB

ab b a (1)

2n 2n

1
ab b a (1)
2n

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

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

ab (1) ab
AB
2n 2n

1
ab (1) a b
2n

Pgina 35 de 71
Con los datos que aparecen en la figura 1, las estimaciones de los efectos promedio
son:

A
1
90 100 60 80 8.33
2(3)

B
1
90 60 100 80 5.00
2(3)

AB
1
90 80 100 60 1.67
2(3)

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

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

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

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

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

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

ContrasteA ab a b (1)

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

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

SSc 1
aciyi. 2 na ci2
a .
Esta ecuacin establece que la suma de cuadrados de contraste es igual al contraste
elevado al cuadrado entre el producto del nmero de las observaciones de cada total

Pgina 36 de 71
del contraste por la suma de cuadrados de los coeficientes del mismo. En
consecuencia, se obtiene que las sumas de cuadrados de A, B y AB sean:

SSA
ab a b (1)
2

n*4

SSB
ab b a (1)
2

n*4

SSAB
ab (1) a b
2

n*4

Con los datos de la figura 3, las sumas de cuadrados se pueden calcular aplicando las
ecuaciones anteriores, obtenindose:

2
50
SSA 208.33
4(3)
2
30
SSB 75.00
4(3)
2
10
SSAB 8.33
4(3)

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

2
2 2 n 2 Y ...
SST i1 j1 k 1 Y ijk
4n

En general SST tiene 4n 1 grados de libertad. La suma de cuadrados del error, con 4(n-
1) G.L. se puede calcular en la forma usual, por diferencia, mediante.

2
2 2 3 2 Y
SS E Yijk 9398.00 9075.00 323.00
i1j1k 1 4(3)

Pgina 37 de 71
 SS E SS T SS A SS B SS AB

323.00 208.33 75.00 8.33 31.34

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

principales son significativos al 1%.

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

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

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

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

Fuente de
variacin SS G.L. MS Fo
A 208.33 1 208.33 53.15a
B 75.00 1 75.00 19.13a
AB 8.33 1 8.33 2.13
Error 31.34 8 3.92
Total 323.00 11
a significativo al 1%

Signos algebraicos para calcular los efectos en un diseo 22

Combinacin Efecto Factorial

De
Tratamientos I A B AB

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

Observe que los coeficientes de los contrastes usados para estimar la interaccin son
iguales al producto de los coeficientes correspondientes a los dos efectos principales.

Pgina 38 de 71
Los coeficientes de los contrastes siempre son +1 o 1 y se puede usar una tabla de
signos positivos y negativos como la mostrada en la de signos algebraicos para
determinar el signo apropiado de cada combinacin de tratamientos. En el encabezado
de las columnas de tabla y se encuentran los efectos principales (A y B), la interaccin
AB, e I, que representa el total el total o el promedio de todo el experimento. Se
observa que la columna encabezada por I se compone de solo de signos positivos. Los
renglones corresponden a las combinaciones de tratamientos.

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

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

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

Los tipos ms sencillos de diseos factoriales implican slo dos factores o conjuntos de
tratamientos. Haya a niveles del factor A y b niveles del factor B, dispuestos en un
diseo factorial; esto es, cada A repeticin o rplica del experimento contiene todas las
combinaciones de tratamiento ab. En general, hay n repeticiones.

Pgina 39 de 71
5. DISEOS DE EXPERIMENTOS FRACCIONALES DE
DOS NIVELES

5.1 Concepto de replicacin fraccionada

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

condiciones experimentales (y por lo tanto el nmero de lecturas o pruebas
necesarias), crece exponencialmente en un experimento factorial. El nmero de
efectos a evaluar (interacciones principalmente) crece exponencialmente tambin. El
nmero de efectos y casillas vara con el nmero de factores en una relacin como se
muestra en la tabla siguiente para un experimento factorial 2k.

No. De No. De Efectos Interacciones entre factores de

factores casillas principales 1 3 4 5 6 7 8
4 16 4 6 4 1
5 32 5 10 10 5 1
6 64 6 15 20 15 6 1
7 128 7 21 35 35 27 7 1
8 256 8 28 58 70 56 28 8 1

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

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

K!
r! (k r)!
El concepto de replicacin fraccionada parte de las siguientes hiptesis:

Pgina 40 de 71
 1. Las interacciones de tres o ms factores son sumamente raras en la prctica,
por lo que en general se pueden suponer como no existentes.

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

ellos sean relevantes para la variable de respuesta.

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

interacciones de dos factores.

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

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

1. Cuntas y cuales casillas probar?

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

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

5.2 Fraccin un medio del diseo 2k

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

En la tabla 1 aparecen signos positivos y negativos del diseo 23. Supngase que para
componer la fraccin un medio, se seleccionan las combinaciones de tratamientos se
usa indistintamente la notacin convencional (a,b,c,...) y la de signos positivos y
negativos. La equivalencia de las dos notaciones se muestra a continuacin.

Pgina 41 de 71
 Notacin 1 Notacin 2
a + - -
b - + -
c - - +
abc + + +

Combinacin de Efecto factorial

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

Tabla 1 Signos positivos para el diseo 23

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

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

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

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

c ac

b ab
C
B
A
a (1 )

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

Pgina 42 de 71
Las combinaciones de tratamientos del diseo 23-1 producen 3 G.L. que pueden usase
para estimar los efectos principales. En la tabla 1 se muestra que las combinaciones
lineales de las observaciones que se utilizan para estimar los efectos principales A, B, y
C son:

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

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

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

LA A BC,
LB B AC
LC C AB

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

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

A*I = A*ABC = A2BC

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

A = BC

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

Pgina 43 de 71
 B*I = B*ABC = AB2C = AC
C*I = C*ABC = ABC2 = AB

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

Ahora supngase que se eligi la otra mitad de la rplica. Esta se compone de las
combinaciones de tratamientos de la tabla 1 que tiene signo negativo asociado con
ABC. Esta fraccin un medio o alterna que consta de las siguientes corridas:

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

La relacin definitoria de este diseo es:

I = -ABC

Usando la fraccin alterna, las combinaciones lineales de las observaciones, LA, LB y

LC, son:

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

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

con esta fraccin. En la prctica, no importa cual de las dos fracciones se utilice.
Generalmente la fraccin asociada con I = +ABC se denomina fraccin principal. Ambas
fracciones pertenecen a la misma familia; en otras palabras, estas dos fracciones
forman el diseo 23 completo.

5.3 Resolucin del diseo

El diseo anterior 23-1 se conoce como diseo de resolucin III. En tal diseo los alias
de los efectos principales son interacciones de dos factores. Un diseo es resolucin R
si ningn efecto de p factores es alias de otro efecto que tenga menos R p factores.
Usualmente, se emplea el numeral romano como subndice para indicar la resolucin

Pgina 44 de 71
del diseo. As, la fraccin un medio del diseo 23 definido por la relacin I = ABC (o
3 1
bien I = - ABC) constituye un diseo 2III .

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

presenta la definicin de estos diseos junto con un ejemplo.

1. Diseo con resolucin III: stos son diseos en los que ningn efecto principal es
alias de otro, pero si lo son de las interacciones de dos factores; a su vez, estas
ltimas son alias entre s. El diseo 23-1 de la tabla 4.1 es de resolucin III.

2. Diseo con resolucin IV: En estos diseo ningn efecto principal es alias de otro
efecto principal, o bien, de alguna interaccin de dos factores. Las interacciones
de dos factores son alias entre s. Un diseo 24-1 con I = ABCD es de resolucin
4 1
IV ( 2IV ).

3. Diseos resolucin V: Estos son diseos en los que ningn efecto principal o
interaccin de dos factores es alias de ningn efecto principal o interacciones
entre dos factores, un diseo 25-1 con I = ABCDE es de resolucin V ( 2 5V1 ).

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

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

Pgina 45 de 71
6. DISEOS DE EXPERIMENTOS FACTORIALES
COMPLETOS

6.1 Diseo factorial completo de 2 factores

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

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

observada de las bateras.

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

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

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

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

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

Esta ltima pregunta reviste particular importancia. Existe la posibilidad de hallar un

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

Pgina 46 de 71
Este diseo es un ejemplo especfico del caso general de un diseo con dos factores
(bifactorial). Para pasar al caso general, sea Yijk la respuesta observada cuando el
factor A se encuentra en el i-simo nivel (i -1, 2,..., n). En general, los datos observados
se vern como en la tabla 2. El orden en el cual se toman las abn observaciones es
aleatorio, de modo que ste es un diseo completamente aleatorizado.

Tabla 2. Disposicin general para un diseo bifactorial

Las observaciones pueden describirse mediante el modelo estadstico lineal:

i 1,2,..., a

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

En donde es el efecto medio general, i es el efecto del i-simo nivel del factor
rengln A, j es el efecto del j-simo nivel del factor columna B, ()ij es el efecto de la
interaccin entre i y j, ijk es el componente del error aleatorio. Inicialmente se
supone que ambos factores son fijos y que los efectos de tratamiento se definen como
desviaciones de la media general, por lo tanto. ia1i 0; bj1j 0 Se supone que los

efectos de interaccin son fijos y que se definen d manera que: i1 ij 0 . Hay un

a

total de abn observaciones porque se realizan n rplicas.

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

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

Pgina 47 de 71
 Ho : 1 2 ...a 0

H1 : al menos una i 0

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

Ho : 1 2 ...b 0
H1 : al menos una j 0

Tambin es interesante determinar s los tratamientos de rengln y columna

interaccionan. En otras palabras, resulta conveniente probar:

Ho : ()i 0 para toda i, j

H1 : al menos una ()i 0

A continuacin, se muestra cmo pueden probarse estas hiptesis usando un anlisis
de variancia bifactorial o bidireccional (de dos factores o en dos sentidos).

6.2 Anlisis Estadstico del Modelo de Efectos Fijos

Sea Yi..; el total de las observaciones bajo el i-simo nivel del factor A; Y.j. El total de
las observaciones bajo el j-simo nivel del factor B, Yij. El total de las observaciones de
la ij-sima celda, e Y... el total general de todas las observaciones. Se definen

Yi..; Y.j. y Yij. y Y... como los promedios de rengln, columna, celda y general,
respectivamente, matemticamente:

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

n Y... i 1,2,...,a
Yij. Yijk Yij. ;
k 1 n j 1,2,...,b
a b n Y...
Y... Yijk Y...
i1j1k 1 abn

Pgina 48 de 71
La suma total de cuadrados corregida puede expresarse mediante:

n

b Yijk Y...
k 1

2

j1
a

i1

a b n Yi.. Y...


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

2

i1j1 k 1

Yijk Yij.
a b n

Yijk Y...
i1j1 k 1
2


a 2 b 2 a b 2
bn Yi.. Y... an Y.j. Y... n Yij. Yi.. Y.j. Y...
i1 j1 i1j1
a b n

Yijk - Yij.
i1j1 k 1
2

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

Simblicamente, la Ecuacin anterior puede expresarse mediante:

SST SSA SSB SSAB SSE

Los grados de libertad asociados a cada suma de cuadrados son:

Efecto Grados de libertad

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

Pgina 49 de 71
Esta descomposicin del total de abn -1 grados de libertad para las sumas de
cuadrados se puede justificar como sigue: Los efectos principales de A y B tienen a y b
niveles, respectivamente, por lo tanto, tienen a -1 y b -1 grados de libertad como se
muestra.

Los grados de libertad de la interaccin simplemente corresponden a los grados de

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

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

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

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

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

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

Fuente de
Variacin SS G.L. MS Fo
Tratamientos A SSA a - 1 MS A MSA
SS A MSE
a 1
Tratamientos B SSB b - 1 MSB MSB
SSB MSE
b 1

Pgina 50 de 71
 Interaccin SSAB (a - 1)(b - 1) MSAB MSAB

SSAB MSE

(a 1)(b 1)
Error SSE ab(n-1) MSB
SSE
ab(n 1)
Total SST abn - 1

Tabla 2 ANOVA para el modelo bifactorial de efectos fijos

Es posible obtener las frmulas para calcular las sumas de cuadrados de la ecuacin
anterior. La suma total de cuadrados se calcula en forma usual mediante:
2
a b n 2 Y ...
SST Y ijk
i1j1k 1 abn

Las sumas de cuadrados para los efectos principales son:

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

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

entre los totales de las ab celdas, conocida como la suma de cuadrados debido a los
"subtotales":

2 2
a b Y ij. Y ...
SSsubtotales
i1j1 n abn

Esta suma de cuadrados contiene a la SSA y SSB. Por lo tanto, la segunda etapa consiste
en calcular SSAB mediante:

SSAB SSsubtotales SSA SSB

Pgina 51 de 71
La SSE se calcula por diferencia:

SSE SST SSAB SSA SSB

o bien :

SSE SST SSSubtotales

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

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

Tipo Temperatura (F)

de
Mat.
15 70 125 Yi..
1 130 155 539 4 34 40 20 70
229 230 998
74 180 80 75 82 58
134.75

2 150 188 136 122 25 70

623 479 198 1300
159 126 106 115 58 45
3 138 110 174 120 96 104
576 583 342 1501
168 160 150 139 82 60
Y.j.= 1738 1291 770 Y...=
3799

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

Las sumas de cuadrados se calculan a continuacin:

Pgina 52 de 71
 2
a b n 2 Y ...
SST Y ijk
i1j1 k 1 abn
2
2 2 2 2 3799
130 155 74 ... 60 77,646.97
36
2 2
a Y i.. Y ...
SSmaterial
i1 bn abn
2 2 2 2
998 1300 1501 3799
10,683.72
(3)(4) 36
2 2
b Y .j. Y ...
SStemperat ura
j1 an abn
2 2 2 2
1738 1291 770 3799
39,118.72
(3)(49 36
2 2
a b Y ij. Y ...
SSinteraccion
i1j1 n abn
2 2 2 2
539 229 ... 342 3799
10,683.72
4 36
39,118.72 9,613.78

SSE SST SSmaterial SStemperatur a SSinteraccion

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

18,230.75

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

significativa entre el tipo de material y la temperatura porque F0.05,4.27 = 2.73. Adems,
tambin son significativos los efectos principales del tipo de material y de la
temperatura, porque FO.O5.2.27 = 3.35.

Pgina 53 de 71
 Fuente de variacin SS G.L. MS Fo
Tipo de material 10,683.72 2 5,341.86 7.91
Temperatura 39,118.72 2 19,558.36 28.97
Interaccin 9,613.78 4 2,403.44 3.56
Error 18,230.75 27 675.21
Total 77,646.97 35

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

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

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

175

150
Duracion promedio

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

15 70 125
Tempera tura

Figura 1. Grfica de respuesta vs temperatura

El hecho de que las rectas no sean paralelas indica una interaccin significativa. En
general, a menor temperatura mayor duracin, independientemente del tipo de
material.

Pgina 54 de 71
Al variar la temperatura de baja a intermedia, la duracin aumenta con el material tipo
3, mientras que disminuye con los materiales tipo 1 y 2,

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

materiales tipo 2 y 3, mientras que con el tipo 1 esencialmente permanece sin cambio.
Al parecer, el material tipo 3 da los mejores resultados si lo que se desea es menor
perdida de duracin efectiva al cambiar la temperatura.

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

comportamiento aleatorio y normal.

Pgina 55 de 71
7. DISEO DE EXPERIMENTOS TAGUCHI

7.1 Introduccin

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

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

La metodologa Taguchi consta de tres etapas:

a) Diseo del sistema

b) Diseo de parmetros
c) Diseo de tolerancias

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

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

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

como diseo de experimentos, tratadas anteriormente.

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

La herramienta utilizada normalmente son diseos Factoriales fraccionados, sin

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

Un arreglo ortogonal se puede comparar con una replicacin factorial fraccionada, de

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

Taguchi desarroll una serie de arreglos particulares que denomin:

Pgina 56 de 71
 La (b)C

Donde:
a = Representa el nmero de pruebas o condiciones experimentales que se tomarn.
Esto es el nmero de renglones o lneas en el arreglo.
b = Representa los diferentes niveles a los que se tomar cada factor.
c = Es el nmero de efectos independientes que se pueden analizar, esto es el
nmero de columnas.

7.2 Arreglos ortogonales para experimentos a dos niveles

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

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

1 , 2 = Niveles de los Factores (b)

tenemos el siguiente:
De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como
ejemplo, se le llama un arreglo L4, por tener cuatro renglones.
En general, para un arreglo a dos niveles, el nmero de columnas (efectos o factores)
que se pueden analizar, es igual al nmero de renglones menos 1.

Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos
niveles, los ms utilizados y difundidos segn el nmero de factores a analizar son:

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

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

Pgina 57 de 71
 El arreglo ortogonal ms popular es el arreglo L8, que se muestra a continuacin
junto con sus grficas lineales:

L8 Col.1 Col. 2 Col. 3 Col. 4 Col. 5 Col. 6 Col. 7

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

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

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

Grficas lineales

Pgina 58 de 71
 Los pasos para un diseo de experimentos de parmetros en el caso de menor es
mejor son:

7.3 Caso menor es mejor

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

Ejemplo: Disminucin de la contaminacin

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

Los factores de control son los siguientes:

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

Pgina 59 de 71
El factor de ruido introducido artificialmente es permanganato de potasio.
Factores de ruido Nivel 1 Nivel 2 Nivel 3
N Conc. De KMnO4 0.00375 0.0375 0.075

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

L9 Col.1 Col. 2 Col. 3 Col. 4 N1 N1 N2 N2 N3 N3

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

1 n
S / N 10 log yi2
n i1

Las sumas de cuadrados son las siguientes:

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

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

A12 A22 A33

SSA CF
3
(Y Y .... Y9 ) 2
CF 1 2
9
La suma de cuadrados del factor B es:

Pgina 60 de 71
B1 = Y1 + Y4 + Y7
B2 = Y4 + Y5 + Y8
B3 = Y3 + Y6 + Y9
B12 B22 B33
SSB CF
3
(Y1 Y2 .... Y9 ) 2
CF
9

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

La suma de cuadrados total es:

SST = SSA + SSB + SSC + SSD

Haciendo los clculos en Minitab se obtiene:

Taguchi Analysis: Rep. 1, Rep. 2, Rep. 1_1, Rep. 2_1, ...

versus A, B, C, D
Linear Model Analysis: SN ratios versus A, B, C, D

Estimated Model Coefficients for SN ratios

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

S = *

Analysis of Variance for SN ratios

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

Pgina 61 de 71
Total 8 2276.21

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

Estimated Model Coefficients for Means
Term Coef
Constant 25.2281
A 1 -5.8598
A 2 0.2819
B 1 -6.1548
B 2 -8.3748
C 1 33.5124
C 2 -9.6215
D 1 8.4707
D 2 0.1513

S = *

Analysis of Variance for Means

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

Response Table for Signal to Noise Ratios

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

Response Table for Means

Level A B C D
1 19.368 19.073 58.741 33.699
2 25.510 16.853 15.607 25.379
3 30.806 39.758 1.337 16.606
Delta 11.438 22.904 57.403 17.093
Rank 4 2 1 3

Las grficas factoriales son las siguientes:

Pgina 62 de 71
 Main Effects Plot (data means) for SN ratios
A B

-10

-20
Mean of SN ratios

-30

-40
1 2 3 1 2 3
C D

-10

-20

-30

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

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

Main Effects Plot (data means) for Means

A B
60

45

30

15
Mean of Means

0
1 2 3 1 2 3
C D
60

45

30

15

0
1 2 3 1 2 3

La respuesta estimada es:

Predicted values
S/N Ratio Mean

5.70044 -10.5261
Factor levels for predictions
A B C D
1 1 3 2

Pgina 63 de 71
8. REGRESIN Y CORRELACIN LINEAL

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

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

respuesta

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

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

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

La ecuacin de la recta es la siguiente:

Y 0 1 X .........Con.base.en.la. poblacin
Y b0 b1 X e...........Con.base.en.datos.de.la.muestra
*
Y b0 b1 X ................Modelo.de.regresin .estimada

El trmino de error es la diferencia entre los valores reales observados Yi y los valores
estimados por la ecuacin de la recta. Se trata de que estos sean mnimos, para lo cual
se utiliza el mtodo de mnimos cuadrados.

Pgina 64 de 71
 *
Y Error Re siduo (Yi Yi )
*

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

Las frmulas resultado de la minimizacin de lo cuadrados del error se aplicarn en el

siguiente ejemplo por claridad. Se tienen los siguientes supuestos:

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

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

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

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

Se identifican tres medidas de desviacin como sigue:

Pgina 65 de 71
 Y
Yest = 4.4 + 1.08 X

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

X = 16 X

8.2 Ejemplo manual

Se sospecha que el tiempo requerido para hacer un mantenimiento preventivo est

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

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

2 9.95 119.076672 38.9376 364.1533 10.9199 0.9408
8 24.45 1.099872 0.0576 21.0021 28.3362 15.1022
11 31.75 7.499472 7.6176 7.3832 37.0443 28.0292
10 35.00 10.502272 3.0976 35.6075 34.1416 0.7369
8 25.02 0.963072 0.0576 16.1026 28.3362 10.9969
4 16.86 51.612672 17.9776 148.1771 16.7253 0.0181
2 14.38 91.433472 38.9376 214.7045 10.9199 11.9721
2 9.60 121.260672 38.9376 377.6337 10.9199 1.7422
9 24.35 -3.558928 0.5776 21.9286 31.2389 47.4563
8 27.50 0.367872 0.0576 2.3495 28.3362 0.6991
4 17.08 50.679872 17.9776 142.8694 16.7253 0.1258
11 37.00 21.989472 7.6176 63.4763 37.0443 0.0020
12 41.95 48.568672 14.1376 166.8541 39.9470 4.0121
2 11.66 108.406272 38.9376 301.8142 10.9199 0.5477
4 21.65 31.303072 17.9776 54.5057 16.7253 24.2523
4 17.89 47.245472 17.9776 124.1620 16.7253 1.3564
20 69.00 470.014272 138.2976 1,597.3771 63.1686 34.0052

Pgina 66 de 71
 1 10.30 135.625472 52.4176 350.9178 8.0172 5.2111
10 34.93 10.379072 3.0976 34.7770 34.1416 0.6216
15 46.59 118.686672 45.6976 308.2553 48.6551 4.2646
15 44.88 107.127072 45.6976 251.1337 48.6551 14.2512
16 54.12 194.676672 60.2176 629.3676 51.5578 6.5649
17 56.63 241.751472 76.7376 761.6054 54.4605 4.7068
6 22.13 15.462272 5.0176 47.6486 22.5307 0.1606
5 21.15 25.540272 10.4976 62.1385 19.6280 2.3164
206 725.82 2,027.7132 698.5600 6,105.9447 220.0926
SX SY Sxy Sxx Syy = SST SSE
X promedio Y Promedio SXi-X)*(Yi-Y) S(Xi-X)^2 S(Yi-Y)^2
Sxy Sxx Syy

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

Sxy = 2027.71
Sxx = 698.56
Syy = 6105.94

Las ecuaciones para el clculo manual son las siguientes:

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

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

Las sumas de cuadrados son:

SST (Yi Y ) 2 6,105.9447

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

SSR SST SSE 5,885.8521

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

continuacin:

Pgina 67 de 71
 SSE ( SST SSE ) SSR
r2 1 = 0.9639
SST SST SST

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

explicada por la regresin.

r r 2 = 0.9816

El coeficiente de correlacin proporciona el nivel de ajuste que tienen los puntos a la

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

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

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

8.3 Uso de Excel

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

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

Resumen

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

Pgina 68 de 71
ANLISIS DE VARIANZA Suma de Promedio de
Grados de Valor crtico
libertad Cuadrados cuadrados F de F
Regresin 1 5885.852069 5885.852069 615.0800898 4.24118E-18
Residuos 23 220.0926348 9.569244992
Total 24 6105.944704

Coeficientes Error tpico Estadstico t Probabilidad Inferior 95%

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

X Servicios Curva de regresin ajustada

80.00
70.00
60.00 Y Tiempo
Y Tiempo

50.00
Pronstico Y Tiempo
40.00
30.00 Lineal (Pronstico Y
20.00 Tiempo)
10.00
0.00
0 5 10 15 20 25
X Servicios

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

atencin aumenta.

8.4 Uso de Minitab

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

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

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

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

Pgina 69 de 71
 En Options: seleccionar Display Confidence (para media en X) y Prediction Intervals
para X.
En Graphs: Seleccionar Residual for plots Standardized y Normal Plot of residuals
La grfica de residuos debe apegarse a la recta y tener siempre un valor P value
>0.05.

Fitted Line Plot

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

40

30

20

10

0
0 5 10 15 20
X Servicios

Regression Analysis: Y Tiempo versus X Servicios

The regression equation is

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

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

significativo.

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

especfico X son los siguientes:

1 ( Xi X ) 2
Sy Se 1 ( Xi X ) 2
n SCx Syi Se 1
*
n SCx
IC. para. y!x Y est tSy *
IP . para .Yx Y est tSyi

Pgina 70 de 71
8.5 Ejercicios:

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

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

a) Trazar un diagrama de dispersin

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

2. En base al porcentaje de puntualidad se trata de ver si hay correlacin con las quejas
en una lnea area. Las quejas son por cada 100000 pasajeros.
%puntos Quejas
Aerolinea X Y
A 81.8 0.21
B 76.6 0.58
C 76.6 0.85
D 75.7 0.68
E 73.8 0.74
F 72.2 0.93
G 70.8 0.72
H 68.5 1.22

a) Trazar un diagrama de dispersin

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

Pgina 71 de 71