EA2 - Unidad 3 (Cap 3) - Clases Al 09jun15

I
N
G
E
N
I
E
R
A
C
I
V
I
L
I
N
D
U
S
T
R
I
A
L
Estadstica Aplicada II
Dayana Jaque S.
I
N
G
E
N
I
E
R
A
C
I
V
I
L
I
N
D
U
S
T
R
I
A
L
UNIDAD III
PARTE 1: DISEO
DE EXPERIMENTOS
Definiciones Preliminares
Para llevar a cabo diseos de experimentos a menudo
utilizaremos los conceptos Factor y Niveles, lo que se
define a continuacin.
Factor: Es la caracterstica que diferencia a los
tratamientos o poblaciones entre s. Puede ser cuantitativo
o cualitativo.
Niveles: Los diferentes tratamientos o poblaciones.
Estadstica Aplicada II - Ing. Civil Industrial - 2015
Qu es un diseo de experimento?
Es el estudio
experimentales
cuantitativas.
del efecto que

tienen
sobre
distintas
ciertas
situaciones
respuestas
Ejemplos:
Un experimento para estudiar los efectos de cinco

marcas de gasolina en el desempeo de un motor de
automvil (mpg).
Un experimento para estudiar los efectos de la
presencia de cuatro soluciones azucaradas (glucosa,
sacarosa, fructuosa y una mezcla de las tres) en el
desarrollo bacteriano.
Un experimento para investigar si la concentracin de
madera dura en la pulpa (%) tiene un efecto en la
resistencia a la tensin de bolsas hechas de pulpa.
Un experimento para decidir si la densidad de color de
especmenes de tela depende de la cantidad de
colorante utilizado.
Diseo de Experimentos
Todo experimento involucra una secuencia de actividades:
1.
2.
3.
4.
Conjetura: la hiptesis original que motiva el experimento.

Experimento: prueba efectuada para investigar la conjetura.
Anlisis: anlisis estadstico de los datos obtenidos del
experimento.
Conclusin: lo que se ha aprendido de la conjetura original
con la realizacin del experimento. A menudo, sta
conduce a una conjetura nueva y a un experimento nuevo,
y as sucesivamente.
Diseo de Experimentos de Un Factor

Unidad III, Captulo 3: Diseo de Experimentos

Lo que deseamos probar es si la media de cada nivel del factor
(de cada tratamiento) es igual para todos, o bien, si el efecto de
cada nivel del factor es nulo sobre la verdadera media
poblacional, es decir:
Efecto del
tratamiento
sobre la variable
de respuesta
(nulo)
La hiptesis alternativa es que al menos una de las verdaderas

medias de los tratamientos difiere de las dems.
Ejercicio 3.1
Ejemplo 10.1 de Devore:
El artculo Compression of Single-Wall Corrugated Shipping Containers
Using Fixed and Floating Test Platens (J. Testing and Evaluation, 1992:
318-320) describe un experimento en el cual se compararon varios tipos
diferentes de cajas con respecto a resistencia a la compresin (lb).
La tabla siguiente presenta los resultados de un experimento ANOVA
unifactorial que implica 4 tipos de cajas (las medias y desviaciones
estndar muestrales concuerdan con los valores dados en el artculo).
Ejercicio 3.1
Con i denotando la resistencia a la compresin promedio verdadera
de las cajas de tipo i (i : 1, 2, 3, 4), la hiptesis nula es:
H0: 1 = 2 = 3 = 4.
Anlisis de caja comparativo:

Modelo estadstico lineal:
Yij i ij
Efecto del i-simo tratamiento
Tambin puede escribirse:
10
Tratamiento
1
y 11
2
.
.
nA
y 21
.
.
ynA1
i 1, 2, ... n A
j 1, 2, ... n
n: cantidad de
observaciones por
tratamiento
Residuo ~ N(0,2)
Yij i ij
Observaciones
y 12
y 22
ynA2
Promedios
y1n
Totales
y 1.
y 2n
.
.
y n An
y 2.
.
.
ynA.
y2.
.
.
yn .
y..
y..
y1.

Los efectos de los tratamientos corresponden a desviaciones
respecto de la media global .
Luego:
nA
i 1
La prueba de hiptesis est definida por:
H 0 : 1 2 ... n A 0
H a : i 0
11
al menos para una i
Los efectos de los tratamientos se anulan entre s
12
Tipos de Experimentos
Tipos de Experimentos Completamente Aleatoriazados
Modelo de Efectos Fijos
Modelo de Efectos Aleatorios
Las conclusiones obtenidas no

pueden extenderse a tratamientos
similares que no fueron
considerados en el experimento
(Los tratamientos usados en el
experimento no constituyen una
muestra aleatoria)
Las conclusiones obtenidas

experimento constituyen una
muestra aleatoria)
13
Modelos de Efectos Fijos

Variabilidad
Variabilidad Total
de los Datos (SST)
Variabilidad debido al
tratamiento (SSTr)
(Variabilidad Entre)
Variabilidad inherente
de los datos (SSE)
(Variabilidad Dentro)
SST SSTr SSE
y
nA
i 1 j 1
ij
nA
i 1
i 1 j 1
Dif. entre tratamientos

(variabilidad entre)
14
nA
y.. n y i . y.. yij y i .

2
Error aleatorio
(variabilidad dentro)

Definiciones
Puede demostrarse que:
i 1
Considerando las hiptesis:
Luego, si H0 se cumple, entonces:
SSTr
2
E
nA 1
nA
E SSTr n A 1 n i2
2
Pero, si Ha es cierta, entonces:

nA
n i2
SSTr
2 i 1
E
nA 1
nA 1
Cuadrado medio de los tratamientos

Si H0 es falsa, MSTr sobreestima a 2 , pero si H0 es verdadera MSTr es
estimador insesgado de 2
15

Definiciones
Tambin puede demostrarse que:
E SSE n A n 1 2
Luego, sin importar si H0 es cierta

o falsa, se cumple que:
SSE
2
E
n A n 1
Error cuadrtico medio
16

Estadstico de Prueba
Si las poblaciones son normales, es demostrable que el estadstico F0

sigue una distribucin F-Fisher:
17

Estadstico de Prueba
Regin de Rechazo: f c
P F c | H 0 es verdadera
TEOREMA:
Sea F = MSTr/MSE el estadstico de un ANOVA de un factor con nA
poblaciones y el tamao de cada muestra es n. Cuando H0 es
verdadera y se cumplen las suposiciones anteriormente planteadas,
entonces F tiene una distribucin F con 1 = nA - 1 y 2 = nA(n - 1).
Es una prueba de cola superior, cuya regin de rechazo es de la forma:
18

Frmulas de Clculo
Muestras con igual tamao
en cada tratamiento
nA
SST y
i 1 j 1
2
ij
y 2 ..
nAn
2
yi2 . y ..
SSTr
nAn
i 1 n
nA
Muestras con distinto

tamao en cada tratamiento
nA
ni
SST yij2
i 1 j 1
nA
2
i
y 2 ..
N
y 2 ..
y .
SSTr
N
i 1 ni
SSE SST SSTr

19
Qu opinas
sobre esta
cita?
20

ANOVA
TABLA ANOVA (con igual tamao muestral en cada tratamiento)
Fuente de
Variacin
Tratamientos
Grados de
Libertad
nA-1
Suma de
Cuadrados
SSTr
MSTr = SSTr / (nA-1)
Error
nA(n-1)
SSE
MSE = SSE / [nA(n-1)]
Total
nAn-1
SST
Cuadrado Medio
MSTr/MSE
TABLA ANOVA (con distinto tamao muestral en cada tratamiento)

Fuente de
Variacin
Grados de
Libertad
Suma de
Cuadrados
Cuadrado Medio
Tratamientos
nA-1
SSTr
MSTr = SSTr / (nA-1)
Error
N-nA
SSE
MSE = SSE / [N-nA]
Total
N-1
SST
f
MSTr/MSE
Todos los clculos necesarios para llegar al estadstico f pueden

escribirse utilizando el formato de la tabla.
21
Ejercicio 3.2
(Ejemplo 10.13 J.L. Devore)
Los datos adjuntos se obtuvieron con un experimento que compara el
grado de manchado de telas copolimerizadas con tres mezclas
diferentes de cido metracrlico (datos similares aparecieron en el
artculo Chemical Factors Affecting Soiling and Soil Release from
Cotton DP Fabric, American Dyestuff Reporter, 1983: 25-30).
Use el anlisis de varianza (ANOVA) para determinar si existe un efecto

de las mezclas de cido metracrlico en el grado de manchado de las
telas copolimerizadas.
22
Ejercicio 3.2
Solucin:
La hiptesis a probar es:
Se deben calcular las sumas de cuadrados a fin de completar la tabla

ANOVA.
Grados de
Libertad
Suma de
Cuadrados
Cuadrado
Medio
Tratamientos
0,061
0,0304
Error
12
0,370
0,0308
Total
14
0,431
Fuente de
Variacin
0,987
A una significancia del 5%, F5%,2,12 = 3,89

Conclusin: Como el estadstico de prueba (f=0,987) es menor al punto crtico
(F=3,89) no hay evidencia para rechazar Ho, por lo tanto, no se puede decir que
existen diferencias significativas entre las mezclas que afecten en el manchado.
23

Mtodos de Comparaciones Mltiples
Fcil de calcular
Mtodo LSD de
Fisher
Trabaja con la distribucin t

Student
Muy sensible a pequeas
variaciones
El nivel de confianza es
individual y no grupal
Mtodos de
Comparaciones Mltiples
Trabaja con la distribucin
de rango estudentizado
Mtodo de
Tuckey
Requiere de fuerte evidencia

para detectar diferencias
El nivel de confianza viene
dado en forma grupal
Concepto de tasa de error
por experimento
24

Definiciones
Sea la variable T:
Y i i
~ t n A ( n 1)
MSE / n
Un Intervalo de Confianza del 100(1-)% para la media de los Tratamientos

i es:
y i t / 2,n A ( n 1)
25
MSE
MSE
i y i t / 2,n A ( n 1)
n
n

Definiciones
El inters es encontrar un IC para la diferencia entre las medias de dos
tratamientos, digamos i j . El estimador puntual de i j es:
Y i Y j
La varianza de este estimador es:
V Y i Y j
2 2
n
n
n
As, la varianza estimada y su desviacin estndar son:

2
Y i Y
s
26
2 MSE
sY i Y j
n
2 MSE
n

Definiciones
Luego se tiene que:
Y i Y j i j
2MSE / n
~ tn A ( n 1)
Intervalo de Confianza del 100(1-)% para la Diferencia entre las Medias de dos
Tratamientos i - j es:
y i y j t / 2,n A ( n 1)
2 MSE
2 MSE
i j y i y j t / 2,n A ( n 1)
n
n
Si el IC calculado contiene el 0, diremos que las medias de los

tratamientos, no son significativamente distintas.
27

1. Mtodo LSD de Fisher (least significant difference)
Sea la variable T:
Y i Y j
~ t n A ( n 1)
2 MSE
n
Entonces, el par de medias i - j se considerar significativamente diferente si:
y i y j LSD
LSD t / 2, n A ( n 1)
LSD t / 2, N n A
28
2 MSE
n
1 1
MSE
n n
j
i
Igual tamao de muestra por tratamiento
Distinto tamao de muestra por tratamiento
Ejercicio 3.3
Un fabricante de papel utilizado para fabricar bolsas de caramelo, est
interesado en mejorar la resistencia a la tensin del producto. El grupo
de ingeniera del producto piensa que la resistencia a la tensin es una
funcin de la concentracin de madera dura en la pulpa, y que el
rango de inters prctico de las concentraciones de madera dura est
entre 5% y 20%.
El equipo de ingenieros responsable del estudio decide investigar
cuatro niveles de concentracin de madera dura: 5, 10, 15 y 20%. Para
ello, deciden fabricar seis especmenes de prueba para cada nivel de
concentracin, utilizando una planta piloto.
Los 24 especmenes se someten a prueba en un probador de tensin
de laboratorio, en orden aleatorio.
Concentracin de
madera dura (%)
5
10
15
20
29
1
7
12
14
19
2
8
17
18
25
Observaciones
3
4
15
11
13
18
19
17
22
23
5
9
19
16
18
6
10
15
18
20
Ejercicio 3.3
Los datos son:
nA = 4, n = 6, MSE = 6,51 y t0,025;20 = 2,086.
Las medias de cada tratamiento son:
y1 10,00 [psi]
y 2 15,67 [psi]
y 3 17,00 [psi]
y 4 21,17 [psi]
A partir del mtodo LSD de Fisher concluya si existe diferencia entre los
tratamientos, identificndolos.
30
Ejercicio 3.3
Solucin:
El valor de LSD es:
LSD t0, 025; 20
2 MSE
2 6,51
2,086
3,07
n
6
Por lo tanto cualquier par de medias observadas de tratamiento que difiera en

ms de 3,07 (LSD), implica que el correspondiente par de medias son distintas.
Comparaciones entre las medias de tratamiento observadas:
4 v/s 1 y 4 y1 21,17 10,00 11,17 3,07

4 v/s 2 y 4 y 2 21,17 15,67 5,50 3,07
4 v/s 3 y 4 y 3 21,17 17,00 4,17 3,07
3 v/s 1 y 3 y1 17,00 10,00 7,00 3,07
3 v/s 2 y 3 y 2 17,00 15,67 1,33 3,07
2 v/s 1 y 2 y1 15,67 10,00 5,67 3,07
31
Ejercicio 3.3
Solucin:
A partir del anlisis, se deduce que existen diferencias significativas entre todos
los pares de medias excepto los pares 2 y 3. Esto implica que el 10% y 15% de
concentracin de madera dura producen aproximadamente la misma
resistencia a la tensin y que todos los otros niveles de concentracin probados
producen diferentes resistencias a la tensin.
En ocasiones es de utilidad dibujar un grfico de las medias de tratamiento

observadas con las medias que no difieren significativamente subrayadas. Este
grfico revela los resultados del experimento y muestra que el 20% de madera
dura produce la mxima resistencia a la tensin.
32

Fcil de calcular
Mtodo LSD de
Fisher
Trabaja con la distribucin t

Student
Muy sensible a pequeas
variaciones
El nivel de confianza es
individual y no grupal
Mtodos de
Trabaja con la distribucin
de rango estudentizado
Mtodo de
Tukey
Requiere de fuerte evidencia

para detectar diferencias
El nivel de confianza viene
dado en forma grupal
Concepto de tasa de error
por experimento
33

2. Mtodo de Tukey
Objetivo: Identificar cules son las medias que difieren entre s.
Utiliza una distribucin de probabilidad llamada Distribucin de rango
estudentizado.
Esta distribucin depende de dos parmetros: grados de libertad m del
numerador y grados de libertad del denominador.
Q ,m,
Valor crtico de cola superior donde m = nA y = nA(n - 1)
Ver Tabla de valores crticos para la distribucin de Rango Estudentizado (Pg.

682, J.L. Devore)
34

2. Mtodo de Tukey
Proposicin:
Con el reemplazo de los valores apropiados en el enunciado siguiente
se obtienen enunciados simultneos de confianza acerca de las
diferencias entre las medias de tratamiento
MSE
MSE
1
P Y i Y j Q ,n A ,n A ( n 1)
i j Y i Y j Q ,n A ,n A ( n 1)
n
n
35

2. Mtodo de Tukey
Procedimiento:
1.
Seleccione y encuentre Q, nA, nA(n - 1) de la tabla.
2.
Determine:
3.
Haga una lista de las medias muestrales en orden creciente y subraye los pares que
difieren en menos de W. Cualquier par de medias muestrales no subrayadas por la
misma lnea corresponde a un par de medias de tratamiento significativamente
diferentes.
W Q ,nA ,nA ( n1) MSE / n
Cualquier par de medias que difieran en ms que la cantidad

definida por W, sern juzgadas como significativamente
diferentes entre s.
36
Ejercicio 3.4
(J.L. Devore)
Se efectu un experimento para comparar 5 marcas distintas de filtros
de aceite automotrices, en relacin con su capacidad para capturar
materia extraa. Se us una muestra de nueve filtros de cada marca y
se obtuvieron las siguientes cantidades promedio:
Los datos indican que la cantidad promedio real de material

capturado depende de la marca de los filtros? Utilice un nivel = 0,05.
Si es as, use el mtodo T para identificar diferencias significativas.
37
Ejercicio 3.4
1.- Hiptesis a probar:
2.- Calcular estadstico de prueba a partir de la tabla ANOVA

f=37,73
3.- Comparar con valor crtico
F, nA - 1, nA (n - 1) = F0,05, 4, 40 = 2,61
4.- Concluir
Como 37,73 >>> 2,61, H0 es rechazada al nivel 0,05
En caso de que la Ho se rechace, utilizamos el test de Tukey para
determinar si existe diferencia significativa entre los tratamientos.
38
Ejercicio 3.4
Procedimiento de Tukey:
1.- Para = 0,05 el valor de Q, nA, nA (n - 1) es igual a: Q0,05; 5; 40 = 4,04
2.- Clculo de W:
W Q ,nA ,nA ( n1) MSE / n 4,04 0,088 / 9 0,4

3.- Listado de las medias: Las cinco medias muestrales se disponen en orden
creciente y se
subraya cada par que difiera en menos de 0,4.
y5
y3
y2
y4
y1
13,1
13,3
13,8
14,3
14,5
4. Conclusiones:
Las marcas 1 y 4 no son considerablemente diferentes entre s, pero
son considerablemente ms altas que las otras tres marcas en el
verdadero promedio de su contenido.
La marca 2 es considerablemente mejor que la 3 y la 5, pero peor
que la 1 y la 4; y las marcas 3 y 5 no difieren en forma significativa.
39

2.1. Procedimiento de Tukey Kramer (tamaos muestrales
desiguales)
Se consideran tamaos muestrales diferentes n1, n2, ..., nnA razonablemente
cercanos entre s. Se utilizan promedios en parejas (es decir 1/ni en vez de
1/n).
Wij Q ,n A , N n A
MSE 1 1
2 ni n j
El nivel de confianza simultneo es al menos del 100(1-)% (solo aproximado,

no exacto), para tamaos muestrales desiguales.
40
Ejercicio 3.5
(J.L. Devore)
Un artculo present los siguientes datos del mdulo de elasticidad, en
GPa, obtenidos con un nuevo mtodo ultrasnico, para muestras de
cierta aleacin producida con tres mtodos de colado diferente.
ni
y i.
i.
Moldeo permanente
45,5
45,3
45,4
44,4
44,6
43,9
44,6
44
357,7
44,71
Colado a presin
44,2
43,9
44,7
44,2
44
43,8
44,6
43,1
352,5
44,06
Moldeo de yeso
46,0
45,9
44,8
46,2
45,1
45,5
273,5
45,58
22
983,7
y..
Los datos indican que el mdulo de elasticidad promedio depende

de la forma del proceso de colado que se utilice? Si es as, utilice el
procedimiento de Tukey-Kramer para identificar diferencias
significativas entre las medias de tratamiento.
41
Ejercicio 3.5
1.- Hiptesis a probar:
2.- Calcular estadstico de prueba a partir de la tabla ANOVA

f=12,56
3.- Comparar con valor crtico
F, na - 1, N-na = 3,52
4.- Concluir
Como 12,56 >>> 3,52, H0 es rechazada al nivel 0,05, por lo tanto, hay pruebas
convincentes para llegar a la conclusin de que el mdulo de elasticidad promedio
depende de cierta forma del proceso de colado que se utilice.
42
Ejercicio 3.5
Luego, utilizando el procedimiento de Tukey-Kramer, tenemos que:
n1 = 8, n2 = 8, n3 = 6 y na = 3, N na = 22 - 3 = 19, MSE = 0,316. Por lo tanto, un
nivel de confianza simultneo de aproximadamente 95% requiere:
Wij Q0, 05;3;19

W12 3,59
MSE 1 1
2 ni n j
0,316 1 1
0,713, W13 0,771, W23 0,771
2 8 8
Esquema de subrayado:
2. A presin
44,06
1. Permanente
44,71
3.Yeso
45,58
Se concluye que 1 y 2 no son considerablemente diferentes, sin embargo,

tanto 1 como 2 parecen diferir en forma significativa de 3.
43
Verificacin de supuestos del Modelo por medio

de Residuos
Supuestos del modelo:
Normalidad (eij ~ N(0, 2 ))
ei yij yij yij yi

Hacer grficas de probabilidad normal
Homocedasticidad (igualdad de varianzas)

Hacer grficas de los ei vs. los niveles del factor
Hacer grficas de los ei vs. medias de tratamiento observadas
44
Ejercicio 3.6
Un economista obtuvo datos sobre la mejora en la productividad el ao pasado,
para una muestra de empresas que producen accesorios para equipos
elctricos. Las empresas fueron clasificadas de acuerdo al promedio de los
gastos en investigacin y desarrollo en los ltimos 3 aos (nivel bajo, moderado y
alto). Los resultados del estudio se detallan a continuacin, donde la mejora en
la productividad se mide en una escala de 0 a 10.
Gasto en
I&D
Mejora en la productividad
Bajo
8,9
8,5
8,6
5,1
6,1
8,5
5,3
6,4
5,4
7,4
Moderado
7,8
6,8
8,4
7,7
6,3
7,7
9,3
7,1
7,2
6,1
Alto
8,9
8,7
7,7
9,7
8,6
9,0
8,9
8,8
8,7
8,5
a)
b)
c)
45
Construya la tabla ANOVA para estos datos

Basndose en la mejora de productividad de las empresas, existe diferencia
atribuible a los distintos niveles de I&D? considere una significancia del 5%. Si
lo hubiera, Qu grupo de empresas difieren estadsticamente de las dems?
Verifique los supuestos del modelo
Tipos de Experimentos
Tipos de Experimentos Completamente Aleatoriazados
Modelo de Efectos Fijos
Modelo de Efectos Aleatorios
Las conclusiones obtenidas no

experimento no constituyen una
muestra aleatoria)
Las conclusiones obtenidas

experimento constituyen una
muestra aleatoria)
46
Modelos de Efectos Aleatorios

En muchas situaciones, el factor de
inters tiene un nmero muy grande de
niveles
posibles.
El
analista
est
interesado en obtener conclusiones
acerca de la toda la poblacin de
niveles del factor. Si el experimentador
selecciona al azar nA de estos niveles de
la poblacin de todos los niveles del
factor, entonces se dice que el factor es
un factor aleatorio.
Dado que los niveles del factor utilizados
en el experimento fueron escogidos al
azar, las conclusiones alcanzadas sern
vlidas para toda la poblacin de niveles
del factor. Se supondr que la poblacin
de niveles del factor es de tamao
infinito o lo bastante grande como para
ser considerada infinita.
47

ANOVA y Componentes de la Varianza
El modelo estadstico lineal es:
i 1, 2, ... n A
j 1, 2, ... n
Yij i ij
Variable aleatoria que
explique el efecto
aleatorio del factor,
Residuos,
ij ~ N(0,2)
i ~ N(0,2)
(Para efectos fijos, se
supone que 2 = 0)
Los i son independientes para i = 1nA, cada uno con varianza 2

Los ij son independientes para i = 1nA, y j = 1n cada uno con 2
Los i y ij son independientes para cada combinacin de i y j
48

La varianza de la respuesta es:
donde cada trmino en
componente de la varianza.
V Yij 2 2
el
lado
derecho
es
llamado
La hiptesis de que las {i } son independientes, implica que la

hiptesis usual de que:
nA
i 1
del modelo de efectos fijos no se aplica al modelo de efectos

aleatorios.
49

Para un modelo de efectos aleatorios, las hiptesis apropiadas a
probar son:
H 0 : 2 0
H a : 0
2
La descomposicin ANOVA de la variabilidad total sigue siendo

vlida:
SST SSTr SSE

50

En el modelo ANOVA de un solo factor, experimento completamente
aleatorizado, el valor esperado de la media de cuadrados de los tratamientos
es:
SSTr
2 n 2
E MSTr E
nA 1
Y el valor esperado de media de cuadrados para el error es:
SSE
2
E MSE E
n A (n 1)
Los estimadores de los
s 2 MSE
51
son:
y
s2
MSTr MSE
n
Ejercicio 3.7
En el texto Design and Analysis of Experiments de Montgomery, se describe un
experimento de un solo factor donde se utiliza un modelo de efectos aleatorios,
en el que una compaa textil produce una tela en varios telares. La compaa
tiene inters en la variabilidad de la resistencia a la tensin de un telar a otro.
Para investigar esta variabilidad, un ingeniero de produccin selecciona al azar
cuatro telares y determina la resistencia a la tensin de las muestras de tela
tomadas aleatoriamente de cada telar. Los datos obtenidos aparecen en la
siguiente tabla:
Telar
1
2
3
4
52
1
98
91
96
95
2
97
90
95
96
Observaciones
3
4
99
96
93
92
97
95
99
98
Totales
391
368
386
392
1537
Promedios
97,50
91,50
95,75
97,00
95,44
Ejercicio 3.7
Solucin:
Fuente de
Variacin
Suma de
Cuadrados
Grados de
Libertad
Media de
Cuadrados
f0
Valor P
Telar
Error
Total
89,19
22,75
111,94
3
12
15
29,73
1,9
15,68
1,88E-04
Desde el Anlisis de Varianza, se concluye que la resistencia a la tensin de los telares en la planta
difieren significativamente en su capacidad para producir telas de uniformes. La varianza es
estimada por s2 = 1,90 y:
29,73 1,90
s
6,96
4
2
53
Ejercicio 3.7
Por lo tanto, la varianza de la resistencia en el proceso de fabricacin es
estimada por:
V Yij s2 s 2 6,96 1,90 8,86

As, la mayor parte de esta variabilidad es atribuible a las diferencias entre
telares.
54
Ejercicio 3.7
Este ejemplo ilustra el aislamiento de diferentes fuentes de variabilidad en un proceso
de fabricacin.
Problemas de variabilidad excesiva aparecen con frecuencia en programas de mejora
de la calidad.
En el ejemplo anterior, las estimaciones de los parmetros del proceso son:
y 95,45
[psi]
sY V Yij 8,86 2,98 [psi]

Si el lmite inferior de especificacin de la resistencia est en 90 [psi], entonces una
parte sustancial de la produccin se encuentra degradada (aprox. 3,37%)
55
Ejercicio 3.7
Si el ingeniero o administrador lograra detectar y eliminar las fuentes de
variabilidad del proceso, asociadas a las diferencias entre los telares, la
reduccin en la variabilidad del proceso sera notable:
sY s 2 1,90 1,38 [psi]

En este nuevo proceso mejorado, la reduccin en la variabilidad de la resistencia
disminuye en gran medida la degradacin del proceso, lo que trae como
resultado:
un costo menor
una calidad mayor
un cliente ms satisfecho
una posicin competitiva mejor para la compaa.
56
Diseo completamente aleatorizado por Bloques

El diseo aleatorizado por bloques es una extensin de la prueba
para datos pareados, donde el factor de inters tiene ms de
dos niveles.
Bloque 1
Bloque 2
Bloque 3
Bloque 4
t1
t2
t3
t1
t2
t3
t1
t2
t3
t1
t2
t3
Diseo aleatorizado por bloques
57

Por ejemplo, considere la situacin donde cuatro diferentes mtodos
fueron usados para predecir la resistencia al corte de vigas de acero.
Digamos que ahora se usan 4 vigas como unidades experimentales.
Tratamiento
(Mtodo)
1
2
3
58
y11
y21
y31
Bloques (Viga)
2
3
y12
y22
y32
y13
y23
y33
y14
y24
y34

Procedimiento general para un diseo aleatorizado por bloques
completo:
59
Tratamiento
1
1
y 11
2
.
.
nA
y 21
.
.
ynA1
Bloques
2
y 12
y 22
ynA2
Totales
y. 1
y. 2
Promedios
y.1
y. 2
nB
y1nB
Totales
y 1.
Promedios
y2nB
.
.
y n An B
y 2.
.
.
ynA.
y2.
.
.
yn .
y.nB
y..
y .n
y1.
y..

El apropiado Modelo Estadstico Lineal es:
i 1, 2, ... n A
j 1, 2, ... nB
Yij i j ij
Cantidad de bloques
Asumimos que:
tratamientos y bloques son inicialmente efectos fijos.
bloques no interactan.
dentro de cada bloque las

unidades son homogneas frente a
otros factores que podran afectar la respuesta.
nA
i 1
60
nB
j 1

Estamos interesados en probar:
H 0 : 1 2 ... n A 0
H a : i 0
al menos para una i
La suma de cuadrados para el experimento completamente aleatorizado

en bloques es:
y
nA
nB
i 1 j 1
ij
nA
nB
nA
nB
i 1
j 1
i 1 j 1
O equivalentemente
SST SS A SS B SSE
(tratamientos)
61
y.. nB yi . y.. n A y. j y.. yij y. j yi . y..

2
(bloques)

Cuadrados Medios
SS A
MS A
nA 1
SSB
MS B
nB 1
SSE
MSE
nA 1nB 1
62
Valores Esperados
nA
nB i2
SS A
2 i 1
E
nA 1
nA 1
nB
n A j2
SSB
j 1
2
E
nB 1
nB 1
E MSE 2

Las frmulas de clculo para la suma de cuadrados en el anlisis de
varianzas para experimentos completamente aleatorizados en bloques
son:
nA
nB
SST yij2
i 1 j 1
1
SS A
nB
y 2 ..
n A nB
nA
y 2 ..
i 1
n A nB
2
y
i .
nB
y 2 ..
1
2
SSB
y
.j
n A i 1
n A nB
SSE SST SS A SS B
63

TABLA ANOVA
Fuente de
Variacin
Grados de Suma de
Libertad Cuadrados
Cuadrado Medio
Tratamientos
nA-1
SSA
MSA = SSA / (nA-1)
Bloques
nB-1
SSB
MSB = SSB / (nB-1)
Error
(nA-1)(nB-1)
SSE
MSE = SSE / (nA-1)(nB-1)
Total
nAnB-1
SST
64
f
MSA / MSE
MSB / MSE
Ejercicio 3.8
(13-5 Montgomery, 4th ed.)
Se realiza un experimento para determinar el efecto de cuatro sustancias
qumicas diferentes sobre la resistencia de una tela. Las sustancias se emplean
como parte del proceso terminal de planchado permanente. Para ello se
escogen cinco muestras de tela y se aplica un diseo completamente
aleatorizado por bloques mediante la prueba de cada sustancia en un orden
aleatorio sobre cada una de las muestras de tela. Observe que cada muestra de
tela puede tener caractersticas propias que haga obtener distintas resistencias,
sin deberse esto a la sustancia qumica aplicada (por eso se bloquear el posible
efecto de la muestra de tela en el experimento). En caso de existir efecto por
parte de las sustancias qumicas sobre la resistencia de las telas, se identificarn
aquellas sustancias que provoquen efecto sobre la resistencia, con = 0,05.
Sustancia Qumica
1
2
3
4
Totales
Promedios
65
1
1,3
2,2
1,8
3,9
9,2
2,3
Muestra de Tela
2
3
4
1,6
0,5
1,2
2,4
0,4
2,0
1,7
0,6
1,5
4,4
2,0
4,1
10,1 3,5
8,8
2,5
0,9
2,2
5
1,1
1,8
1,3
3,4
7,6
1,9
Totales
5,7
8,8
6,9
17,8
39,2
Promedios
1,14
1,76
1,38
3,56
1,96
Ejercicio 3.8
Solucin
A partir de esta informacin, MINITAB entrega los siguientes resultados:

ANOVA: Resistencia de la Tela vs. Sustancia Qumica. Muestra de Tela
Factor
Sustancia Qumica
Muestra de Tela
Tipo
fijo
fijo
Niveles
4
5
Valores
1. 2. 3. 4
1. 2. 3. 4. 5
Anlisis de varianza de Resistencia de la Tela

Fuente
Sustancia Qumica
Muestra de Tela
Error
Total
S = 0,281514
GL
3
4
12
19
SC
18,0440
6,6930
0,9510
25,6880
R-cuad. = 96,30%
MC
6,0147
1,6733
0,0793
F
75,89
21,11
P
0,000
0,000
R-cuad.(ajustado) = 94,14%
Minitab -> Estadsticas -> Anova -> Modelo lineal general (modelo: factor,
bloque)
66
Ejercicio 3.8
Solucin
En la tabla ANOVA se observa que el estadstico de prueba f0 = 75,89 > f0,05;3;12 =

3,49, concluimos que hay diferencias significativas en las resistencias de las telas bajo
los distintos tipos de sustancias qumicas. Y adems como el valor p = 0, entonces esta
decisin no cambia independiente del nivel de significancia usado en la prueba.
Aplicaremos el mtodo LSD de Fisher:
67
Ejercicio 3.8
Del grfico anterior se desprende que la sustancia qumica 4 da como resultado

una resistencia mucho mayor a las otras tres sustancias.
Notamos que el mtodo se aplica tal cual como lo vimos anteriormente, con la
salvedad de que el nmero de muestras por tratamiento en este tipo de diseos lo
denotamos por
(bloques) y no por .
68
Anlisis Residual y Adecuacin del Modelo

Para este tipo de diseos, los residuos los definiremos como:
eij yij yij

yij i j
y.. y i . y.. y. j y..

y i . y. j y..
eij yij y.. y i . y. j
Note que el valor ajustado representa la estimacin de la respuesta

promedio cuando el i-simo tratamiento se efecta en el j-simo bloque.
69

En la siguiente tabla se muestran los residuos calculados del experimento
para el tipo de sustancia qumica, visto en un ejemplo anterior.
Tipo de
Sustancia
Quimica
1
2
3
4
Muestra de Tejido
1
-0,18
0.10
0,08
0,00
-0,10
0,08
-0,24
0,28
0,44
-0,28
0,30
-0,48
-0,18
0,00
-0,12
0,30
0,02
0,10
-0,02
-0,10
Lo siguientes grficos muestran importantes grficos de residuos

calculados para el experimento para el tipo de sustancia qumica.
70
Grfico de probabilidad normal de los residuos del diseo

completamente aleatorizado por bloques.
71
Grfico de residuos por tratamientos (tipo de sustancia qumica).
72
Grfico de residuos por bloques (muestra de tela).
73
Grfico de residuos versus ij

74
Diseo de Experimentos de Varios

Factores
Unidad III, Captulo 3: Diseo de Experimentos
Qu opinas
sobre esta
cita?
76
Diseo de Experimentos de Varios Factores
Un experimento es una prueba o una serie de pruebas.
El diseo de un experimento juega un papel principal en la

eventual solucin del problema.
En un diseo experimental factorial, los ensayos del

experimento (o corridas) se ejecutan con todas las
combinaciones de los niveles de los factores.
El anlisis de varianza (ANOVA) ser usado como una de las

herramientas primarias para el anlisis estadstico de los
datos.
77
Experimentos Factoriales
Definicin
Por experimento factorial entendemos aquel donde en cada
ensayo o rplica completa del experimento se investigan todas
las combinaciones posibles de los niveles de los factores.
Factor B
78
Factor A
Abajo
Bbajo
Balto
10
20
Aalto
30
40
Experimento Factorial sin Interaccin
79
Experimento Factorial con Interaccin
Factor B
80
Factor A
Abajo
Bbajo
Balto
10
20
Aalto
30
Experimento Factorial con Interaccin
81
Grficos Experimentos Factoriales
Grfico tridimensional de superficie de los datos del experimento sin interaccin,

mostrando efectos en los dos factores A y B.
82
Grficos Experimentos Factoriales
Grfico tridimensional de superficie de los datos del experimento, mostrando el

efecto de la interaccin entre A y B.
83
Configuracin Experimental
Cada combinacin de dos niveles de diferentes factores se conoce como CONFIGURACIN

EXPERIMENTAL. La cantidad total de observaciones es: N = nAnBn.
84
Modelo Estadstico Lineal
i 1, 2, ... n A
j 1, 2, ... nB
k 1, 2, ... n
Yij i j ij ijk
Con:
nA
i 0
i 1
nB
j 1
nA

i 1
ij
nB

j 1
ij
ijk ~ N 0, 2
Yijk: es la k-sima observacin tomada en el i-simo nivel del

Factor A y en el j-simo nivel del Factor B.
85
Anlisis Estadstico del Modelo de Efectos Fijos
nB
yi .. yijk
j 1 k 1
nA
y. j. yijk
y. j.
y. j.
i 1 k 1
nAn
i 1, 2, ... n A
yij .
j 1, 2, ... nB
yij . yijk
y ij .
k 1
nA
nB
y... yijk
i 1 j 1 k 1
86
yi ..
y i ..
nB n
n
y...
y...
n A nB n
Pruebas de Hiptesis
H 0 : 1 2 ... n A 0
H a : i 0
al menos para una i
H 0 : 1 2 ... nB 0
Ha : j 0
al menos para una j
H 0 : 11 12 ... n AnB 0
H a : ij 0
87
al menos para una pareja ij
Estimadores
A continuacin se definen los estimadores puntuales insesgados de los
parmetros desconocidos , i , i y ()ij.
y...
i yi .. y...
j y. j. y...
ij yij . yi .. y. j. y...
E (Yij ) yij . y de E (Yij ) i j ij
i j ij yij .
y .
Se deduce de
ij
88
yij . y... yi .. y... y. j. y...

ij
Estadsticos
Para probar H0: i = 0 use la razn
MS A
F
MSE
Para probar H0: j = 0 use la razn
MS B
F
MSE
Para probar H0: ()ij = 0 use la razn
MS AB
F
MSE
89
Frmulas Sumas de Cuadrados

nA
nB
y2
SST y
n A nB n
i 1 j 1 k 1
n
2
ijk
yi2
y2
SS A
n A nB n
i 1 nB n
nA
nB
y2j
y2
SSB
n A nB n
j 1 n A n
nA
nB
SS AB
i 1 j 1
yij2
y2
SS A SSB
n n A nB n
SSE SST SS AB SS A SSB

90
ANOVA
Fuente de
Variacin
Grados de
Libertad
Suma de
Cuadrados
Cuadrado Medio
Tratamiento A
nA-1
SSA
MSA = SSA / (nA-1)
MSA / MSE
Tratamiento B
nB-1
SSB
MSB = SSB / (nB-1)
MSB / MSE
Interaccin
(nA-1)(nB-1)
SSAB
MSAB = SSAB / [(nA-1)(nB-1)]
MSAB / MSE
Error
nAnB (n-1)
SSE
MSE = SSE / [nAnB(n-1)]
Total
nAnBn-1
SST
91
Ejercicio 3.9
Se aplican pinturas tapaporos para aeronaves en superficies de
aluminio, con dos mtodos: inmersin y rociado. La finalidad del
tapaporos es mejorar la adhesin de la pintura, y puede aplicarse en
algunas partes utilizando cualquier mtodo. El grupo de ingeniera de
procesos responsable de esta operacin se encuentra interesado en
saber si existen diferencias entre tres tapaporos diferentes en cuanto a
sus propiedades de adhesin. Para investigar el efecto que tienen el tipo
de pintura tapaporos y el mtodo de aplicacin sobre la adhesin de la
pintura, se realiza un experimento factorial. Para ello se pintan tres
especmenes con cada tapaporo utilizando cada mtodo de
aplicacin, despus se aplica una capa final de pintura y a
continuacin se mide la fuerza de adhesin. Los datos de este
experimento aparecen en la siguiente tabla.
92
Ejercicio 3.9
Tipo de
Tapaporo
Inmersin
1
2
3
4,0; 4,5; 4,3

5,6; 4,9; 5,4
3,8; 3,7; 4,0
y. j .
40,2
93
Rociado
12,8
15,9
11,5
5,4; 4,9; 5,6

5,8; 6,1; 6,3
5,5; 5,0; 5,0
49,6
yi ..
15,9
18,2
15,5
28,7
34,1
27,0
y = 89,8
Ejercicio 3.9 (Solucin)

SST
nTipos nMtodos n
i 1
j 1
y2
y
nTiposnMtodosn
k 1
2
ijk
89,8
4,0 4,5 ... 5,0
2
18
nTipos
SSTipos
10,72
yi2
y2
nTiposnMtodosn
i 1 nMtodosn
2
2
2
2
28,7 34,1 27,0 89,8
SSMtodos
nMtodos
j 1
18
y2j
y2
nTiposn nTiposnMtodosn
2
2
2
40,2 49,6 89,8
94
4,58
18
4,91

SS Interac.
nTipos nMtodos
i 1
j 1
yij2
y2
SSTipos SSMtodos
n nTipos nMtodosn
2
2
2
2
2
2
2
12,8 15,9 11,5 15,9 18,2 15,5 89,8
4,58 4,91
18
0,24
SSE SST SSInterac SSTipos SSMtodos

10,72 0,24 4,58 4,91
0,99
95

Fuente de
Variacin
Suma de
Cuadrados
Grados de
Libertad
Media de
Cuadrados
Tipo de Tapaporos
Mtodos de
Aplicacin
Interaccin
Error
Total
4,58
2,29
28,63 2,7 E-05
4,91
4,91
61,38 5,0E-07
0,24
0,99
10,72
2
12
17
0,12
0,08
1,50
96
F0
Valor P
0,2621
Anlisis de Varianza desde Minitab

En Minitab (Estadsticas -> ANOVA -> Dos factores (para detectar la interaccin no
debe estar pinchado ajustar modelo aditivo))
ANOVA de dos factores: Fuerza de Adhesi vs. Tipo Tapaporo.

Mtodo de Aplica
Fuente
Tipo Tapaporo
Mtodo de Aplicacin
Interaccin
Error
Total
S = 0,2867
GL
2
1
2
12
17
SC
4,5811
4,9089
0,2411
0,9867
10,7178
R-cuad. = 90,79%
MC
2,29056
4,90889
0,12056
0,08222
F
27,86
59,70
1,47
P
0,000
0,000
0,269
El modelo nos indica que no hay efecto de interaccin

97
Grficos de Interaccin
Grficos que nos ayudan a inferir si los factores interactan entre s o no.
Paralelos
(ms o menos)
Paralelos
(ms o menos)
(Curvas paralelas implican que no hay interaccin significativa)

98
Grficos de Efectos Principales

Grficos que ayudan a inferir el efecto de cada factor en la respuesta.
99
Adecuacin del Modelo

Los residuos se definen como:
eijk yijk y ij .
Mtodo de Aplicacin
100
Tipo de Tapaporo
Inmersin
Rociado
-0.27, 0.23, 0.03
0.10, -0.40, 0.30
0.30, -0.40, 0.10
-0.27, 0.03, 0.23
-0.03, -0.13, 0.17
0.33, -0,17, -0.17

Grfico de probabilidad normal de los residuos del ejemplo 3.9
101

Grfico de los residuos versus tipo de tapaporos
102

Grfico de los residuos versus mtodo de aplicacin
103

Grfico de los residuos versus los valores estimados
104
Experimentos Factoriales Generales

Modelo para el experimento de tres factores:
Yij i j k ij ik jk ijk ijkl
i 1, 2, ... n A
j 1, 2, ... n
k 1, 2, ... nC
l 1, 2, ... n
105
Interacciones de 2 factores
Interaccin de los 3 factores
ANOVA
Fuente de
Variacin
Grados de Libertad
Suma de
Cuadrados
Cuadrado Medio
Tratamiento A
nA-1
SSA
MSA = SSA / (nA-1)
MSA / MSE
Tratamiento B
nB-1
SSB
MSB = SSB / (nB-1)
MSB / MSE
Tratamiento C
nC-1
SSC
MSC = SSC / (nC-1)
MSC / MSE
Interaccin AB
(nA-1)(nB-1)
SSAB
Interaccin AC
(nA-1)(nC-1)
SSAC
Interaccin BC
(nB-1)(nC-1)
SSBC
Interaccin ABC
(nA-1)(nB-1)(nC-1)
SSABC
Error
nAnBnC(n-1)
SSE
Total
nAnBnCn-1
SST
106
MSAB = SSAB / [(nA-1)(nB-1)] MSAB / MSE

MSAC = SSAC / [(nA-1)(nCMSAC / MSE
1)]
MSBC = SSBC / [(nB-1)(nCMSBC / MSE
1)]
MSABC = SSABC / [(nA-1)(nBMSABC / MSE
1) (nC-1)]
MSE = SSE / [nAnBnC(n-1)]
Ejercicio 3.10
Un ingeniero mecnico estudia la rugosidad superficial de una
pieza producida en una operacin de corte de metal. El inters
recae en tres factores: la rapidez con la que se hace el corte (),
la profundidad de ste () y el ngulo de la herramienta (). A
los tres factores se les asignan dos niveles, y se realizan dos
rplicas del diseo factorial. Los datos aparecen en la siguiente
tabla.
107
Ejercicio 3.10
Profundidad de corte (B)
0,025 ''
0,040 ''
Rapidez de ngulo de la herramienta
Corte (A)
(C)
20''/min.
30''/min.
ngulo de la
herramienta (C)
15
9
7
16
10
12
22
25
11
10
21
10
13
23
15
9
11
20
12
15
27
25
10
8
18
16
14
30
38
44
47
48
y i
75
102
Totales BxC
y.jk.
108
177
y.
Ejercicio 3.10
Modelo lineal general: Rugosidad Su vs. Rapidez de C. Profundidad . ...
Factor
Rapidez de Corte (A)
Profundidad de Corte (B)
ngulo de la herramienta (C)
Tipo
fijo
fijo
fijo
Niveles
2
2
2
Valores
20. 30
0,025. 0,040
15. 25
Anlisis de varianza para Rugosidad Superficial, utilizando SC ajustada para

pruebas
Fuente
Rapidez de Corte (A)
Rapidez de Corte (A)*
Profundidad de Corte (B)*
Profundidad de Corte (B)*
Error
Total
S = 1,56125
109
R-cuad. = 79,02%
GL
1
1
1
1
SC sec.
45,562
10,563
3,063
7,563
SC ajust.
45,562
10,563
3,063
7,563
MC ajust.
45,562
10,563
3,063
7,563
F
18,69
4,33
1,26
3,10
P
0,003
0,071
0,295
0,116
0,063
0,063
0,063
0,03
0,877
1,563
1,563
1,563
0,64
0,446
5,062
5,062
5,062
2,08
0,188
8
15
19,500
92,938
19,500
2,438
Diseos Factoriales 2k
Si un experimentador desea estudiar al mismo tiempo el efecto de k
factores diferentes en una variable de respuesta y los factores tienen I1,
I2, . . . , Ik niveles, respectivamente, entonces un experimento completo
requiere por lo menos I1, I2, . . . , Ik observaciones. En tales situaciones, el
experimentador a menudo puede realizar un experimento de
filtracin con cada factor a solo dos niveles para obtener informacin
preliminar sobre los efectos del factor. Un experimento en el cual existen
k factores, cada uno a dos niveles, se conoce como experimento 2k
factorial. El anlisis de los datos de tal experimento es
computacionalmente ms simple que para experimentos factoriales
ms generales. Adems, un experimento 2k proporciona un entorno
ms simple para introducir los importantes conceptos de confusin y
rplicas fraccionarias. (J.L. Devore)
110
Diseo 22
111
Diseo 22
El efecto principal del factor A es estimado por:
El efecto principal del factor B es estimado por:
112
Diseo 22
El efecto interaccin AB es estimado por:
113
Las cantidades entre corchetes, se llaman contrastes.
Por ejemplo, el contraste de A es:
ContrasteA = a + ab b (1)
114
Estos contrastes se utilizan para estimar el tamao de los efectos
(principales e interaccionales).
Tambin se utilizan para calcular las sumas de cuadrados:
115
Ejercicio 3.11
Un artculo publicado en el AT&T Technical Journal, describe la
aplicacin de diseos factoriales de dos factores a la fabricacin
de circuitos integrados. Un paso bsico de procesamiento en
esta industria es el crecimiento de una capa epitaxial sobre
pastillas de silicio pulidas. Las pastillas se montan en un dispositivo
sensible y se introducen en una campana de percusin. Despus
se introducen vapores qumicos a travs de boquillas ubicadas
cerca de la parte superior de la campana. Se gira el dispositivo
sensible y se aplica calor. Estas condiciones se mantienen hasta
que la capa epitaxial tiene un espesor suficiente.
116
Ejercicio 3.11
La tabla anterior presenta los resultados de un diseo factorial 22

con = 4 rplicas utilizando como factores A: tiempo de
descomposicin y B: rapidez de flujo de arsnico. Los dos niveles
de tiempo de descomposicin son: = , + = . Los
niveles de rapidez de arsnico son = 55% y + = 59%. La
variable de respuesta es el espesor de la capa epitaxial (m). Las
estimaciones son las siguientes:
117
Ejercicio 3.11
118
Ejercicio 3.11
119
Anlisis Residual
Grfico de
probabilidad normal
de los residuos para
el experiemento del
proceso epitaxial.
120
Anlisis Residual
Grfico de los
residuos v/s el
tiempo de
descomposicin
121
Anlisis Residual
Grfico de los
residuos v/s la
rapidez de flujo
de arsnico
122
Anlisis Residual
Desviacin estndar del espesor de la capa epitaxial en las cuatro corridas del diseo 22.
123
Diseo 23
124
Diseo 23
Figure Geometric presentation of

contrasts corresponding to the main
effects and interaction in the 23 design.
(a) Main effects. (b) Two-factor
interactions.
(c)
Three-factor
interaction.
125
Estimacin de efectos principales de A, B y C por:
126
Interacciones de dos factores:
Interacciones de los tres factores:
127
128
Propiedades de la tabla anterior:
1. Aparte de la columna de la identidad (I), cada columna tiene la
misma cantidad de - y de +
2. La suma-producto de cualquier pareja de columnas es cero; es
decir que las columnas son ortogonales
3. La multiplicacin de cualquier columna por I no cambia la columna;
es decir que I es un elemento de identidad
4. El producto de cualquier pareja de columnas da una columna que
est en la tabla,
por ejemplo:
129
AB
= AB
AB ABC = A2B2C = C
Clculo de los contrastes:
Contraste
Efecto
n2 k1
Contraste
SS
n2 k
130
Ejercicio 3.12
Considrese el experimento de rugosidad superficial descrito en el ejemplo
3.10 (14-2 Mont.). Este es un diseo 23 en los factores velocidad de corte (),
profundidad de corte () y ngulo de la herramienta (), con = 2 rplicas.
La tabla presenta los datos observados de rugosidad superficial.
131
Ejercicio 3.12
Solucin:
Para A se calcula:
Se hace igual para los otros factores (columnas).

Minitab entrega los siguientes resultados:
132
Ejercicio 3.12
Eliminar interacciones del

modelo
133
Anlisis Residual
Grfico de probabilidad
normal de los residuos del
experimento de rugosidad
superficial.
134
Rplica nica del diseo para k grande

Segn aumenta k, el nmero de observaciones que deben realizarse
aumenta, haciendo difcil poder realizar rplicas del diseo.
Adems, la falta de rplicas hara que el nmero de grados de libertad
disminuyera.
Una solucin es considerar solo algunas interacciones.
135
Ejemplo 3.13
Un artculo publicado en Solid State Technology describe la
aplicacin de los diseos factoriales en el desarrollo de un proceso
de grabado nitroso sobre una sola oblea de plasma de grabado.
El proceso utiliza C2F6 como gas reactivo. Es posible modificar la
rapidez de flujo de gas, la potencia aplicada al ctodo, la presin
en la cmara de reaccin y el espaciamiento entre el nodo y el
ctodo (hueco). Lo usual en este proceso es que el inters recaiga
en varias variables de respuesta, pero en este ejemplo slo se
considera la rapidez de grabado del nitruro de silicio.
136
Ejemplo 3.13
Para investigar el proceso se hace uso de una sola rplica de un
diseo 24. Puesto que es poco probable que las interacciones
entre tres y cuatro factores sean significativas, el plan tentativo es
combinarlas como una estimacin del error. Los niveles de los
factores utilizados en el diseo son los siguientes:
137
Ejemplo 3.13
La siguiente tabla presenta los datos provenientes de 16 corridas
del diseo 24. Los signos de las columnas de esta tabla pueden
emplearse para estimar los efectos de los factores. Por ejemplo, la
estimacin del efecto del factor A es:
138
Ejemplo 3.13
139
Ejemplo 3.13
140
Ejemplo 3.13
Solucin:
Verificar (usando Minitab por ejemplo) que el conjunto completo de
estimaciones de efectos es:
141
Ejemplo 3.13
142
Grfico de probabilidad normal de efectos
Normal de los efectos del
experimento de rapidez
de grabado.
143
Grfico de interaccin AD
144
Anlisis residual
normal de los residuos del
experimento de rapidez de
grabado.
145
I
N
G
E
N
I
E
R
A
C
I
V
I
L
I
N
D
U
S
T
R
I
A
L
Estadstica Aplicada II
Dayana Jaque S.

EA2 - Unidad 3 (Cap 3) - Clases Al 09jun15

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

EA2 - Unidad 3 (Cap 3) - Clases Al 09jun15

Cargado por

Copyright:

Formatos disponibles

I

Estadstica Aplicada II - Ing. Civil Industrial - 2015

del efecto que

Un experimento para estudiar los efectos de cinco

Conjetura: la hiptesis original que motiva el experimento.

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Diseo de Experimentos de Un Factor

Diseo de Experimentos de Un Factor

La hiptesis alternativa es que al menos una de las verdaderas

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Diseo de Experimentos de Un Factor

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Diseo de Experimentos de Un Factor

La prueba de hiptesis est definida por:

al menos para una i

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Diseo de Experimentos de Un Factor

Los efectos de los tratamientos se anulan entre s

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelo de Efectos Fijos

Modelo de Efectos Aleatorios

Las conclusiones obtenidas no

Las conclusiones obtenidas

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelos de Efectos Fijos

SST SSTr SSE

Dif. entre tratamientos

y.. n y i . y.. yij y i .

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelos de Efectos Fijos

Considerando las hiptesis:

Luego, si H0 se cumple, entonces:

Pero, si Ha es cierta, entonces:

Cuadrado medio de los tratamientos

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelos de Efectos Fijos

Luego, sin importar si H0 es cierta

Error cuadrtico medio

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelos de Efectos Fijos

Si las poblaciones son normales, es demostrable que el estadstico F0

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelos de Efectos Fijos

Es una prueba de cola superior, cuya regin de rechazo es de la forma:

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelos de Efectos Fijos

Muestras con distinto

SSE SST SSTr

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Modelos de Efectos Fijos

MSTr = SSTr / (nA-1)

MSE = SSE / [nA(n-1)]

TABLA ANOVA (con distinto tamao muestral en cada tratamiento)

MSTr = SSTr / (nA-1)

MSE = SSE / [N-nA]

Todos los clculos necesarios para llegar al estadstico f pueden

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Use el anlisis de varianza (ANOVA) para determinar si existe un efecto

Estadstica Aplicada II - Ing. Civil Industrial - 2015

Se deben calcular las sumas de cuadrados a fin de completar la tabla