INSTITUTO TECNOLÓGICO

DE ORIZABA

DIVISION DE ESTUDIOS DE POSGRADO E

INVESTIGACIÓN

MAESTRÍA EN CIENCIAS EN INGENIERÍA

QUÍMICA
PRESENTA:

CASTRO MENDEZ LILIANA

NAVA PACHECO DIANA
JÚAREZ GARCIA INÉS ADRIANA
MATERIA:
DISEÑO DE EXPERIMENTOS

DOCENTE:
DRA. LETICIA LOPÉZ ZAMORA

UNIDAD VIII Y IX

PROBLEMAS
12 DE ABRIL DE 2019
PROBLEMA 8.10. Un artículo de J Pignatiello Jr. y JS Ramberg en el Journal of Quality
Technology (Vol. 17, 1985, pp. 198–206) describe el uso de una factorial fraccional replicado
para investigar el efecto de cinco factores en la altura libre de Resortes de hoja utilizados en
una aplicación automotriz. Los factores son la temperatura del horno A, el tiempo de
calentamiento B, el tiempo de transferencia C, el tiempo de retención D y la temperatura del
aceite E. Los datos se muestran en la tabla P8.1.

(a) Escriba la estructura de alias para este diseño. ¿Cuál es la resolución de este diseño?

La relación definidora establecida para este diseño es: I=ABCD

Generador del diseño: D=ABC
Tabla de la altura media libre:

Corrida A B C D=ABC E Media Free

Height
1 - - - - - 7.79
2 + - - + - 8.07
3 - + - + - 7.52
4 + + - - - 7.63
5 - - + + - 7.81
6 + - + - - 7.94
7 - + + - - 7.51
8 + + + + - 7.69
9 - - - - + 7.29
10 + - - + + 7.73
11 - + - + + 7.52
 12 + + - - + 7.65
13 - - + + + 7.40
14 + - + - + 7.62
15 - + + - + 7.20
16 + + + + + 7.63

No se consideró E debido a que sus signos no se adecuan con el generador. La estructura de

los alias queda de la siguiente manera:

I=ABCD I+ABCD
A=BCD A+BCD
B=ACD B+ACD
C=ABD C+ABD
D=ABC D+ABC
E=ABCDE E+ABCDE
AB=CD AB+CD
AC=BD AC+BD
AD=BC AD+BC
AE=BCDE AE+BCDE
BE=ACDE BE+ACDE
DE=ABCE DE+ABCE
CE=ABDE CE+ABDE
ABE=CDE ABE+CDE
ACE=BDE ACE+BDE
ADE=BCE ADE+BCE

Como podemos observar los efectos principales no se confunden entre sí, ni con
interacciones de dos factores. Ningún efecto principal forma estructura de alias, con ningún
otro efecto principal o interacciones de 2 factores, es por ello que se tiene una resolución de
IV.

(b) Analizar los datos. ¿Qué factores influyen en la altura libre media?
En la figura de Pareto se encuentran todos los factores, para saber que efectos son o no
significativos a la altura libre de resortes.
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 12 0.736150 0.061346 10.67 0.038
Lineal 5 0.610650 0.122130 21.24 0.015
A 1 0.230400 0.230400 40.07 0.008 *
B 1 0.105625 0.105625 18.37 0.023 *
C 1 0.010000 0.010000 1.74 0.279
D=E 1 0.230400 0.230400 40.07 0.008 *
F=D=ABC 1 0.034225 0.034225 5.95 0.093
Interacciones de 2 términos 7 0.125500 0.017929 3.12 0.189
A*B 1 0.003025 0.003025 0.53 0.521
A*C 1 0.000000 0.000000 0.00 1.000
A*D=E 1 0.016900 0.016900 2.94 0.185
A*F=D=ABC 1 0.002025 0.002025 0.35 0.595
B*D=E 1 0.093025 0.093025 16.18 0.028 *
C*D=E 1 0.004900 0.004900 0.85 0.424
D=E*F=D=ABC 1 0.005625 0.005625 0.98 0.396
Error 3 0.017250 0.005750
Total 15 0.753400

En la siguiente figura se muestran los efectos seleccionados en el análisis anterior como

significativos en la altura libre del resorte, comparando estos resultados con el análisis de
varianza, corroborando que efectivamente esos eran los factores significativos. En la grafica
de la derecha, se observan los 5 factores, teniendo en cuenta que la más grande es A
(temperatura del horno) Y el corto es F (el tiempo de retención).
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 5 0.69368 0.138735 23.23 0.000
Lineal 4 0.60065 0.150163 25.14 0.000
A 1 0.23040 0.230400 38.58 0.000 *
B 1 0.10562 0.105625 17.69 0.002 *
D=E 1 0.23040 0.230400 38.58 0.000 *
F=D=ABC 1 0.03422 0.034225 5.73 0.038 *
Interacciones de 2 términos 1 0.09303 0.093025 15.58 0.003
B*D=E 1 0.09303 0.093025 15.58 0.003 *
Error 10 0.05972 0.005972
Total 15 0.75340

Se logran corroborar los factores significativos con el análisis de varianza por medio de P Los
valores de P marcados en negritas son los significativos.

(c) Calcule el rango y la desviación estándar de la altura libre para cada corrida. ¿Hay
alguna indicación de que alguno de estos factores afecte la variabilidad en la altura
libre?
Para el rango se observa que ningún factor puro o interacción tiene efectos significativos.

Para la desviación estándar se observa que de igual manera ningún factor puro o interacción
presenta efectos significativos sobre la variabilidad en la altura libre.
 (a) Analice los residuos de este experimento y comente sus hallazgos.

Se observa que los puntos se ajustan a la recta, por lo que se puede decir que proceden de
una distribución normal, aunque ligeramente se observa un punto atípico. Sin embargo,
nuestro valor de R ajustada se encuentra por arriba del 80% lo que quiere decir que es
correcto.

(b) ¿Es este el mejor diseño posible para cinco factores en 16 carreras?
Específicamente, ¿puede encontrar un diseño fraccionario para cinco factores en 16
ejecuciones con una resolución más alta que esta?

No es el mejor diseño, debido a que existen otras resoluciones en donde es posible formar
un generador de igual a la integración superior.
PROBLEMA 8.11. Un artículo en Química industrial y de ingeniería ("Más información sobre
experimentos de planificación para aumentar la eficiencia de la investigación", 1970, pp. 60-
65) utiliza un diseño de 2 5-2 para investigar el efecto de A = temperatura de condensación,
B = cantidad de material 1, C = volumen de disolvente, D = tiempo de condensación y E =
cantidad de material 2 en el rendimiento. Los resultados obtenidos son los siguientes:

a) Verifique que los generadores de diseño utilizados fueron I = ACE y I = BDE.

A B C D=AB E=BC Respuesta

e - - - - + 23.2
ad + - - + - 16.9
bde - + - + + 16.8
ab + + - - - 15.5
cd - - + + - 23.8
ace + - + - + 23.4
bc - + + - - 16.2
abcde + + + + + 18.1

b) Escriba la relación de definición completa y los alias para este diseño.

Relación definidora: I=ACE=BDE=ABCD

A = CE = BD = BCD
B = ABCE = DE = ACD
C = AE = BCDE = ABD
D = ACDE = BE = ABC
E = AC = BD = ABCDE

AB = BCE = ADE = CD
AD = CDE = ABE = BC

c) Estimar los efectos principales.

Coeficientes codificados
Término Efecto Coef EE del Valor T Valor p FIV
coef.
Constante 19.237 0.787 24.44 0.002
A -1.525 -0.763 0.787 -0.97 0.435 1.00
B -5.175 -2.587 0.787 -3.29 0.081 1.00
C 2.275 1.138 0.787 1.45 0.285 1.00
 F=D=BE -0.675 -0.337 0.787 -0.43 0.710 1.00
G=E=AC 2.275 1.138 0.787 1.45 0.285 1.00

Después del análisis del diseño obtenemos los efectos principales en donde comparamos y
se examinaron las diferencias entre las medias de nivel para uno o más factores.

d) Preparar una tabla de análisis de varianza. Verifique que las interacciones AB y AD

estén disponibles para usar como error.
Análisis de Varianza:
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 5 79.8263 15.9653 3.22 0.254
Lineal 5 79.8263 15.9653 3.22 0.254
A 1 4.6513 4.6513 0.94 0.435
B 1 53.5612 53.5612 10.81 0.081
C 1 10.3512 10.3512 2.09 0.285
F=D=BE 1 0.9113 0.9113 0.18 0.710
G=E=AC 1 10.3513 10.3513 2.09 0.285
Error 2 9.9125 4.9563
Total 7 89.7388

e) Grafique los residuos frente a los valores ajustados. También construye una gráfica de
probabilidad normal de los residuos. Comenta los resultados.

En el gráfico de normalidad, se observa que los puntos ligeramente se encuentran cerca de

la recta, sin embargo, también se observa un comportamiento parecido entre punto y punto,
por lo que se podría pensar que no proceden de una distribución normal. Tomando en cuenta
que también el valor de R ajustado nos arrojó un resultado de 61.34%, menor al 80%, por lo
que se podría decir que estos datos no se ajustan al modelo.
 R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
2.22626 88.95% 61.34% 0.00%

PROBLEMA 8.13. Construya un diseño 2 7-2 eligiendo dos interacciones de cuatro factores
como generadores independientes. Anote la estructura de alias completa para este diseño.
Esquema de la tabla de análisis de varianza. ¿Cuál es la resolución de este diseño?

Generadores del diseño: F = ABCD, G = ABDE

Relación definitoria: I = ABCDF = ABDEG = CEFG

Estructura de los alias:

I = CEFG = ABCDF = ABDEG

A = BCDF = BDEG = ACEFG
B = ACDF = ADEG = BCEFG
C = EFG = ABDF = ABCDEG
D = ABCF = ABEG = CDEFG
E = CFG = ABDG = ABCDEF
F = CEG = ABCD = ABDEFG
G = CEF = ABDE ABCDFG
AB = CDF = DEG = ABCEFG
AC = BDF = AEFG = BCDEG
AD = BCF = BEG = ACDEFG
AE = BDG = ACFG = BCDEF
AF = BCD = ACEG = BDEFG
AG = BDE = ACEF = BCDFG
BC = ADF = BEFG = ACDEG
BD = ACF = AEG = BCDEFG
BE = ADG = BCFG = ACDEF
BF = ACD = BCEG = ADEFG
BG = ADE = BCEF = ACDFG
CD = ABF = DEFG = ABCEG
CE = FG = ABCDG = ABDEF
CF = EG = ABD = ABCDEFG
CG = EF = ABCDE = ABDFG
DE = ABG = CDFG = ABCEF
DF = ABC = CDEG = ABEFG
DG = ABE = CDEF = ABCFG
ACE = AFG = BCDG = BDEF
ACG = AEF = BCDE = BDFG
BCE = BFG = ACDG = ADEF
BCG = BEF = ACDE = ADFG
CDE = DFG = ABCG = ABEF
 CDG = DEF = ABCE = ABFG

Tabla de diseño
Se tiene una resolución de tipo IV lo que quiere decir que ningún efecto principal forma
estructura de alias con ningún otro efecto principal o interacciones de 2 factores.

I=CDEF=ABCG=ABDEFG

A B C D E F=CDE G=ABC
(l) - - - - - - -
ag + - - - - - +
bg - + - - - - +
ab + + - - - - -
cfg - - + - - + +
acf + - + - - + -
bcf - + + - - + -
abcfg + + + - - + +
de - - - + - + -
adfg + - - + - + +
bdfg - + - + - + +
abdg + + - + - + -
cdg - - + + - - +
acd + - + + - - -
bcd - + + + - - -
abcdg + + + + - - +
ef - - - - + + -
aefg + - - - + + +
befg - + - - + + +
abef + + - - + + -
ceg - - + - + - +
ace + - + - + - -
bce - + + - + - -
abceg + + + - + - +
de - - - + + - -
adeg + - - + + - +
bdeg - + - + + - +
adbe + + - + + - -
cdefg - - + + + + +
acdef + - + + + + -
bcdef - + + + + + -
abcdefg + + + + + + +

Esquema de la tabla de análisis de varianza

Factor GL SC Ajust. MC Ajust. Valor F Valor P
 Modelo 31
Lineal 7
A 1
B 1
C 1
D 1
E 1
F 1
G 1
Interacciones de 2 términos 18
AB 1
AC 1
AD 1
AE 1
AF 1
AG 1
BC 1
BD 1
BE 1
BF 1
BG 1
CD 1
CE 1
CF 1
CG 1
DE 1
DF 1
DG 1
Interacción de 3 términos 6
ACE 1
ACG 1
BCE 1
BCG 1
CDE 1
CDG 1
 Error -
Total -

PROBLEMA 8.23. Un ingeniero industrial está realizando un experimento utilizando un

modelo de simulación de Monte Carlo de un sistema de inventario. Las variables
independientes en su modelo son la cantidad de pedido (A), el punto de pedido (B), el costo
de configuración (C), el costo de pedido pendiente (D) y la tasa de costo de transporte (E). La
variable de respuesta es el costo promedio anual. Para ahorrar tiempo en la computadora,
ella decide investigar estos factores utilizando un diseño con I = ABD y I = BCE. Los resultados
que obtiene son de = 95, ae = 134, b = 158, abd = 190, cd = 92, ac = 187, bce = 155 y abcde
= 185.

a) Verifique que las combinaciones de tratamiento dadas sean correctas. Estime los
efectos, asumiendo que las interacciones de tres factores y mayores son despreciables.

Tabla de diseño con generadores:

A B C D=AB E=BC Respuesta

de - - - + + 95
ae + - - - + 134
b - + - - - 158
abd + + - + - 190
cd - - + + - 92
ac + - + - - 187
bce - + + - + 155
abcde + + + + + 185

Generación de los Alias:

Relación definidora: I+ABD+BCE

A = BD = ABCE
B = AD = CE
C = ABCD = BE
D = ABC = BCDE
E = ABDE = BC

AC = BCD = ABE
AE = BDE = ABC
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 6 10505.5 1750.9 4.16 0.359
Lineal 5 10141.0 2028.2 4.82 0.332
 A 1 4802.0 4802.0 11.42 0.183
B 1 4050.0 4050.0 9.63 0.198
C 1 220.5 220.5 0.52 0.601
F=D=AB 1 648.0 648.0 1.54 0.432
G=E=BC 1 420.5 420.5 1.00 0.500
Interacciones de 2 términos 1 364.5 364.5 0.87 0.523
A*C 1 364.5 364.5 0.87 0.523
Error 1 420.5 420.5
Total 7 10926.0

Coeficientes codificados de efectos principales:

Término Efecto Coef EE del Valor T Valor p FIV
coef.
Constante 149.50 7.25 20.62 0.031
A 49.00 24.50 7.25 3.38 0.183 1.00
B 45.00 22.50 7.25 3.10 0.198 1.00
C 10.50 5.25 7.25 0.72 0.601 1.00
F=D=AB -18.00 -9.00 7.25 -1.24 0.432 1.00
G=E=BC -14.50 -7.25 7.25 -1.00 0.500 1.00
A*C 13.50 6.75 7.25 0.93 0.523 1.00

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)

20.5061 96.15% 73.06% 0.00%

Se observa en el gráfico normal de efectos que ningún factor es significativo.

 b) Suponga que se agrega una segunda fracción a la primera, por ejemplo, ade = 136, e =
93, ab = 187, bd = 153, acd = 139, c = 99, abce = 191 y bcde = 150. ¿Cómo se obtuvo
esta segunda fracción? Añadir estos datos a la fracción original, y estimar los efectos.

A B C D=AB E=BC Respuesta

ade + - - + + 136
e - - - - + 93
ab + + - - - 187
bd - + - + - 153
acd + - + + - 139
c - - + - - 99
abce + + + - + 191
bcde - + + + + 150

Gráfico de efectos

En este grafico si se encuentran factores significativos, los marcados en rojo A y B, los cuales
se encuentran alejados, en este caso el mas alto es A.

c) Supongamos que la fracción abc = 189, ce = 96, bcd = 154, acde = 135, abe = 193, bde
= 152, ad = 137 y (1) = 98 se ejecutó. ¿Cómo se obtuvo esta fracción? Agregue estos
datos a la fracción original y estime los efectos.

A B C D=AB E=BC Respuesta

abc + + + - - 189
bcd - + + + - 154
acde + - + + + 135
ce - - + - + 96
abe + + - - + 193
bde - + - + + 152
ad + - - + - 137
(1) - - - - - 98
 El siguiente grafico no muestra factores con efectos significativos.

Problema 8.27.
Los ánodos de carbono utilizados en un proceso de fundición se hornean en un horno de anillo.
Se lleva a cabo un experimento en el horno para determinar qué factores influyen en el peso
del material de embalaje que es pegado a los ánodos después de hornear. Hay seis variables
de interés, cada una a dos niveles: A = relación de pitch/fines (0.45, 0.55), B = tipo de material
de empaque (1, 2), C= temperatura del material de empaque (ambiente, 325 ° C), D =
Ubicación del lugar (interior, exterior), E = temperatura del pozo (ambiente, 195 ° C) y F =
tiempo de demora antes del empaque (cero, 24 horas). Se ejecuta un diseño de 26-3 y se
obtienen tres réplicas en cada uno de los puntos de diseño. El peso del material de embalaje
pegado a los ánodos se mide en gramos. Los datos en orden de ejecución son los siguientes:
abd = (984, 826, 936); abcdef = (1275, 976, 1457); be = (1217, 1201, 890); af = (1474, 1164,
1541); def = (1320, 1156, 913); cd = (765, 705, 821); ace = (1338, 1254, 1294); y bcf (1325,
1299, 1253). Deseamos minimizar la cantidad de material de embalaje atascado.

a) Verificar que las ocho corridas corresponden a un diseño 2III6-3. ¿Cuál es la estructura
de alias?

Los generadores del diseño fueron:

D=AB
E=AC
F=BC

A continuación, se muestra la estructura de los alias.

Relación
I = ABD = ACE = BCF = BCDE = ACDF = ABEF = DEF
definitoria

I + ABD + ACE + BCF + DEF + ABEF + ACDF + BCDE

A + BD + CE + BEF + CDF + ABCF + ADEF + ABCDE
B + AD + CF + AEF + CDE + ABCE + BDEF + ABCDF
C + AE + BF + ADF + BDE + ABCD + CDEF + ABCEF
D + AB + EF + ACF + BCE + ACDE + BCDF + ABDEF
E + AC + DF + ABF + BCD + ABDE + BCEF + ACDEF
F + BC + DE + ABE + ACD + ABDF + ACEF + BCDEF
AF + BE + CD + ABC + ADE + BDF + CEF + ABCDEF

Comprobación de matriz de diseño con generadores

A B C
D=AB E=AC F=BC Respuesta
def - - - + + + 1129.6667
af + - - - - + 1393.0000
be - + - - + - 1102.6667
abd + + - + - - 915.3333
Cd - - + + - - 763.6667
Ace + - + - + - 1295.3333
Bcf - + + - - + 1292.3333
abcdef + + + + + + 1236.0000

En este diseño tenemos el problema que la última línea de los alias su estructura
contiene dos valores los cuales son AF y ABCDEF, esto no debe de ser posible debido
a que cada uno de ellos es un alias. Sin embargo, haciendo la comprobación de matriz
de diseño con generadores nos coincide perfectamente lo planteado, por lo que se
tomara en cuenta dicho diseño para continuar analizando el problema.

b) Usa el peso promedio como respuesta. ¿Qué factores parecen ser influyentes?
 Utilizando DOE podemos observar que el diagrama de Pareto nos muestra que
ninguno de los factores es significativo. A continuación, se reafirma esto con un
análisis de varianza, observando así los valores arrojados de F y P son no significativos.

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 7 314153 44879 * *
Lineal 6 311796 51966 * *
A 1 37996 37996 * *
B 1 156 156 * *
C 1 272 272 * *
D 1 134854 134854 * *
E 1 19933 19933 * *
F 1 118585 118585 * *
Interacciones de 2 términos 1 2358 2358 * *
A*F 1 2358 2358 * *
Error 0 * *
 Total 7 314153

c) Utilice el rango de los pesos como respuesta. ¿Qué factores parecen ser influyentes?

Al utilizar los datos del rango de pesos, en el diagrama de Pareto observamos que
nuevamente ningún valor es significativo.

d) ¿Qué recomendaciones les haría a los ingenieros de procesos?

Con base a la gráfica de Pareto podemos observar que ninguno de los efectos resulta ser
significativo, de igual manera lo pudimos corroborar con el análisis de varianza, por lo que es
recomendable realizar más corridas a dicho experimento o analizar otros factores diferentes
que pudieran influir en dicho proceso de fundición, también se podría reducir el nivel de
confianza para tener un margen mucho menor y lograr un mínimo en el error.

Problema 8.28.
Se realizó un experimento de 16 ejecuciones en una planta de fabricación de semiconductores
para estudiar los efectos de seis factores en la curvatura o curvatura de los dispositivos de
sustrato producidos. Las seis variables y sus niveles se muestran en la Tabla P8.2.
Cada ejecución se replicó cuatro veces, y se tomó una medida de inclinación en el sustrato.
Los datos se muestran en la Tabla P8.3.
 a) ¿Qué tipo de diseño usaron los experimentadores?
En este caso se utilizó un diseño 26-2
b) ¿Cuáles son las relaciones de alias en este diseño?

Los generadores fueron E=ABC y F=ACD

Relación
I = ABCE = ACDF = BDEF
definitoria

A continuación, se muestra la estructura de los alias:

I+ABCE+ACDF+BDEF
A+BCE+CDF+ABDEF
B+ACE+ABCDF+DEF
C+ABE+ADF+BCDEF
D+ABCDE+ACF+BEF
E+ABC+ACDEF+BDF
F+ABCEF+ACD+BDE
AB+CE+BCDF+ADEF
AC+BE+DF+ABCDEF
AD+BCDE+CF+ABEF
AE+BC+CDEF+ABDF
AF+BCEF+CD+ABDE
BD+ACDE+ABCF+EF
BF+ACEF+ABCD+DE
ABD+CDE+BCF+AEF
 ABF+CEF+BCD+ADE

Comprobación de matriz de diseño con generadores

A B C D E=ABC F=ACD
- - - - - -
+ - - - + +
- + - - + -
+ + - - - +
- - + - + +
+ - + - - -
- + + - - +
+ + + - + -
- - - + - +
+ - - + + -
- + - + + +
+ + - + - -
- - + + + -
+ - + + - +
- + + + - -
+ + + + + +

c) ¿Alguna de las variables del proceso afecta la curvatura media?

Podemos notar que nuestro único factor significativo es H, dicha letra representa a F, es el
punto de rocío de cocción.

Al depurar el diagrama de Pareto y analizarlo únicamente con los valores puros nos damos
cuenta que C (Presión de laminación) también es significativo.
d) ¿Alguna de las variables del proceso afecta la variabilidad en las mediciones de
comba?

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
 0.0030365 82.36% 79.03% 74.28%

Una manera saber si nuestro modelo es adecuado es conociendo el valor de R-cuad.

Ajustado, en este caso es tenemos un 79.03%, muy cercano al dato aceptable, por lo que se
sugiere hacer algunos pequeños cambios en los factores, debido a que un modelo aceptable
debe ser con un porcentaje mayor o igual al 80%
e) Si es importante reducir la curvatura tanto como sea posible, ¿qué recomendaciones haría
usted?
En la gráfica de efectos
principales acerca de la
curvatura media, podemos notar
que para reducir dicha curvatura
debemos trabajar los valores de
C (Presión de laminación) en
niveles bajos y los valores de H
(punto de rocío de cocción) en
niveles altos.

9.3. Se llevó a cabo un experimento para estudiar el efecto de tres tipos diferentes de botellas
de 32 onzas (A) y tres tipos diferentes de estantes (B): estantes lisos permanentes, pantallas
en los pasillos con estantes a la parrilla y enfriadores de bebidas, en el tiempo que lleva para
almacenar diez cajas de 12 botellas en los estantes. Se emplearon tres trabajadores (factor C)
en el experimento y se ejecutaron dos réplicas de un diseño factorial 33. Los datos de tiempo
observados se muestran en la siguiente tabla. Analizar los datos y sacar conclusiones.
Análisis de Varianza
G SC MC Valor Valor α=0.0
Fuente L Ajust. Ajust. F p 5
Modelo 2 28.2819 1.08777 14.50 0.000
6
Lineal 6 25.8250 4.30416 57.39 0.000
A Botellas 2 0.4104 0.20521 2.74 0.083 > 0.05 No
Significativ
a
B Estantes 2 17.7514 8.87572 118.3 0.000 < 0.05 Significativ
4 a
C Trabajadores 2 7.6631 3.83156 51.09 0.000 < 0.05 Significativ
a
Interacciones de 2 términos 1 1.9041 0.15868 2.12 0.052
2
 A Botellas*B Estantes 4 0.1160 0.02899 0.39 0.816 > 0.05 No
Significativ
a
A Botellas*C Trabajadores 4 0.1093 0.02732 0.36 0.832 > 0.05 No
Significativ
a
B Estantes*C Trabajadores 4 1.6789 0.41972 5.60 0.002 < 0.05 Significativ
a
Interacciones de 3 términos 8 0.5528 0.06910 0.92 0.515
A Botellas*B Estantes*C 8 0.5528 0.06910 0.92 0.515 > 0.05 No
Trabajadores Significativ
a
Error 2 2.0250 0.07500
7
Total 5 30.3069
3

Comparando P con un nivel de significancia de 0.05, tenemos que los factores B (Estantes),
C (Trabajadores) y la interacción de ellos son significativos en dicho experimento.
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
0.273861 93.32% 86.88% 73.27%

El modelo si se ajusta debido que el R-cuad. Ajustado nos da un valor aceptable de 86.88%
Con la gráfica de Pareto
podemos observar que
los factores significativos
son los estantes (B), los
trabajadores (C) y la
interacción entre ambos.
Por lo que se confirma
con los valores obtenidos
de P en el análisis de
varianza.
La gráfica de probabilidad
normal nos muestra que
nuestros datos se a pesar de que
se aglomeran e interponen
entre ellos siguen una misma
normalidad.

Lo valores ajustados se
muestran de manera aleatoria,
no se interponen unos con
otros. Por lo que los datos se
tomaron adecuadamente.
 La gráfica de efectos
principales nos
muestra que las
botellas (A) no tienen
influencia alguna,
acerca de los
trabajadores (C), el
trabajador 2 es el que
necesita capacitación
para poder reducir su
tiempo de trabajo.
Mientras que los
estantes (B) tienen una
gran influencia tanto
en niveles altos como
en bajos.

Tomando la interacción de estantes (B) con trabajadores (C) notamos que los trabajadores 1
y 3 tienen un punto medio en su interacción, mientras que el trabajador 2 no interactúa con
ellos, manteniéndose así en un rango más alto.
9.4. Un investigador médico está estudiando el efecto de la lidocaína en el nivel de enzimas en
el músculo cardíaco de los perros beagle. En el experimento se utilizan tres marcas comerciales
diferentes de lidocaína (A), tres niveles de dosificación (B) y tres perros (C), y se ejecutan dos
réplicas de un diseño factorial 33. Los niveles de enzimas observados siguen. Analiza los datos
de este experimento.

Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

α=0.05
Modelo 26 4346.26 167.16 13.10 0.000
Lineal 6 4096.44 682.74 53.51 0.000
A Lidocaína 2 31.37 15.69 1.23 0.308 > 0.05 No Significativa
B Niveles de dosificación 2 4040.04 2020.02 158.32 0.000 < 0.05 Significativa
C Perros 2 25.04 12.52 0.98 0.388 > 0.05 No Significativa
Interacciones de 2 términos 12 180.89 15.07 1.18 0.344
 A Lidocaína*B Niveles de 4 112.52 28.13 2.20 0.095 > 0.05 No Significativa
dosificación
A Lidocaína*C Perros 4 11.85 2.96 0.23 0.918 > 0.05 No Significativa
B Niveles de dosificación*C 4 56.52 14.13 14.13 0.373 > 0.05 No Significativa
Perros
Interacciones de 3 términos 8 68.93 8.62 8.62 0.709
A Lidocaína*B Niveles de 8 68.93 8.62 0.68 0.709 > 0.05 No Significativa
dosificación*C Perros
Error 27 344.50 12.76
Total 53 4690.76

Con el análisis de varianza podemos notar que el único factor significativo en nuestro
experimento es B señalado como el Nivel de dosificación.

La gráfica de Pareto nos muestra que el único factor significativo es el nivel de dosificación
(B), por lo que se debe de analizar más a fondo. Dicha información se puede corroborar con
el análisis de varianza obtenido.
Comprobamos lo dicho anterior en la gráfica de Pareto y en el análisis de varianza, la
lidocaína (A) y el tipo de perros (C) no son factores significativos, mientras que el nivel de
dosificación (B), se comporta casi linealmente, es decir que mientras se vaya aumentando el
nivel de dosificación la respuesta va a ser mayor y que a niveles bajos irá disminuyendo su
respuesta.
Podemos observar que la interacción de niveles de dosificación (B) contra el tipo de perros
(C), interactúan de manera muy similar casi encimándose en el punto medio el tipo de
perro 1 y 3, mientras que el tipo 2 se encuentra ligeramente por encima de ellos.

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
3.57201 92.66% 85.58% 70.62%

El modelo se ajusta ya que tenemos una R-cuad. (ajustado) de 85.58%, reduciéndonos el

error un 14.42%.

La gráfica de probabilidad
nos muestra que la mayoría
de los datos se sobreponen
entre sí, mientras que los
datos de las orillas se
comportan de manera
similar en ambos extremos.
Lo dicho anteriormente se
muestra en la gráfica de
ajuste, al notar que todos los
datos son simétricos y
siguen un patrón.

Minitab nos dice lo siguiente:

 Si identifica patrones o valores atípicos en la gráfica de residuos vs. ajustes, considere las
siguientes soluciones:

Problema Posible solución

Varianza no constante Considere utilizar diferentes términos en el modelo, una función de
enlace diferente o ponderaciones.
1. 1. Verifique que la observación no sea un error de medición o un
error de ingreso de datos.
Un valor atípico o punto de
influencia 2. 2.Considere realizar el análisis sin esta observación para determinar
cómo afecta los resultados.

PROBLEMA 9.6. Un experimento se ejecuta en un proceso químico utilizando un diseño factorial

32. Los factores de diseño son la temperatura y la presión, y la variable de respuesta es el
rendimiento. Los datos que resultan de este experimento son los siguientes.

(a) Analice los datos de este experimento realizando un análisis de varianza. ¿Qué
conclusiones puedes sacar?

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 8 3187.1 398.39 4.37 0.021
Lineal 4 2600.5 650.12 7.14 0.007
A Temperatura 2 1503.6 751.78 8.25 0.009
B Presión 2 1096.9 548.47 6.02 0.022
Interacciones de 2 términos 4 586.6 146.66 1.61 0.254
A Temperatura*B Presión 4 586.6 146.66 1.61 0.254
Error 9 820.0 91.11
Total 17 4007.1
Podemos observar que los valores de p para los efectos puros son menores al 0.05 de
nivel de significancia por lo que ambos influyen significativamente al porcentaje de
rendimiento. Esto también lo podemos obtener con la F estadística:

F0.05,2,9=4.26

Para la temperatura F=8.25>4.26

Para la presión F=6.02>4.26

De aquí podemos decir que efectivamente los efectos puros son significativos en el
rendimiento ya que los valores de F son mayor a la F estadística.
También se observa que la interacción entre ambas no es significativa en el rendimiento, ya
que si valor de p es mayor al nivel de significancia dado de 0.05.
Hasta el momento por el valor de F podemos decir que la temperatura es el factor que más
influencia tiene en el rendimiento.

En la gráfica de efectos puros se puede corroborar que la temperatura influye ligeramente

más que la presión y que para que ambas nos den un rendimiento alto, deben estar a sus
condiciones altas.
En la gráfica de interacción podemos observar nuevamente que para aumentar el
rendimiento se requieren de condiciones altas de temperatura y presión, por lo que
analizando se tiene que las temperaturas deben estar entre 90 y 100 °C y las presiones entre
120 y 140 psig.
(b) Analizar gráficamente los residuos. ¿Hay alguna preocupación sobre las suposiciones
subyacentes o la adecuación del modelo?

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
9.54508 79.54% 61.35% 18.15%

Se puede observar que en la gráfica de probabilidad normal, que los datos no se ajustan
adecuadamente al modelo, corroborando esta información con que se tiene una R cuadrada
baja de 61.35% así mismo esto se puede observar en la gráfica de residuos que no hay una
dispersión normal, asumiendo que la toma de datos no fue la más adecuada.

(c) Verifique que, si permitimos que los niveles bajo, medio y alto de ambos factores en este
diseño tomen los niveles -1, 0 y 1, entonces los mínimos cuadrados que se ajustan a un
modelo de segundo orden para el rendimiento es

Rendimiento = 86.81+10.40 X + 8.42 Y-7.17*X*X-7.84*Y*Y-7.69 X*Y

Se observa que el resultado en minitab es similar al planteado por el ejercicio por lo que se verifica
que es un modelo correcto.
 (d) Confirme que el modelo en la parte (c) se puede escribir en términos de las variables
naturales temperatura (T) y presión (P) como

Rendimiento = -1336 + 18.56 A Temperatura + 8.59 B Presión

- 0.0717 A Temperatura*A Temperatura - 0.0196 B Presión*B Presión
- 0.0384 A Temperatura*B Presión

Resid
Obs Rendimiento Ajuste Resid est.

4 51.86 70.55 -18.69 -2.49 R

Residuo grande R
Se verifica que en término de variables naturales el modelo tiene un ajuste de 70. Y el factor
más influyente es la temperatura.

(e) Construya una gráfica de contorno para el rendimiento en función de la presión y la

temperatura. Basado en el examen de este gráfico, ¿dónde recomendaría ejecutar este
proceso?

En el gráfico de contorno se observa las regiones de trabajo en función del rendimiento, de aquí se
observa que la región en verde oscuro nos presenta las mejores condiciones para obtener un
rendimiento mayor a 90% sin embargo en las regiones al lado de esta son condiciones para obtener
un rendimiento entre 80 y 90 % el cual ya es aceptable. Para temperatura arriba de 90°C y para
presión arriba de 120°C
9.14. Construye un diseño 34-1 con I = ABCD. Escribe la estructura alias para este diseño.

Se establece un diseño 33 al ser un diseño fraccionado de 3 niveles a 1/3 se establecen 2

generadores para estructurar los alias.

𝑰 = 𝑨𝑩𝑪𝑫 𝑰 = 𝑨𝑩𝟐 𝑪𝑫𝟐

𝑰 = 𝑨𝑩𝑪𝑫 𝐴 = 𝐴(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝟐 𝑩𝟐 𝑪𝑫𝟐 = 𝑪

𝐴 = 𝐴(𝐴𝐵𝐶𝐷) = 𝑨𝟐 𝑩𝑪𝑫 = 𝑩𝑪𝑫 𝐵 = 𝐵(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝑩𝟑 𝑪𝑫𝟐 = 𝑨𝑪𝑫𝟐
𝐵 = 𝐵(𝐴𝐵𝐶𝐷) = 𝑨𝑩𝟐 𝑪𝑫 = 𝑨𝑪𝑫 𝐶 = 𝐶(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝑩𝟐 𝑪𝟐 𝑫𝟐 = 𝑨
𝐶 = 𝐶(𝐴𝐵𝐶𝐷) = 𝑨𝑩𝑪𝟐 𝑫 = 𝑨𝑩𝑫 𝐷 = 𝐷(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝑩𝟐 𝑪𝑫𝟑 = 𝑨𝑩𝟐 𝑪
𝐷 = 𝐷(𝐴𝐵𝐶𝐷) = 𝑨𝑩𝑪𝑫𝟐 = 𝑨𝑩𝑪 𝐴𝐵 = 𝐴𝐵(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝟐 𝑩𝟑 𝑪𝑫𝟐 = 𝑨𝟐 𝑪𝑫𝟐
𝐴𝐵 = 𝐴𝐵(𝐴𝐵𝐶𝐷) = 𝑨𝟐 𝑩𝟐 𝑪𝑫 = 𝑪𝑫 𝐴𝐶 = 𝐴𝐶(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝟐 𝑩𝟐 𝑪𝟐 𝑫𝟐
𝐴𝐶 = 𝐴𝐶(𝐴𝐵𝐶𝐷) = 𝑨𝟐 𝑩𝑪𝟐 𝑫 = 𝑩𝑫 𝐴𝐷 = 𝐴𝐷(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝟐 𝑩𝟐 𝑪𝑫𝟑 = 𝑨𝟐 𝑩𝟐 𝑪
𝐴𝐷 = 𝐴𝐵(𝐴𝐵𝐶𝐷) = 𝑨𝟐 𝑩𝑪𝑫𝟐 = 𝑩𝑪 𝐵𝐶 = 𝐵𝐶(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝑩𝟑 𝑪𝟐 𝑫𝟐 = 𝑨𝑪𝟐 𝑫𝟐
𝐶𝐷 = 𝐶𝐷(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝑩𝟐 𝑪𝟐 𝑫𝟑 = 𝑨𝑩𝟐 𝑪𝟐

𝐵𝐶 = 𝐵𝐶(𝐴𝐵𝐶𝐷) = 𝑨𝑩𝟐 𝑪𝟐 𝑫 = 𝑨𝑫 𝐵𝐷 = 𝐵𝐷(𝐴𝐵2 𝐶𝐷 2 ) = 𝑨𝑩𝟑 𝑪𝑫𝟑 = 𝑨𝑪

𝐵𝐷 = 𝐵𝐷(𝐴𝐵𝐶𝐷) = 𝑨𝑩𝟐 𝑪𝑫𝟐 = 𝑨𝑪
𝐶𝐷 = 𝐶𝐷(𝐴𝐵𝐶𝐷) = 𝑨𝑩𝑪𝟐 𝑫𝟐 = 𝑨𝑩

*Los alias tachados son aquellos que ya exísten y con el fin de no repetir combinaciones se omiten.
9.17. Construya un diseño 3 9-6 y verifique que se trata de un diseño de resolución III.
El diseño queda como factorial 3^3
La estructura queda de la siguiente manera:
𝐼 = 𝐴𝐵2 𝐶 2 𝐸
𝐼 = 𝐵𝐶 2 𝐹 2
𝐼 = 𝐴𝐵2 𝐶 2 𝐸 = 𝐵𝐶 2 𝐹 2
A=A*I=A2B2C2E+ABC2F2
B=B*I=AC2E+B2C2F2
C=C*I=AB2E+BF2
D=D*I=AB2C2DE+BC2DF2
E=E*I=AB2C2E2+BC2EF2
F=F*I=AB2C2EF+BC2
G=G*I=AB2C2EG+BC2F2G
H=H*I=AB2C2EH+BC2F2H
I=I*I=AB2C2EI+BC2F2I

Resolución III.- Al no haber ningún factor que sea alias de otro factor principal y que al
menos un factor principal es alias de un una interacción de dos factores.
9.23. Un artículo de W. D. Baten en el volumen de Control de calidad industrial de 1956
describió un experimento para estudiar el efecto de tres factores en la longitud de las
barras de acero. Cada barra se sometió a uno de dos procesos de tratamiento térmico y
se cortó en una de cuatro máquinas en una de las tres veces durante el día (8 A.M., 11
A.M. o 3 P.M.). Los datos de longitud codificados son los siguientes:
Maquinas
Hora del día Tratamientos 1 2 3 4
1 6 9 7 9 1 2 6 6
2 1 3 5 5 0 4 7 3
08:00 a. m.
1 4 6 6 5 -1 0 4 5
2 0 1 3 4 0 1 5 4
1 6 3 8 7 3 2 7 9
2 1 -1 4 8 1 0 11 6
11:00 a. m.
1 3 1 6 4 2 0 9 4
2 1 -2 1 3 -1 1 6 3
1 5 4 10 11 -1 2 10 5
2 9 6 6 4 6 1 4 8
03:00 p. m.
1 6 0 8 7 0 -2 4 3
2 3 7 10 0 4 -4 7 0

(a) Analice los datos de este experimento, asumiendo que las cuatro observaciones en
cada celda son réplicas.
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 23 590.33 25.667 4.13 0.000
Lineal 6 506.35 84.392 13.58 0.000
Hora del día 2 12.90 6.448 1.04 0.360
Tratamiento 1 100.04 100.042 16.10 0.000
Maquina 3 393.42 131.139 21.10 0.000
Interacciones de 2 términos 11 74.21 6.746 1.09 0.385
Hora del día*Tratamiento 2 1.65 0.823 0.13 0.876
Hora del día*Maquina 6 71.02 11.837 1.90 0.092
Tratamiento*Maquina 3 1.54 0.514 0.08 0.969
Interacciones de 3 términos 6 9.77 1.628 0.26 0.953
Hora del día*Tratamiento*Maquina 6 9.77 1.628 0.26 0.953
Error 72 447.50 6.215
Total 95 1037.83

Del análisis de varianza observamos que las interacciones entre dos y tres factores no son
significativas al igual que las horas del día con respecto a los resultados de longitud, ya que todas
sobrepasan el valor de p:
Horas del día p=0.360>0.05
Hora*Tratamiento p=0.876>0.05
 Hora del día*Maquina p=0.092>0.05
Tratamiento*Maquina p=0.969>0.05
Hora del día*Tratamiento*Maquina p=0.953>0.05

Siendo que el tratamiento con p=0<0.05 y la maquina con p=0<0.05 se concluye que estos son los
más significativos y para corroborar se presentan los siguientes gráficos.

Claramente se observa que los factores B y C que corresponden al tratamiento y la maquina

respectivamente son los más influyentes ya que sobrepasan la media.
Graficas factoriales
De las gráficas de efectos puros se observa que la maquina es más influyente que las otras
dos variables. De los gráficos de interacción se observa como de las combinaciones la
interacción AC es donde hay mayor interacción.
(b) Analizar los residuos de este experimento. ¿Hay alguna indicación de que hay un
valor atípico en una celda? Si encuentra un valor atípico, elimínelo y repita el análisis de
la parte (a). ¿Cuáles son tus conclusiones?
Residuos antes
Los datos muestran una distribución normal sin embargo se alcanza a ver un valor algo alejado de
la nube por lo que se considera valor atípico, y corresponde a la corrida 94

Este valor atípico es el mismo que aparece en la de gráfica de residuos. Por lo que pide el inciso
borramos el dato de respuesta de la corrida 94, así ya no consideramos ese valor atípico.
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
2.49305 56.88% 43.11% 23.34%

También se puede observar que el modelo no tiene un buen ajuste de sus datos ya que está muy
bajo.
Después de quitar el valor
Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
 Modelo 23 626.58 27.243 4.89 0.000
Lineal 6 529.56 88.260 15.85 0.000
Hora del día 2 22.24 11.121 2.00 0.143
Tratamiento 1 82.60 82.604 14.83 0.000
Maquina 3 421.46 140.488 25.23 0.000
Interacciones de 2 términos 11 86.37 7.852 1.41 0.188
Hora del día*Tratamiento 2 0.83 0.417 0.07 0.928
Hora del día*Maquina 6 84.02 14.003 2.51 0.029
Tratamiento*Maquina 3 1.94 0.648 0.12 0.950
Interacciones de 3 términos 6 21.31 3.552 0.64 0.700
Hora del día*Tratamiento*Maquina 6 21.31 3.552 0.64 0.700
Error 71 395.42 5.569
Total 94 1022.00
En el anova se observa que para la interacción Hora del día y máquina, sin contar el valor
atípico esta ya entra como factor influyente.

El diagrama de Pareto nuevo que se genera nos muestra como la interacción AC se vuelve más
significativa lo cual se puede observar nuevamente en las gráficas de efectos
Se vuele observar la gran influencia de A que se refiere al tipo de maquina la cual, si afecta la
longitud del corte.
En cuanto a los residuos se puede ver que ya existe una mayor distribución entre los datos. Sin
embargo el ajuste para este nuevo modelo solo subió 8% como se muestra a continuación:
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
2.35993 61.31% 48.78% 31.00%

(c) Suponga que las observaciones en las celdas son las longitudes (codificadas) de
barras procesadas juntas en tratamiento térmico y luego se cortan secuencialmente (es
decir, en orden) en las cuatro máquinas. Analice los datos para determinar los efectos
de los tres factores en la longitud media.
De acuerdo al enunciado se construyó una nueva matriz de diseño donde los datos de
cada celda se fueran cortando para cada máquina el diseño quedo de la siguiente manera:

Maquina Replicas Replica 2 Replica 3 Replica 4

1
Hora 1 Tratamiento 1 6 7 1 6
1 2 9 9 2 6
3 1 5 0 7
4 3 5 4 3
Tratamiento 1 4 6 -1 4
2 2 6 5 0 5
3 0 3 0 5
 4 1 4 1 4
Hora 2 Tratamiento 1 6 8 3 7
1 2 3 7 2 9
3 1 4 1 11
4 -1 8 0 6
Tratamiento 1 3 6 2 9
2 2 1 4 0 4
3 1 1 -1 6
4 -2 3 1 3
Hora 3 Tratamiento 1 5 10 -1 10
1 2 4 11 2 5
3 9 6 6 4
4 6 4 1 8
Tratamiento 1 6 8 0 4
2 2 0 7 -2 3
3 3 10 4 7
4 7 0 -4 0

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Modelo 23 272.83 11.862 1.12 0.350
Lineal 6 176.52 29.420 2.77 0.018
A Hora 2 12.90 6.448 0.61 0.548
B Tratamiento 1 100.04 100.042 9.42 0.003
C maquina 3 63.58 21.194 1.99 0.122
Interacciones de 2 términos 11 83.21 7.564 0.71 0.723
A Hora*B Tratamiento 2 1.65 0.823 0.08 0.926
A Hora*C maquina 6 69.85 11.642 1.10 0.373
B Tratamiento*C maquina 3 11.71 3.903 0.37 0.777
Interacciones de 3 términos 6 13.10 2.184 0.21 0.974
A Hora*B Tratamiento*C maquina 6 13.10 2.184 0.21 0.974
Error 72 765.00 10.625
Total 95 1037.83

Del análisis de varianza se puede observar que ahora el mas y unico significativo son los dos
tratamientos ya que su valor de p=0.003<0.05 que es el nivel de significancia.
Lo anterior se corrobora con lo que esta en las gráficas de efectos principales, observamos
que el tratamiento B es el que alcanza valores ams alto por lo cual es significativo en la
longitud.
Se puede observar que los datos no están tan desviados en la gráfica de probabilidad normal, sin
embargo en la de distribución de los residuos se detecta un comportamiento diferente, todo esto
se corrobora con la R cuadrada de tu modelo.
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
3.25960 26.29% 2.74% 0.00%

(d) Calcule la varianza logaritmica de registro de las observaciones en cada celda. Analiza
esta respuesta. ¿Qué conclusiones puedes sacar?

(e) Suponga que el tiempo en que se corta una barra realmente no se puede controlar
durante la producción de rutina. Analice la longitud promedio y la variación de registro
de la longitud para cada una de las 12 barras cortadas en cada combinación de proceso
de máquina / tratamiento térmico. ¿Qué conclusiones puedes sacar?
Se reconstruye nuevamente el diseño debido a que el factor de horas no es considerado, el nuevo
diseño queda dela siguiente forma:
MAQUINAS
Tratamiento 1 2 3 4
6 9 7 9 1 2 6 6
1 1 3 5 5 0 4 7 3
6 3 8 7 3 2 7 9
 1 -1 4 8 1 0 11 6
5 4 10 11 -1 2 10 5
9 6 6 4 6 1 4 8
4 6 6 5 -1 0 4 5
0 1 3 4 0 1 5 4
3 1 6 4 2 0 9 4
2
1 -2 1 3 -1 1 6 3
6 0 8 7 0 -2 4 3
3 7 10 0 4 -4 7 0

Se realizó su análisis de varianza

Análisis de Varianza
Fuente GL SC Ajust. MC Ajust. Valor F Valor p
Regresión 2 103.72 51.858 5.16 0.007
A Tratamiento 1 100.04 100.042 9.96 0.002
B Maquina 1 3.67 3.675 0.37 0.547
Error 93 934.12 10.044
Falta de ajuste 5 391.28 78.257 12.69 0.000
Error puro 88 542.83 6.169
Total 95 1037.83

En dicho análisis se observó que al dejar de incluir a las horas como una variable significativa se
tiene que el tratamiento ahora es el mas influyente en la longitud de las barras.

Sin embargo en el diagrama de Pareto nos muestra como mayormente significativa a B que
corresponde al número de maquina.
En la gráfica de efectos principales podemos observar como las maquinas tienen mayor influencia
en la longitud de las barras, mientras en la gráfica de interacción se observa que no hay dicha
interacción

Los gráficos de probabilidad normal y residuos-ajustes nos muestran una distribución anormal y
esto esta fundamentado en que la R cuadrada ajustada es de 43.53%
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
2.48366 47.70% 43.53% 37.75%