INSTITUTO TECNOLGICO

SUPERIOR DE CENTLA


INGENIERA DE CALIDAD


NOMBRE DEL ALUMNO: PABLO DE LOS SANTOS
OLN HERNNDEZ

DOCENTE: ING. JOEL GONZLEZ RICARDEZ

CARRERA: ING. INDUSTRIAL

NO. DE CONTROL: 10E50049

SEMESTRE: 7. GRUPO: A

FECHA: MARTES 12 DE NOVIEMBRE DEL 2013





INTRODUCCIN AL DISEO DE EXPERIMENTOS

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















Algunas de las variables del proceso x
1
, x
2
,..., x
k
son controlables, mientras que
otras z
1
, z
2
,...,z
k
son incontrolables (aunque pueden ser controlables para los
fines de prueba). Entre los objetivos del experimento pueden incluirse:

E

Proceso
Factores controlables
Factores incontrolables
z 1 z 2 z q
x 1 x 2 x 3 x 4 x p ...
z 3 z 4 ...
Entradas Salida
y
Figura 1. Modelo general de un proceso o sistema
Proceso
Factores controlables
Factores incontrolables
z 1 z 2 z q
x 1 x 2 x 3 x 4 x p ...
z 3 z 4 ...
Entradas Salida
y
Figura 1. Modelo general de un proceso o sistema
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 z
1
, z
2
,...z
q
.
Aplicaciones del diseo de experimentos

l diseo de experimentos puede servir para mejorar el rendimiento de un
proceso de manufactura, desarrollo de nuevos procesos con lo que se logra:

1. Mejorar el rendimiento del proceso.
2. Menor variabilidad y mayor apego a los requerimientos nominales y
objetivos.
3. Menor tiempo de desarrollo.
4. Menores costos totales.

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 vlidas y objetivas.

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







E
CARACTERISTICA
DE CALIDAD
F2 F1
F3 F4
F21
F22
F12
F11
F31
F32
F41
F42
CARACTERISTICA
DE CALIDAD
F2 F1
F3 F4
F21
F22
F12
F11
F31
F32
F41
F42








Figura 1.2 Diagrama de Causa Efecto


Mediante un experimento podemos inducir cambios en uno varios factores (F
2l
.
F
33
y F
11
por ejemplo) y analizar estadsticamente si el cambio en los factores
afecta o no el resultado o efecto del proceso.

Definicin de experimento, diseo de experimentos y eficiencia de un
experimento

Experimento

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

Diseo de experimentos

s el proceso de planear, ejecutar y analizar el experimento de manera que
los datos apropiados sean recolectados, y que estos tengan validez estadstica
para obtener conclusiones vlidas 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.

E
E


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.

Principios bsicos del diseo de experimentos

ara que un experimento pueda tener validez estadstica se deben de observar
al menos tres principios:

- Reproduccin. Esto significa que el experimento se pueda llevar a cabo
o repetir bajo las mismas condiciones en ms de una ocasin.

- 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.

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


P
Metodologa general para realizar un experimento

e 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.

2. Identificar variables. En este paso dos tipos de variables se deben de
identificar, variables dependientes y factores o variables independientes.

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.

Aplicaciones del diseo de experimentos.

n muchas ocasiones l termino experimento se considera asociado
exclusivamente para cuestiones cientficas y tericas; sin embargo tienen
varias aplicaciones prcticas.

Algunos ejemplos son:

S
E
- Si la materia prima que es entregada por tres diferentes proveedores
producen caractersticas diferentes en el producto
- Si diferentes marcas de herramienta tienen o no vida diferente.
- Si la temperatura de 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.




















ANALISIS DE VARIANZA DE DOS VAS o DIRECCIONES (ANOVA 2 VIAS)

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

Ejemplos con clculo manual

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

Experiencia Mquinas
de ops. En
aos Maq 1 Maq 2 Maq 3 Promedios
1 27 21 25 24.33333
2 31 33 35 33
3 42 39 39 40
4 38 41 37 38.66667
5 45 46 45 45.33333
Promedios 36.6 36 36.2 36.26667


TABLA ANOVA
SS GL CM Fc Falfa
SCTR= 0.933333 2 CMTR= 0.466667 Ftr = 0.09 4.46
SCBL= 764.9333 4 CMBL= 191.2333
Fbl =
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








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

Anlisis de varianza de dos factores con una sola muestra por grupo
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
Fuente de Suma de Grados Cuadrados Fc Probabilidad F
1 73 68 74 71 67
2 73 67 75 72 70
3 75 68 78 73 68
4 73 71 75 75 69
de 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 H
0.
No
tenemos evidencia estadstica para afirmar que el agente qumico tenga
influencia en la respuesta.

Sin embargo observamos que el rollo si tiene influenza significativa en la
respuesta (P<0.05).

ANOVA en Minitab

Utilice 05 . 0 = o para calcular si hay diferencias entre los efectos de las
columnas y los renglones.
Introducir los datos arreglados con las respuestas en una sola columna e
indicando a que rengln y columna pertenece cada uno de estos, como sigue:

Resp Columna Fila
73 1 1
73 1 2
75 1 3
73 1 4
68 2 1
67 2 2
68 2 3
71 2 4
74 3 1
75 3 2
78 3 3
75 3 4
71 4 1
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.

Residual
P
e
r
c
e
n
t
3 2 1 0 -1 -2 -3
99
95
90
80
70
60
50
40
30
20
10
5
1
Normal Probability Plot of the Residuals
(response is Resp)



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 (-----*-----)
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.

DISEOS FACTORIALES

Principios y definiciones bsicas

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

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









Tabla 1 Un experimento factorial

21
2
30 20
2
52 40
A =
+

+
=

M
20 30
40 52
B1 B2
A1
A2
Factor B
Factor A
20 30
40 52
B1 B2
A1
A2
Factor B
Factor A

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:

11
2
40 20
2
52 30
B =
+

+
=

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.








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.

20 40
50 12
B1 B2
A1
A2
Factor B
Factor A
20 40
50 12
B1 B2
A1
A2
Factor B
Factor A
Estas ideas pueden ilustrarse grficamente. En la Fig. 1 se muestra una grfica
de la respuesta de los datos de la Tabla 1 contra los niveles del factor A para
ambos niveles del factor B. Se observa que las rectas B
1
y B
2
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.








Figura 1 Un experimento factorial sin interacciones

En este caso se ve que las rectas B
1
y B
2
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.











Figura 2 Un experimento factorial con interacciones

10
20
30
40
50
60
A1
A2
B1
B2
B1
B2
R
e
s
p
u
e
s
t
a

Factor A
10
20
30
40
50
60
A1
A2
B1
B2
B1
B2
R
e
s
p
u
e
s
t
a

Factor A
10
20
30
40
50
60
A1
A2
B1
B2
B1
B2
R
e
s
p
u
e
s
t
a

Factor A
10
20
30
40
50
60
A1
A2
B1
B2
B1
B2
R
e
s
p
u
e
s
t
a

Factor A
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:

1
2
40 20
2
12 50
A =
+

+
=

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

as ventajas de los diseos factoriales pueden ilustrarse fcilmente.
Supongamos que se tienen dos factores, A y B, cada uno con dos niveles.
Estos niveles se representan mediante A
1
, A
2
, B
1
y B
1
. La informacin acerca
de ambos factores puede obtenerse variando un factor a la vez como aparece
en la tabla 3. El efecto de variar el factor A est dada por A
2
B
1
-A
1
B
2
. 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.

L









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.

Diseo factorial de dos niveles (2^K)
l primer diseo de la serie 2
2
es aquel en el que solo dos factores, A y B, cada
uno con dos niveles. Este diseo se conoce como diseo factorial 2
2
.
Arbitrariamente, los niveles del factor pueden llamarse bajo y alto.

SEOS DE EXPERIMENTOS FRACCIONALES DE DOS NIVELES

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
E
A1B1 A1B2
A2B1 12
B1 B2
A1
A2
Factor B
Factor A
A1B1 A1B2
A2B1 12
B1 B2
A1
A2
Factor B
Factor A
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 2
k
.



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:

| | r)! (k r!
K!

El concepto de replicacin fraccionada parte de las siguientes hiptesis:

No. De No. De Efectos
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
Interacciones entre factores de
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.

Resolucin del diseo

l diseo anterior 2
3-1
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
E
subndice para indicar la resolucin del diseo. As, la fraccin un medio del
diseo 2
3
definido por la relacin I = ABC (o bien I = - ABC) constituye un
diseo
1 3
III
2

.

Los diseos de resolucin III, IV y V son de importancia primordial. A
continuacin, se presenta la definicin de estos diseos junto con un ejemplo.

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

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

).

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 2
5-1
con I = ABCDE es de
resolucin V (
1 5
V
2

).

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.
DISEOS DE EXPERIMENTOS FACTORIALES COMPLETOS

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?

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

Tabla 1. Duracin en horas para el ejemplo del diseo de una batera
Esta ltima pregunta reviste particular importancia. Existe la posibilidad de
hallar un material que no sea muy afectado por la temperatura. De ser as, el
ingeniero puede hacer que la batera sea robusta a la variacin de temperatura
en el campo. ste es un ejemplo del uso del diseo experimental estadstico
para el diseo de un producto robusto (o consistente), un importante problema
de ingeniera.

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


Tabla 2. Disposicin general para un diseo bifactorial

Las observaciones pueden describirse mediante el modelo estadstico lineal:
( )

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


En donde es el efecto medio general, ti es el efecto del i-simo nivel del
factor rengln A, |j es el efecto del j-simo nivel del factor columna B, (t|)ij es
el efecto de la interaccin entre ti y |j, cijk 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.

=

=
= =
a
1 i
b
1 j
0 j 0; i Se supone que los efectos de interaccin son fijos y que se
definen d manera que:
( ) 0 ij
a
1 i
=
=
. Hay un total de abn observaciones
porque se realizan n rplicas.

En un diseo factorial de dos factores, tanto los factores (o tratamientos) de
rengln como de columna tienen la misma importancia, especficamente el
inters consiste en probar hiptesis acerca de la igualdad de los efectos de
tratamiento de rengln, es decir:

0 i una menos al : H
0 a ... 2 : Ho

1
1
=
= = =


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

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

=
= = =


Tambin es interesante determinar s los tratamientos de rengln y columna
interaccionan. En otras palabras, resulta conveniente probar:

0 ()i una menos al : H1
j i, toda para 0 ()i : Ho
=
=

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

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

=

=

=
= =
=
=
=
=
=

=
=
=
= =
= =
=

=
=

a
1 i
b
1 j
n
1 k
abn
Y...
... Y Yijk Y...
b 1,2,..., j
a 1,2,..., i
;
n
Y...
ij. Y
n
1 k
Yijk Yij.
a
1 i
b 1,2,..., j ;
n
1 k
an
Y.j.
.j. Y Yijk Y.j.
a 1,2,..., i ;
bn
Yi..
i.. Y
b
1 j
n
1 k
Yijk Yi..


La suma total de cuadrados corregida puede expresarse mediante:

S
( )
( ) ( ) ( )
( )
( )
( ) ( ) ( )
( )
=

=

=
+

=

=
+ +
=
+
=

=
=

=

=

=

=

=

+ + + +

=

=
=
(
(

a
1 i
b
1 j
n
1 k
2
ij. Y - Yijk
2
a
1 i
b
1 j
. . . Y . j. Y i. . Y ij. Y n
2
b
1 j
. . . Y . j. Y an
2
a
1 i
. . . Y i. . Y bn
a
1 i
b
1 j
n
1 k
2
. . . Y Yijk
a
1 i
a
1 i
b
1 j
n
1 k
2
ij. Y Yijk
. . . Y . j Y . . . Y ij. Y . . . Y . j. Y . . . Y i. . Y
b
1 j
n
1 k
2
. . . Y Yijk


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 (SS
A
) en una suma de cuadrados debida a las "columnas" o al factor B
(SS
B
), en una suma de cuadrados debida a la interaccin entre A y B (SSA
B
), y
en una suma de cuadrados debida al error (SS
E
): Analizando el ltimo trmino
del miembro derecho de la Ecuacin anterior es posible observar que es
necesario tener al menos dos rplicas (n > 2) para poder obtenerla suma de
cuadrados del error.

Simblicamente, la Ecuacin anterior puede expresarse mediante:

E AB B A T SS SS SS SS SS + + + =


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

Efecto Grados de libertad
A a-1
B b-1
Interaccin AB (a-1)(b-1)
Error ab(n-1)
Total abn-1

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

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

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

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

Por lo tanto, para probar el significado de ambos efectos principales, as como
de su interaccin, simplemente deben dividirse las medias de cuadrados
correspondientes entre la media de cuadrados del error. Valores grandes de
estas razones implican que los datos no concuerdan con las hiptesis nulas.

Si se considera que el modelo estadstico es adecuado y que los trminos del
error cijk son independientes con distribuciones normales con variancia
constante o
2
, entonces las razones de las medias de cuadrados MS
A
/MS
E
,
MS
B
/MS
E
y MS
AB
/MS
E
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 SS
A
a - 1
1 a
SS
MS
A
A

=
E
A
MS
MS

Tratamientos B SS
B
b - 1
1 b
SS
MS
B
B

=

E
B
MS
MS

Interaccin SS
AB
(a - 1)(b - 1)
1) 1)(b (a
SS
MS
AB
AB

=

E
AB
MS
MS

Error SS
E
ab(n-1)
1) ab(n
SS
MS
E
B

=


Total SS
T
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:

=

=

=
=
a
1 i
b
1 j
n
1 k
abn
...
2
Y
ijk
2
Y T SS


Las sumas de cuadrados para los efectos principales son:

=
=

=
=
b
1 j
abn
...
2
Y
an
.j.
2
Y
B
a
1 i
abn
...
2
Y
bn
i..
2
Y
A
SS
SS


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":

=

=
=
a
1 i
b
1 j
abn
...
2
Y
n
ij.
2
Y
es SSsubtotal


Esta suma de cuadrados contiene a la SS
A
y SS
B
. Por lo tanto, la segunda
etapa consiste en calcular SS
AB
mediante:

B A subtotales AB SS SS SS SS =


La SS
E
se calcula por diferencia:

Subtotales T E
: bien o
B A AB T E
SS SS SS
SS SS SS SS SS
=
=


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
de
Mat.
Temperatura (F)

15

70

125

Yi..
1 130 155
134. 75
4 539 =

34 40
229
20 70
230 998
74 180 80 75 82 58
2 150 188
623
136 122
479
25 70
198 1300
159 126 106 115 58 45
3 138 110
576
174 120
583
96 104
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:

77,646. 97
36
2
3799
2
60 . . .
2
74
2
155
2
130
a
1 i
b
1 j
n
1 k
abn
. . .
2
Y
ijk
2
Y SST
= + + + +
=
=

=

=
=

9,613.78 39,118.72
10,683.72
36
2
3799
4
2
342 ...
2
229
2
539
abn
...
2
Y a
1 i
b
1 j
n
ij.
2
Y
ion SSinteracc
39,118.72
36
2
3799
(3)(49
2
770
2
1291
2
1738
b
1 j
abn
...
2
Y
an
.j.
2
Y
ura SStemperat
10,683.72
36
2
3799
(3)(4)
2
1501
2
1300
2
998
a
1 i
abn
...
2
Y
bn
i..
2
Y
SSmaterial
=

+ + +
=
=

=
=
=
+ +

=
= =
=
+ +

=
= =


18,230. 75
9,613. 78 39,118. 72 10,638. 72 77,646. 97 SS
SS SS SS SS SS
E
n interaccio a temperatur material T E
= =
=



El anlisis de variancia aparece en la tabla 4. Se concluye que existe una
interaccin significativa entre el tipo de material y la temperatura porque
F
0.05,4.27
= 2.73. Adems, tambin son significativos los efectos principales del
tipo de material y de la temperatura, porque F
O.O5.2.27
= 3.35.



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

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

Como auxiliar en la interpretacin de los resultados de este experimento resulta
til la construccin de una grfica de las respuestas promedio de cada
combinacin de tratamiento. Esta grfica se muestra en la figura 1.













Figura 1. Grfica de respuesta vs temperatura

Material tipo 2
25
50
75
100
125
150
D
u
r
a
c
i
o
n

p
r
o
m
e
d
i
o

Temperatura
15 70 125
175
. ij Y
Material tipo 1
Material tipo 3
Material tipo 2
25
50
75
100
125
150
D
u
r
a
c
i
o
n

p
r
o
m
e
d
i
o

Temperatura
15 70 125
175
. ij Y
Material tipo 1
Material tipo 3
El hecho de que las rectas no sean paralelas indica una interaccin
significativa. En general, a menor temperatura mayor duracin,
independientemente del tipo de material.

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

Cuando la temperatura vara de intermedia a alta, la duracin disminuye con
los materiales tipo 2 y 3, mientras que con el tipo 1 esencialmente permanece
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.

DISEO DE EXPERIMENTOS TAGUCHI

Introduccin

La parte fundamental de la metodologa ideada por el matemtico japons G.
Taguchi es la optimizacin de productos y procesos, a fin de asegurar
productos robustos, de alta calidad y bajo costo.

La metodologa Taguchi consta de tres etapas:

a) Diseo del sistema
b) Diseo de parmetros
c) Diseo de tolerancias

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

Para lograr lo anterior se ha manejado una serie de herramientas estadsticas
conocida como diseo de experimentos, tratadas anteriormente.

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

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

Un arreglo ortogonal se puede comparar con una replicacin factorial
fraccionada, de manera que conserva el concepto de ortogonalidad y
contrastes. Un experimento factorial fraccionado es tambin un arreglo
ortogonal .

Taguchi desarroll una serie de arreglos particulares que denomin:


La (b)
C

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

Arreglos ortogonales para experimentos a dos niveles
En esta seccin, se analiza qu son, cmo se usan y cules son los arreglos
ortogonales ms importantes para experimentos en los que cada factor toma
dos niveles.
Un arreglo ortogonal es una tabla de nmeros. Como ejemplo de un arreglo
ortogonal tenemos el siguiente:
De acuerdo con la notacin empleada por Taguchi al arreglo mostrado como
ejemplo, se le llama un arreglo L4, por tener cuatro renglones.
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)
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
analizar
Arreglo a
utilizar
No. de condiciones a probar
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64

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

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

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

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

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.
No.
A B C D 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

|
.
|

\
|
=

=
n
i
i
y
n
N S
1
2
1
log 10 /

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

9
) .... (
3
2
9 2 1
3
3
2
2
2
1
Y Y Y
CF
CF
A A A
SSA
+ + +
=

+ +
=

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

+ +
=


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

SST = SSA + SSB + SSC + SSD

Haciendo los clculos en Minitab se obtiene:

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

Estimated Model Coefficients for SN ratios
Term Coef
Constant -19.6915
A 1 1.8735
A 2 1.6687
B 1 4.9386
B 2 2.0970
C 1 -18.6078
C 2 4.3499
D 1 -7.8678
D 2 4.3221

S = *

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


Linear Model Analysis: Means versus A, B, C, D
Estimated Model Coefficients for Means
Term Coef
Constant 25.2281
A 1 -5.8598
A 2 0.2819
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:


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

La respuesta estimada es:
Predicted values
S/N Ratio Mean
5.70044 -10.5261
Factor levels for predictions
M
e
a
n

o
f

S
N

r
a
t
i
o
s
3 2 1
-10
-20
-30
-40
3 2 1
3 2 1
-10
-20
-30
-40
3 2 1
A B
C D
Main Effects Plot (data means) for SN ratios
Signal-to-noise: Smaller is better
M
e
a
n

o
f

M
e
a
n
s
3 2 1
60
45
30
15
0
3 2 1
3 2 1
60
45
30
15
0
3 2 1
A B
C D
Main Effects Plot (data means) for Means
A B C D
1 1 3 2


REGRESIN Y CORRELACIN LINEAL

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 curvilnea - La relacin entre X y Y se representa por medio de una
curva.





Y * *
** * * * *
* * *

*
* b1 * *

* *
* * *

*
* *
*
*
*
*
b0
Correlacin positiva Correlacin negativa

X
Sin
correlacin

La ecuacin de la recta es la siguiente:






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

estimada regresin de Modelo X b b Y
muestra la de datos en base Con e X b b Y
poblacin la en base Con X Y
. . . ...... ..........
. . . . . . . ..........
. . . . .........
1 0
*
1 0
1 0
+ =
+ + =
+ + = c | |






Y
*




*


X

*
) ( Re Yi Yi siduo Error = =