Diseño y Análisis de Experimentos – IND5410

Sección: 03

Proyecto Final (Wendy´s)

Prof. José Scott Guilleard.

Sustentantes:
Vianny Arlette Gómez Henríquez--------100293257
Nicole Suárez Paredes-----------------------100347491

Semestre 2018-1
 Introducción
Todos los procesos se encuentran influenciados por el efecto de variables o factores,
sean controlados o no. Tanto el diseño como la mejora de un proceso de manufactura
o servicio suponen el análisis estadístico de estas variables.

El diseño general factorial y al análisis de regresión, serán aplicados a la empresa de

servicio de comida Wendy´s.

Se han seleccionado tres factores; tipo de hamburguesa (A), los tiempos de ventas (B)
y tamaño de la carne (C). El análisis se efectuará de manera analítica, auxiliándonos de
los conocimientos aprendidos de los softwares informativos como: Minitab y Excel.

Por medio de estos métodos se busca determinar cuáles son los factores que afectan
significativamente a las variables de repuestas.
 Historia

El primer restaurante Wendy's fue abierto el 15 de noviembre de 1969 a las afueras de

Columbus, Ohio. Su propietario, Dave Thomas, quien ya tenía experiencia en el mundo
de los restaurantes, en los 60s fue propietario de cuatro franquicias de Kentucky Fried
Chicken, el cual consiguió hacerlas rentables. En 1968 las vendió por 1,5 millones de
dólares y con ese dinero pudo emprender su nuevo negocio.

Wendy's Old Fashioned Hamburgers ofreció platos como hamburguesas, chili con
receta secreta, patatas fritas, refrescos y los postres "Frosty". La carta era muy
reducida para ahorrar costes y se centraba en promocionar la calidad de las carnes en
sus productos. Al año siguiente abrió un segundo local, y a partir de 1972 empezó a
franquiciarlo, siguiendo un modelo geográfico.

En abril de 2008, Wendy's fue adquirida por la firma inversora Triarc, dueña de Arby's y
controlada por el multimillonario Nelson Peltz. Ambas empresas funcionarían por
separado, aunque bajo la gestión de un único grupo llamado Wendy's Arby's Group.
Sin embargo, el rendimiento de esta nueva compañía fue desigual y en 2011 los
propietarios se deshicieron de Arby's, su marca menos rentable, vendiéndole la
participación mayoritaria a una firma de capital riesgo. De este modo Wendy's se
consolidó como la tercera cadena de hamburgueserías más grande de Norteamérica y
en 2012 llegó incluso a alcanzar temporalmente el segundo puesto.

Misión
“Garantizar una extraordinaria calidad y variedad en nuestros productos, con una
experiencia de servicio amable y cortés, dentro de un ambiente agradable, limpio y
seguro, superando las expectativas de nuestros colaboradores, invitados, comunidades
y accionistas, generando crecimiento sostenido que contribuya con el desarrollo social
y bienestar del país”.

Visión
“Ser reconocida como la cadena de restaurantes que proporcione a las comunidades
una alimentación de calidad, variada y donde cada invitado salga satisfecho y con una
sonrisa”.
Valores

 Hacer lo correcto: ser consecuentes con el cumplimiento de los principios,

procedimientos, normas.

 Calidad: en nuestros ingredientes, productos, seguridad en nuestras

operaciones.

 Cortesía: cada invitado debe sentirse como el único.

Razón de elección del producto

Se decidió seleccionar este producto ya que las hamburguesas representan uno de

los alimentos de comida rápida con mayor demanda en el mercado.

Planteamiento del problema

Debido a que el volumen de ventas de hamburguesas en Wendys es elevado se
desea saber cuáles son los factores que influyen significativamente en la venta de
las mismas y de qué forma estos factores interactúan entre sí.

Objetivos

 Reconocer las causas que influyen en el consumo de hamburguesas.

 Proponer recomendaciones basadas en los resultados obtenidos.
 Marco teórico conceptual

Diseño factorial general

En el diseño factorial general se estudia la relación de la variable dependiente o

respuesta con dos o más factores cada uno de los cuales posee dos o más niveles.

Si cada uno de los factores poseen exactamente 2 niveles, el diseño factorial general se
denomina: diseño general 2𝑘 .

Un experimento factorial completo es un experimento cuyo diseño consta de dos o

más factores, cada uno de los cuales, con distintos valores o niveles, cuyas unidades
experimentales cubren todas las posibles combinaciones de esos niveles en todos los
factores. Este tipo de experimentos permiten el estudio del efecto de cada factor
sobre la variable respuesta, así como el efecto de las interacciones entre factores
sobre dicha variable.

Ventajas de los diseños factoriales

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

 Los diseños factoriales son necesarios cuando alguna interacción puede

estar presente, para evitar hacer conclusiones erróneas.

Factores seleccionados:

 Factor A (Tipo de hamburguesa): Consideramos que el tipo de hamburguesa

que se ofrezca en el establecimiento es un factor determinante en el volumen
de las ventas.
 Factor B (días de ventas): Se han tomado en cuenta los tres días principales
de ventas: viernes (1), sábado (2) y domingo (3), como una variable de
especial interés.
 Factor C (libras de la hamburguesa): Se ha considerado las libras de la
hamburguesa como factor de interés, ya que, dependiendo de las
 preferencias de los clientes, éste constituye una fuente de variación
significativa respecto al volumen de las ventas.

Variable de ¨respuesta¨:

Nuestra variable de respuesta es el volumen de ventas, ya que con respecto a la misma

se puede determinar la variación de la salida del producto.

DISEÑO FACTORIAL GENERAL

Concepto:

En Wendys de Agora mall se busca indagar las causas que influyen en el volumen de
ventas de las hamburguesas. Por lo que se estudia tres factores (tipo de hamburguesa,
días de venta y libras de la hamburguesa) mediante un diseño factorial general. Se
utiliza α = 0.05. La siguiente tabla muestra los datos recogidos:

DIAS
Viernes sábado domingo
Libras libras libras
Tipo de
1/2 1/4 3/4 1/2 1/4 3/4 1/2 1/4 3/4
hamburguesa
35 25 30 29 31 28 20 29 33
Res 23 31 37 26 25 28 28 25 26
25 22 22 21 24 31 22 32 27
Pollo 30 24 27 25 29 22 32 29 28
15 11 12 9 10 8 12 12 14
Pescado 18 15 18 13 12 11 13 8 11
Formulación de hipótesis

1. Para el factor A:

𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 0

𝐻1 : 𝛼1 ≠ 0

2. Para el factor B:

𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑏 = 0

𝐻1 : 𝛽1 ≠ 0

3. Para el factor C:

𝐻0 : 𝛾1 = 𝛾2 = ⋯ = 𝛾𝑏 = 0

𝐻1 : 𝛾1 ≠ 0

4. Para la interacción AB:

𝐻0 : (𝛼𝛽)11 = (𝛼𝛽)12 = ⋯ = (𝛼𝛽)𝑎𝑏 = 0

𝐻0 : (𝛼𝛽)𝑖𝑗 ≠ 0

5. Para la interacción AC:

𝐻0 : (𝛼𝛾)13 = (𝛼𝛾)13 = ⋯ = (𝛼𝛾)𝑎𝑐 = 0

𝐻0 : (𝛼𝛾)𝑖𝑘 ≠ 0

6. Para la interacción BC:

𝐻0 : (𝛽𝛾)23 = (𝛽𝛾)23 = ⋯ = (𝛽𝛾)𝑏𝑐 = 0

𝐻0 : (𝛽𝛾)𝑗𝑘 ≠ 0
7. Para la interacción ABC:

𝐻0 : (𝛼𝛽𝛾)123 = (𝛼𝛽𝛾)123 = ⋯ = (𝛼𝛽𝛾)𝑎𝑏𝑐 = 0

𝐻0 : (𝛼𝛽𝛾)𝑖𝑗𝑘 ≠ 0

días

viernes sábado domingo

Yi..
.
libras libras libras

Tipo de 1/2 1/4 3/4 Yij. 1/ 1/4 3/4 Yij. 1/ 1/4 3/4 Yij..
hamburg. . 2 . 2

Res 58 56 67 18 55 56 56 16 48 54 56 158 50
1 7 6

Pollo 55 46 49 15 46 53 53 15 54 61 55 170 47
0 2 2

Pescado 33 26 30 89 22 22 19 63 25 20 25 70 22
2

Y.jk. 14 12 14 12 13 12 12 13 13 Y…
6 8 6 3 1 8 7 5 6 .

Y.j.. 420 382 398 12

00

Sumas de Cuadrados

𝑎 𝑏 𝑐 𝑛
(𝑦…. )2
𝑆𝑆𝑇 = ∑ ∑ ∑ ∑(𝑦𝑖𝑗𝑘𝑙 )2 −
𝑁
𝑖 𝑗 𝑘 𝑙

(1200)2
𝑺𝑺𝑻 = 582 + 562 + ⋯ + 252 − =3386.83
27
 𝑎
1 (𝑦…. )2
𝑆𝑆𝐴 = ∑(𝑦𝑖… )2 −
𝑏𝑐𝑛 𝑁
𝑖

1 (1200)2
𝑺𝑺𝑨 = (3)(3)(2) (506)2 + 4722 + 2222 ) − =2708.11
27

𝑎
1 2
(𝑦…. )2
𝑆𝑆𝐵 = ∑(𝑦.𝑗.. ) −
𝑎𝑐𝑛 𝑁
𝑖

1 (1200)2
𝑺𝑺𝑩 = (3)(3)(2) (4202 + 3822 + 3982 ) − =40.11
27

𝑎
1 2
(𝑦…. )2
𝑆𝑆𝐶 = ∑(𝑦..𝑘. ) −
𝑎𝑏𝑛 𝑁
𝑖=1

1
𝑆𝑆𝐶 = [(146 + 123 + 127)2 + (128 + 131 + 135)2
(3)(3)(2)
(1200)2
+ (146 + 128 + 136)2 ] − = 𝟏𝟐. 𝟏𝟏
27

𝑎 𝑏
1 2
𝑦 …2
𝑆𝑆𝐴𝐵 = ∑ ∑ 𝑦𝑖𝑗. − − 𝑆𝑆𝐴 − 𝑆𝑆𝐵
𝑐𝑛 𝑁
𝑖=1 𝑗=1

1 (1200)2
𝑺𝑺𝑨𝑩 = (3)(2) (1812 + 1672 + ⋯ + 702 ) − −2708.11− 40.11= 95.78
27

𝑎 𝑐
1 2
(𝑦…. )2
𝑆𝑆𝐴𝐶 = ∑ ∑(𝑦𝐼.𝐾. ) − − 𝑆𝑆𝐴 − 𝑆𝑆𝐶
𝑏𝑛 𝑁
𝑖=1 𝑘=1

1 2 2]
(1200)2
𝑆𝑆𝐴𝐶 = [(58 + 55 + 48) + ⋯ + (30 + 19 + 25) − − 2708.11
(3)(2) 27
− 12.11 = 𝟒𝟐. 𝟏𝟏
 𝑎 𝑐
1 (𝑦…. )2
𝑆𝑆𝐵𝐶 = ∑ ∑(𝑦.𝑗𝐾.. )2 − − 𝑆𝑆𝐵 − 𝑆𝑆𝐶
𝑎𝑛 𝑁
𝑖=1 𝑘=1

1 (1200)2
𝑺𝑺𝑩𝑪 = (1462 + 1282 + ⋯ + 1362 ) − − 40.11 − 12.11 = 𝟒𝟏. 𝟕𝟖
(3)(2) 27

a b c
1 (y…. )2
SSABC = ∑ ∑ ∑(yijk. )2 − − SSA − SSB − SSC − SSAB − SSAC − SSBC
n N
i=1 j=1 k=1

1 (1200)2
𝑺𝑺𝑨𝑩𝑪 = (582 + 562 + ⋯ + 252 ) − − 2708.11 − 40.11 − 12.11
(3) 27

− 95.78 − 42.11 − 41.78 = 𝟒𝟒. 𝟑𝟑

SSE = SST − SSA − SSB − SSC − SSAB − SSAC − SSBC − SSABC

𝑺𝑺𝑬 = 3386.83 − 2708.11 − 40.11 − 12.11 − 95.78 − 42.11 − 41.78 − 44.33

= 𝟒𝟎𝟐. 𝟓𝟎

Análisis de varianza (tabla ANOVA)

ANALISIS DE VARIANZA. TABLA ANOVA

Fuentes de Suma de Grados de libertad Cuadrados f
variación cuadrados medios calculado
Factor A 2708.11 a -1 = 2 1354.06 𝑓𝐴 = 90.82
Factor B 40.11 b -1 = 2 20.06 𝑓𝐵 = 1.34
Factor C 12.11 c -1 = 2 6.06 𝑓𝐶 = 0.41
Interacción AB 95.78 (a - 1)(b - 1) = 4 23.94 𝑓𝐴𝐵 = 1.60
Interacción AC 42.11 (a - 1)(c - 1) = 4 10.53 𝑓𝐴𝐶 = 0.71
Interacción BC 41.78 (b - 1)(c - 1) = 4 10.44 𝑓𝐵𝐶 = 0.70
Interacción ABC 44.33 (a-1)(b-1)(c-1) = 8 5.54 𝑓𝐴𝐵𝐶 = 0.37
Errores 402.50 abc (n - 1) = 27 14.91
Totales 3386.83 N - 1 = 53
Cálculo de los percentiles
1. Para el factor A:

𝑓1−𝛼 , 𝑎 − 1, 𝑎𝑏𝑐(𝑛 − 1) = 𝑓1−0.05 , 3 − 1, (3)(3)(3)(2 − 1)

= 𝑓0.95 , 2 , 27

= 𝟐. 𝟗𝟎𝟓

2. Para el factor B:

𝑓1−𝛼 , 𝑏 − 1, 𝑎𝑏𝑐(𝑛 − 1) = 𝑓1−0.05 , 3 − 1, (3)(3)(3)(2 − 1)

= 𝑓0.95 , 2 , 27

= 𝟐. 𝟗𝟎𝟓

3. Para el factor C:

𝑓1−𝛼 , 𝑐 − 1, 𝑎𝑏𝑐(𝑛 − 1) = 𝑓1−0.05 , 3 − 1, (3)(3)(3)(2 − 1)

= 𝑓0.95 , 2 , 27

= 𝟐. 𝟗𝟎𝟓

4. Para la interacción AB:

𝑓1−𝛼 , (𝑎 − 1)(𝑏 − 1), 𝑎𝑏𝑐(𝑛 − 1) = 𝑓1−0.05 , (3 − 1)(3 − 1) , (3)(3)(3)(2 − 1)

= 𝑓0.95 , 4 , 27

= 𝟑. 𝟖𝟕

5. Para la interacción AC:

𝑓1−𝛼 , (𝑎 − 1)(𝑐 − 1), 𝑎𝑏𝑐(𝑛 − 1) = 𝑓1−0.05 , (3 − 1)(3 − 1) , (3)(3)(3)(2 − 1)

= 𝑓0.95 , 4 , 27

= 𝟑. 𝟖𝟕

6. Para la interacción BC:

𝑓1−𝛼 , (𝑏 − 1)(𝑐 − 1), 𝑎𝑏𝑐(𝑛 − 1) = 𝑓1−0.05 , (3 − 1)(3 − 1) , (3)(3)(3)(2 − 1)

= 𝑓0.95 , 4 , 27

= 𝟑. 𝟖𝟕
7. Para la interacción ABC:

𝑓1−𝛼 , (𝑎 − 1)(𝑏 − 1)(𝑐 − 1), 𝑎𝑏𝑐(𝑛 − 1) =

= 𝑓1−0.05 , (3 − 1)(3 − 1)(3 − 1), (3)(3)(3)(2 − 1)

= 𝑓0.95 , 8 , 27

= 𝟒. 𝟔𝟒

Conclusiones:
1. Para el factor A:

Se rechaza la hipótesis nula porque 𝑓𝐴 > 𝑓1−𝛼 , 𝑎 − 1, 𝑎𝑏𝑐(𝑛 − 1) y por tanto el tipo de
carne afecta significativamente al volumen de ventas de las hamburguesas.

𝑓1−𝛼 , 𝑎 − 1, 𝑎𝑏𝑐(𝑛 − 1)

2. Para el factor B:

No se rechaza la hipótesis nula porque 𝑓𝑏 < 𝑓1−𝛼 , 𝑏 − 1, 𝑎𝑏𝑐(𝑛 − 1) y por tanto los
días no afectan significativamente el volumen de ventas de las hamburguesas.

𝑓1−𝛼 , 𝑏 − 1, 𝑎𝑏𝑐(𝑛 − 1)
3. Para el factor C:

No se rechaza la hipótesis nula porque 𝑓𝐶 < 𝑓1−𝛼 , 𝐶 − 1, 𝑎𝑏𝑐(𝑛 − 1) y por tanto el

tamaño de la carne no afecta significativamente al volumen de ventas de las
hamburguesas.

𝑓1−𝛼 , 𝑐 − 1, 𝑎𝑏𝑐(𝑛 − 1)

4. Para la interacción AB:

No se rechaza la hipótesis nula porque 𝑓𝐴𝐵 < 𝑓1−𝛼 , (𝑎 − 1)(𝑏 − 1) , 𝑎𝑏𝑐(𝑛 − 1) y por
tanto la interacción entre el tamaño de la carne y los días no afecta significativamente
al volumen de ventas de las hamburguesas.

fab
𝑓1−𝛼 , (𝑏 − 1)(𝑎 − 1), 𝑎𝑏𝑐(𝑛 − 1)
5. Para la interacción AC:

No se rechaza la hipótesis nula porque 𝑓𝐴𝐶 < 𝑓1−𝛼 , (𝑎 − 1)(𝑐 − 1) , 𝑎𝑏𝑐(𝑛 − 1) y por
tanto la interacción entre el tipo de carne y tamaño de la carne no afecta
significativamente el volumen de ventas de las hamburguesas.

fac
𝑓1−𝛼 , (𝑎 − 1)(𝑐 − 1), 𝑎𝑏𝑐(𝑛 − 1)

6. Para la interacción BC:

No se rechaza la hipótesis nula porque 𝑓𝐵𝐶 < 𝑓1−𝛼 , (𝑏 − 1)(𝑐 − 1) , 𝑎𝑏𝑐(𝑛 − 1) y por
tanto la interacción entre los días y el tamaño de la carne no afecta significativamente
al volumen de ventas de las hamburguesas.

fbc
𝑓1−𝛼 , (𝑏 − 1)(𝑐 − 1), 𝑎𝑏𝑐(𝑛 − 1)
7. Para la interacción ABC:

No se rechaza la hipótesis nula porque 𝑓𝐴𝐵𝐶 < 𝑓1−𝛼 , (𝑎 − 1)(𝑏 − 1)(𝑐 − 1) , 𝑎𝑏𝑐(𝑛 −
1) y por tanto la interacción entre el tipo de carne, los días y tamaño de la carne no
afecta significativamente el volumen de ventas de las hamburguesas.

fabc
𝑓1−𝛼 , (𝑎 − 1)(𝑏 − 1)(𝑐 − 1), 𝑎𝑏𝑐(𝑛 − 1)

Análisis de Residuales:

J
35 29 1 6
23 29 2 -6
25 27.5 3 -2.5
30 27.5 4 2.5
15 16.5 5 -1.5
18 16.5 6 1.5
25 28 7 -3
31 28 8 3
22 23 9 -1
24 23 10 1
11 13 11 -2
15 13 12 2
30 33.5 13 -3.5
37 33.5 14 3.5
22 24.5 15 -2.5
27 24.5 16 2.5
12 15 17 -3
18 15 18 3
29 27.5 19 1.5
26 27.5 20 -1.5
21 23 21 -2
25 23 22 2
9 11 23 -2
13 11 24 2
31 28 25 3
25 28 26 -3
24 26.5 27 -2.5
29 26.5 28 2.5
10 11 29 -1
12 11 30 1
28 28 31 0
28 28 32 0
31 26.5 33 4.5
22 26.5 34 -4.5
8 9.5 35 -1.5
11 9.5 36 1.5
20 24 37 -4
28 24 38 4
22 27 39 -5
32 27 40 5
12 12.5 41 -0.5
13 12.5 42 0.5
29 27 43 2
25 27 44 -2
32 30.5 45 1.5
29 30.5 46 -1.5
12 10 47 2
8 10 48 -2
33 29.5 49 3.5
26 29.5 50 -3.5
27 27.5 51 -0.5
28 27.5 52 0.5
14 12.5 53 1.5
11 12.5 54 -1.5
Gráfica de Residuales (EXCEL):

Gráfica de Residuales
8

0
0 10 20 30 40 50 60
-2

-4

-6

-8

Comparación de pares de medias:

Prueba de Tukey
1) Formulación de hipótesis

𝐻0 : 𝜇𝑖 = 𝜇𝑗

𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗

2) Estadístico de prueba

𝑞∝ (𝑎 , 𝑓) 1 1
𝑇𝛼 = √𝑀𝑆𝐸 ( + )
√2 𝑛𝑖 𝑛𝑗

𝑞0.05 (3, 27 ) 1 1
𝑇𝛼 = √(14.91) ( + )
√2 2 2

3.53 1 1
𝑇𝛼 = √(14.91) ( + )
√2 2 2

𝑻𝜶 = 9.64
 𝑦11.. = 181 ; 𝑦21.. = 150; 𝑦31.. = 89 ; 𝑦12.. = 167 ; 𝑦22.. = 152;
𝑦32.. = 63 𝑦13.. = 158 𝑦23..=170 𝑦33..=70

|𝑦11.. − 𝑦21.. | = 181 − 150 = 31 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦11.. − 𝑦31.. | = 181 − 89 = 92 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦11.. − 𝑦12.. | = 181 − 167 = 14 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦11.. − 𝑦22.. | = 181 − 152 = 29 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦11.. − 𝑦32.. | = 181 − 63 = 118 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦11.. − 𝑦13.. | = 181 − 158 = 23 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦11.. − 𝑦23.. | = 181 − 170 = 11 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦11.. − 𝑦33.. | = 181 − 70 = 111 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦21.. − 𝑦31.. | = 150 − 89 = 61 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦21.. − 𝑦12.. | = 150 − 167 = 17 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦21.. − 𝑦22.. | = 150 − 152 = 2 < 𝑇𝛼 ∴ 𝑛𝑜 ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦21.. − 𝑦32.. | = 150 − 63 = 87 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦31.. − 𝑦12.. | = 89 − 167 = 78 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦31.. − 𝑦22.. | = 89 − 152 = 63 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦31.. − 𝑦32.. | = 89 − 63 = 26 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦31.. − 𝑦13.. | = 89 − 158 = 69 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦31.. − 𝑦23.. | = 89 − 170 = 81 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦31.. − 𝑦33.. | = 89 − 70 = 19 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦12.. − 𝑦22.. | = 167 − 152 = 15 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦12.. − 𝑦32.. | = 167 − 63 = 104 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦12.. − 𝑦13.. | = 167 − 158 = 9 < 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦12.. − 𝑦23.. | = 167 − 170 = 3 < 𝑇𝛼 ∴ 𝑛𝑜 ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦12.. − 𝑦33.. | = 167 − 70 = 97 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦13.. − 𝑦23.. | = 158 − 170 = 12 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦13.. − 𝑦33.. | = 158 − 70 = 88 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

|𝑦23.. − 𝑦33.. | = 170 − 70 = 100 > 𝑇𝛼 ∴ ℎ𝑎𝑦 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑠 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑎𝑠

 DISEÑO FACTORIAL GENERAL (Minitab):

Resultados para: Hoja de trabajo 3

Diseño factorial de múltiples niveles

Factores: 3 Réplicas: 2
Corridas base: 27 Total de corridas: 54
Bloques base: 1 Total de bloques: 1

Número de niveles: 3; 3; 3

Resultados para: Worksheet 1

Regresión factorial general: Y vs. A; B; C

Información del factor

Factor Niveles Valores

A 3 1; 2; 3
B 3 1; 2; 3
C 3 1; 2; 3

Análisis de Varianza

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

Modelo 26 2984.33 114.78 7.70 0.000
Lineal 6 2760.33 460.06 30.86 0.000
A 2 2708.11 1354.06 90.83 0.000
B 2 40.11 20.06 1.35 0.277
C 2 12.11 6.06 0.41 0.670
Interacciones de 2 términos 12 179.67 14.97 1.00 0.471
A*B 4 95.78 23.94 1.61 0.201
A*C 4 42.11 10.53 0.71 0.595
B*C 4 41.78 10.44 0.70 0.598
Interacciones de 3 términos 8 44.33 5.54 0.37 0.926
A*B*C 8 44.33 5.54 0.37 0.926
Error 27 402.50 14.91
Total 53 3386.83

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
3.86101 88.12% 76.67% 52.46%

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante 22.278 0.525 42.40 0.000
A
1 6.000 0.743 8.07 0.000 1.33
2 3.944 0.743 5.31 0.000 1.33
B
1 1.056 0.743 1.42 0.167 1.33
2 -1.056 0.743 -1.42 0.167 1.33
C
1 -0.278 0.743 -0.37 0.711 1.33
 2 -0.389 0.743 -0.52 0.605 1.33
A*B
1 1 0.83 1.05 0.79 0.435 1.78
1 2 0.61 1.05 0.58 0.566 1.78
2 1 -2.28 1.05 -2.17 0.039 1.78
2 2 0.17 1.05 0.16 0.875 1.78
A*C
1 1 -1.17 1.05 -1.11 0.277 1.78
1 2 -0.22 1.05 -0.21 0.834 1.78
2 1 -0.11 1.05 -0.11 0.917 1.78
2 2 0.83 1.05 0.79 0.435 1.78
B*C
1 1 1.28 1.05 1.22 0.235 1.78
1 2 -1.61 1.05 -1.53 0.137 1.78
2 1 -0.44 1.05 -0.42 0.676 1.78
2 2 1.00 1.05 0.95 0.350 1.78
A*B*C
1 1 1 -1.00 1.49 -0.67 0.507 2.37
1 1 2 0.06 1.49 0.04 0.970 2.37
1 2 1 1.56 1.49 1.05 0.305 2.37
1 2 2 -0.22 1.49 -0.15 0.882 2.37
2 1 1 1.61 1.49 1.08 0.288 2.37
2 1 2 -0.83 1.49 -0.56 0.580 2.37
2 2 1 -1.50 1.49 -1.01 0.322 2.37
2 2 2 -0.28 1.49 -0.19 0.853 2.37

Ecuación de regresión

Y = 22.278 + 6.000 A_1 + 3.944 A_2 - 9.944 A_3 + 1.056 B_1 - 1.056 B_2
+ 0.000 B_3
- 0.278 C_1 - 0.389 C_2 + 0.667 C_3 + 0.83 A*B_1 1 + 0.61 A*B_1 2 -
1.44 A*B_1 3
- 2.28 A*B_2 1 + 0.17 A*B_2 2 + 2.11 A*B_2 3 + 1.44 A*B_3 1 - 0.78 A*B_3 2
- 0.67 A*B_3 3
- 1.17 A*C_1 1 - 0.22 A*C_1 2 + 1.39 A*C_1 3 - 0.11 A*C_2 1 + 0.83 A*C_2 2
- 0.72 A*C_2 3
+ 1.28 A*C_3 1 - 0.61 A*C_3 2 - 0.67 A*C_3 3 + 1.28 B*C_1 1 - 1.61 B*C_1 2
+ 0.33 B*C_1 3
- 0.44 B*C_2 1 + 1.00 B*C_2 2 - 0.56 B*C_2 3 - 0.83 B*C_3 1 + 0.61 B*C_3 2
+ 0.22 B*C_3 3
- 1.00 A*B*C_1 1 1 + 0.06 A*B*C_1 1 2 + 0.94 A*B*C_1 1 3 + 1.56 A*B*C_1 2
1
- 0.22 A*B*C_1 2 2 - 1.33 A*B*C_1 2 3 - 0.56 A*B*C_1 3 1 + 0.17 A*B*C_1 3
2
+ 0.39 A*B*C_1 3 3 + 1.61 A*B*C_2 1 1 - 0.83 A*B*C_2 1 2 - 0.78 A*B*C_2 1
3
- 1.50 A*B*C_2 2 1 - 0.28 A*B*C_2 2 2 + 1.78 A*B*C_2 2 3 - 0.11 A*B*C_2 3
1
+ 1.11 A*B*C_2 3 2 - 1.00 A*B*C_2 3 3 - 0.61 A*B*C_3 1 1 + 0.78 A*B*C_3 1
2
- 0.17 A*B*C_3 1 3 - 0.06 A*B*C_3 2 1 + 0.50 A*B*C_3 2 2 - 0.44 A*B*C_3 2
3
+ 0.67 A*B*C_3 3 1 - 1.28 A*B*C_3 3 2 + 0.61 A*B*C_3 3 3

Ajustes y diagnósticos para observaciones poco comunes

Resid
Obs Y Ajuste Resid est.
1 35.00 29.00 6.00 2.20 R
2 23.00 29.00 -6.00 -2.20 R

Residuo grande R
 Análisis de Regresión (Diseño Simple):

Para el análisis de regresión, hemos decidido, tomar como objeto de estudio algo
distinto. Los detalles se presentan a continuación:

Se les ha pedido a 10 de los comensales de Wendy´s evaluar el sabor de la tocineta en

sus hamburguesas, puntuándolo del 1 al 10, siendo 1 malo, y 10 excelente y los datos
obtenidos se dan a continuación. Se quiere saber si el sabor de 100 gramos de tocineta
se relaciona con el porcentaje de grasa que ésta contiene, con la temperatura a la que
se cocina en la parrilla o plancha, o con la cantidad de sal en gramos que se le adiciona;
por lo que se obtuvieron los siguientes resultados:

Porcentaje de Temperatura de cocción Cantidad de Sal

Sabor
grasa (℃) (gr)
8 0.71 204 2
6 0.6 200 3
7 0.5 210 2
8 0.83 230 4
10 0.77 180 5
9 0.79 150 6
8 0.68 225 3
7 0.73 290 2
10 0.77 205 1
5 0.71 207 2

Ajustaremos un modelo de regresión lineal basado en el Diseño Simple, probaremos la

significación del modelo y realizaremos las pruebas de hipótesis de los coeficientes β.

Formulación de Hipótesis
𝐻𝑜 = 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0

𝐻1 = 𝛽𝑗 ≠ 0
 Análisis Matricial
𝛽 = (𝑥 𝑡 𝑥)−1 (𝑥 𝑡 𝑦)

X
1 0.71 204 2
1 0.6 200 3
X= 1 0.5 210 2
1 0.83 230 4
1 0.77 180 5
1 0.79 150 6
1 0.68 225 3
1 0.73 290 2
1 0.77 205 1
1 0.71 207 2

Y
8
6
7
8
Y= 10
9
8
7
10
5

Xt
1 1 1 1 1 1 1 1 1 1
𝑡
𝑋 = 0.71 0.6 0.5 0.83 0.77 0.79 0.68 0.73 0.77 0.71
204 200 210 230 180 150 225 290 205 207
2 3 2 4 5 6 3 2 1 2

Xt*X
𝑋𝑡 𝑋 = 10 7.09 2101 30
7.09 5.1123 1487.36 21.82
2101 1487.36 453115 6022
30 21.82 6022 112
 Xt*X-1
(𝑋 𝑡 𝑋)−1 =
11.5722147 -7.07468759 -0.02647862 -0.2977007
-7.07468759 14.5083277 -0.00854846 -0.47189531
-0.02647862 -0.00854846 0.00012841 0.0018538
-0.2977007 -0.47189531 0.0018538 0.08093006

Xt*Y
𝑡 78
𝑋 𝑌=
56.03
16207
242

Beta
𝛽= 5.0553572
8.3324612
-0.01460862
-0.03126708

Ecuación de regresión:

𝑦 = 5.0553 + 8.332𝑋1 − 0.014𝑋2 − 0.031𝑋3

Suma de cuadrados:
n
y.2
𝑆𝑆𝑇 = ∑ yi2 −
n
i=1

(78)2
𝑆𝑆𝑇 = (8)2 + (6)2 + ⋯ + (5)2 −
10

𝑺𝑺𝑻 = 23.6

𝑦.2
𝑆𝑆𝑅 = 𝛽 𝑡 (𝑥 𝑡 𝑦) −
𝑛

Xt*Y
𝑡( 𝑡 Betat
𝛽 𝑥 𝑦) = 78
- - 56.03
= 5.0553572 8.3324612 0.01460862 0.03126708 16207
𝛽 𝑡 (𝑥 𝑡 𝑦) = 616.8571 242

(78)2
𝑆𝑆𝑅 = 616.8571 −
10

𝑺𝑺𝑹 = 8.457

𝑆𝑆𝐸 = SST − SSR

𝑺𝑺𝑬 = 23.6 − 8.457 = 15.143

Análisis de varianza
Tabla ANOVA

Fuente Sumas de Grados de Cuadrados

f calculada
variación cuadrados libertad medios

Regresión 8.457 3.00 2.819 1.117

Errores 15.143 6.00 2.523

Total 23.6 9.00

Cálculo del percentil:

𝑓1−𝛼,𝑘,𝑛−𝑘−1 = 𝑓1−0.05,3,10−3−1 = 𝑓0.95,3,6 = 4.76

Conclusión:
No se rechaza la hipótesis nula, ya que 𝑓𝑅 < 𝑓1−𝛼,𝑘,𝑛−𝑘−1 , y por tanto, no hay
correlación entre el sabor de la tocineta y las variables predictoras: Porcentaje de
grasa(X1), Temperatura de cocción(X2) y Cantidad de sal(X3).

f
𝑓𝑅
Coeficiente de correlación:
𝑆𝑆𝑅
𝑅 2 × 100% = × 100%
𝑆𝑆𝑇

8.457
𝑅 2 × 100% = × 100
23.6

𝑅 2 × 100% = 𝟑𝟓. 𝟖𝟑%

Conclusión
El 35.83% de los puntos muestrales satisfacen la ecuación de regresión.

Prueba de hipótesis a los coeficientes β

Prueba de hipótesis para β1

𝐻0 : β1 = 0 : Implica que el porcentaje de grasa no afecta significativamente el sabor de
la tocineta.

𝐻0 : β1 ≠ 0 : Implica que el porcentaje de grasa sí afecta significativamente el sabor de

la tocineta.

Estadístico de prueba:
𝛽1
𝑡0 =
√𝑀𝑆𝐸 (𝐶11 )

8.33
𝑡0 = = 𝟏. 𝟑𝟕𝟔𝟖
√2.523(14.51)

Cálculo del percentil

𝑡1−𝛼, 𝑛−𝑘−1 = 𝑡 0.05 = 𝑡0.975, 6 = 𝟐. 𝟒𝟒𝟕
2 1− , 10−3−1
2
Conclusión:
No se rechaza la hipótesis nula, ya que |𝑡0 | < 𝑡1−𝛼, 𝑛−𝑘−1 y por tanto, el porcentaje de
2

grasa no afecta significativamente el sabor de la tocineta.

𝑡1−𝛼, 𝑛−𝑘−1
2

𝑡o

Prueba de hipótesis para β2

𝐻0 : β2 = 0 : Implica que la temperatura de cocción no afecta significativamente el
sabor de la tocineta

𝐻0 : β2 ≠ 0 : Implica que la temperatura de cocción sí afecta significativamente el sabor

de la tocineta

Estadístico de prueba:
𝛽2
𝑡0 =
√𝑀𝑆𝐸 (𝐶22 )

−0.014
𝑡0 = = −𝟒𝟑. 𝟐𝟏
√2.523(0.00012841)

Cálculo del percentil

𝑡1−𝛼, 𝑛−𝑘−1 = 𝑡 0.05 = 𝑡0.975, 6 = 𝟐. 𝟒𝟒𝟕
2 1− , 10−3−1
2
Conclusión:
Se rechaza la hipótesis nula, ya que |𝑡0 | > 𝑡1−𝛼, 𝑛−𝑘−1 y por tanto, la temperatura de
2

cocción sí afecta significativamente el sabor de la tocineta.

𝑡o 𝑡1−𝛼, 𝑛−𝑘−1
2

Prueba de hipótesis para β3

𝐻0 : β3 = 0 : Implica que la cantidad de sal no afecta significativamente el sabor de la
tocineta.

𝐻0 : β3 ≠ 0 : Implica que la cantidad de sal sí afecta significativamente el sabor de la

tocineta.

Estadístico de prueba
𝛽3
𝑡0 =
√𝑀𝑆𝐸 (𝐶33 )

−0.031
𝑡0 = = −𝟎. 𝟎𝟔𝟖𝟔
√2.523(0.08093)

Cálculo del percentil

𝑡1−𝛼, 𝑛−𝑘−1 = 𝑡 0.05 = 𝑡0.975, 6 = 𝟐. 𝟒𝟒𝟕
2 1− , 10−3−1
2
Conclusión
No se rechaza la hipótesis nula, ya que |𝑡0 | < 𝑡1−𝛼, 𝑛−𝑘−1 y por tanto, la cantidad de
2

sal no afecta significativamente el sabor de la tocineta.

𝑡o 𝑡1−𝛼, 𝑛−𝑘−1
2

Análisis de residuales:
εi = yi − (βo + β1 X1i + β2 X2i + β3 X3i )

ε1 = 8 − (5.0553 + 8.332(1) − 0.014(1) − 0.031(1))

ε1 = −5.34

ε2 = 6 − (5.0553 + 8.332(2) − 0.014(1) − 0.031(1))

ε2 = −15.67

ε3 = 7 − (5.0553 + 8.332(1) − 0.014(2) − 0.031(1))

ε3 = −6.33

ε4 = 8 − (5.0553 + 8.332(1) − 0.014(1) − 0.031(3))

ε4 = −5.28

ε5 = 10 − (5.0553 + 8.332(3) − 0.014(1) − 0.031(2))

ε5 = −19.97

ε6 = 9 − (5.0553 + 8.332(2) − 0.014(2) − 0.031(1))

ε6 = −15.66

ε7 = 8 − (5.0553 + 8.332(2) − 0.014(1) − 0.031(3))

ε7 = −13.61

ε8 = 7 − (5.0553 + 8.332(3) − 0.014(2) − 0.031(1))

ε8 = −22.99

ε9 = 10 − (5.0553 + 8.332(3) − 0.014(2) − 0.031(2))

ε9 = −19.96

ε10 = 5 − (5.0553 + 8.332(2) − 0.014(2) − 0.031(1))

ε10 = −16.66

Prueba de normalidad (Gráfico de Normalidad):

 Análisis de Regresión (Diseño Simple: Minitab)

Análisis de regresión: Y vs. X1; X2; X3

Análisis de Varianza

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

Regresión 3 8.4571 2.81904 1.12 0.413
X1 1 4.7855 4.78552 1.90 0.218
X2 1 1.6620 1.66201 0.66 0.448
X3 1 0.0121 0.01208 0.00 0.947
Error 6 15.1429 2.52381
Total 9 23.6000

Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
1.58865 35.84% 3.75% 0.00%

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante 5.06 5.40 0.94 0.386
X1 8.33 6.05 1.38 0.218 1.24
X2 -0.0146 0.0180 -0.81 0.448 1.50
X3 -0.031 0.452 -0.07 0.947 1.78

Ecuación de regresión

Y = 5.06 + 8.33 X1 - 0.0146 X2 - 0.031 X3

Ajustes y diagnósticos para observaciones poco comunes.

Resid
Obs Y Ajuste Resid est.
10 5.000 7.885 -2.885 -2.02 R
 Análisis de Regresión (Diseño Completo Cuadrático):

Utilizando los mismos datos anteriores, resolveremos el problema también por el

Diseño Completo Cuadrático. Por lo que luego de realizar los cálculos de los factores
cuadráticos y las interacciones, la tabla queda de la siguiente manera:

Y X1 X2 X3 X4 X5 X6 X7 X8 X9

8 0.71 204 2 0.5041 41616 4 144.84 1.42 408

6 0.6 200 3 0.36 40000 9 120 1.8 600
7 0.5 210 2 0.25 44100 4 105 1 420
8 0.83 230 4 0.6889 52900 16 190.9 3.32 920
10 0.77 180 5 0.5929 32400 25 138.6 3.85 900
9 0.79 150 6 0.6241 22500 36 118.5 4.74 900
8 0.68 225 3 0.4624 50625 9 153 2.04 675
7 0.73 290 2 0.5329 84100 4 211.7 1.46 580
10 0.77 205 1 0.5929 42025 1 157.85 0.77 205
5 0.71 207 2 0.5041 42849 4 146.97 1.42 414

Al insertar los valores anteriores, en Minitab, tenemos que:

Análisis de regresión: Y vs. X1; X2; X3; X4; X5; X6; X7; X8; X9

Análisis de Varianza

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

Regresión 9 23.6000 2.62222 * *
X1 1 0.5915 0.59147 * *
X2 1 0.3177 0.31772 * *
X3 1 0.4505 0.45048 * *
X4 1 0.9548 0.95477 * *
X5 1 4.4740 4.47396 * *
X6 1 0.8187 0.81869 * *
X7 1 1.7391 1.73913 * *
X8 1 0.9795 0.97948 * *
X9 1 0.0463 0.04628 * *
Error 0 0.0000 *
Total 9 23.6000

Resumen del modelo

 R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
* 100.00% * *

Coeficientes

EE del
Término Coef coef. Valor T Valor p VIF
Constante -805.8 * * *
X1 388.8 * * * 21853.78
X2 3.362 * * * 415968.94
X3 204.6 * * * 2044114.62
X4 2415 * * * 926898.71
X5 0.01361 * * * 96783.89
X6 -17.09 * * * 410292.67
X7 -14.25 * * * 1123467.44
X8 -170.3 * * * 469779.36
X9 0.08226 * * * 80157.51

Ecuación de regresión

Y = -805.8 + 388.8 X1 + 3.362 X2 + 204.6 X3 + 2415 X4 + 0.01361 X5 - 17.09 X6 -

14.25 X7
- 170.3 X8 + 0.08226 X9

* NOTA * No se puede graficar el tipo de residuo especificado, porque MSE = 0 o los

grados de
libertad para error = 0.

Por Minitab, podemos ver que se nos anula la suma de cuadrados del error, por lo
que podemos concluir directamente que en este caso no hay aditividad entre las
variables, y que, por tanto, no vale la pena realizar este diseño.
 Conclusión

Luego de haber realizado un análisis minucioso de los datos muestrales, hemos llegado
a la conclusión de que sólo el Factor A (Tipo de Carne) afecta significativamente el
volumen de ventas de las hamburguesas. Por lo que éste es el factor al que más
importancia debería de darle la empresa.

Luego se procedió a aplicar el Análisis de Regresión para datos distintos; en éste caso,
la respuesta era: el sabor de la tocineta en las hamburguesas y los factores o variables
predictoras eran: el porcentaje de grasa, la temperatura de cocción y la cantidad de sal
agregada a la tocineta. El objetivo de esto es estudiar la correlación que existe entre
las variables predictoras y la respuesta, obteniendo como resultado que no hay
correlación entre el sabor de la tocineta y las variables predictoras: porcentaje de
grasa (X1), temperatura de cocción X2) y la cantidad de sal agregada a la tocineta (X3).
 Bibliografía

 Douglas C. Montgomery, (2004). Diseño y Análisis de Experimentos (2da

edición), Universidad Estatal De Arizona. Limusa Wiley