Carrera: Ing. de Sistemas Msc.

Manuel Morales Martínez

UNIVERSIDAD NACIONAL DE INGENIERÍA

RECINTO UNIVERSITARIO PEDRO ARAUZ PALACIOS

Asignatura: Estadística II
Unidad II: Diseño y Análisis de Experimentos
Tema: Diseño Factorial de Dos y Tres Factores.

Principios y definiciones básicas:

Considérese una situación en la cual es de interés estudiar el efecto de dos factores A y B
sobre alguna respuesta. El termino Factor se utiliza en un sentido general para determinar
cualquier característica del experimento tal como la temperatura, el tiempo o la presión, que
puede variar de prueba a prueba. Se definen los niveles de un factor como los valores reales
utilizados en el experimento.

En cada caso es importante no solo determinar si los dos factores influyen sobre la
respuesta, sino también si existe una interacción significativa entre ellos. Un experimento
factorial de dos factores – por ejemplo – involucra pruebas experimentales (o una sola
prueba) con todas las combinaciones factoriales; interesa saber cómo ambos afectan el
valor de la variable de salida en la muestra y si interactúan o no.

Muchos experimentos se llevan a cabo para estudiar los efectos producidos por dos o más
factores. Los diseños factoriales son los más eficientes para este tipo de experimentos.

Por Diseño Factorial se entiende aquel en el que se investigan todas las posibles
combinaciones de los niveles de los factores en cada ensayo completo o réplica del
experimento. Por ejemplo, si existen a niveles del factor A y b niveles del factor B, entonces
cada réplica del experimento contiene todas las ab combinaciones de los tratamientos.

El Efecto de un Factor se define como el cambio en la respuesta producida por un cambio

en el nivel del factor. Con frecuencia, este se conoce como efecto principal porque se refiere
a los factores de interés primordial del experimento.

Por ejemplo, consideremos el siguiente diseño:

Tabla1 Factor B
B1 B2
Factor A A1 20 30
A2 40 52

El efecto principal del factor A podría interpretarse como la diferencia entre la respuesta
promedio en el primero y segundo nivel de ese factor. Numéricamente

40 + 52 20 + 30
𝐴= − = 21
2 2

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

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

30 + 52 20 + 40
𝐵= − = 11
2 2

1
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

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 otros factores. Cuando esto
ocurre existe una interacción entre los factores. Por ejemplo, consideremos los datos del
siguiente diseño:
Tabla 2 Factor B
B1 B2
Factor A A1 20 40
A2 50 12

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 interacción entre los factores A y B porque el efecto de A
depende del nivel elegido de B.

Estas ideas pueden ilustrarse gráficamente. En el grafico 1, se muestra los datos de la tabla
1, se observa que las rectas B1 y B2 son, aproximadamente paralelas, esto indica que no
hay interacción entre los factores.

Grafico 1:

De manera similar, en el grafico 2 se presentan los datos de la tabla 2, en este caso se ve

que las rectas B1 y B2 no son paralelas, más bien se cruzan, esto muestra que existe una
interacción entre A y B.

Grafico 2:

2
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

Con frecuencia, estas gráficas son muy útiles para interpretar interacciones significativas y
presentar resultados a personas con poco conocimiento estadístico. Sin embargo, no debe
ser la única técnica para analizar los datos, porque su interpretación es subjetiva y su
apariencia, a menudo es engañosa.

Podemos notar que cuando la interacción es grande los correspondientes efectos

principales tienen poco significado practico. Un efecto principal de los factores de la tabla
2…
50 + 12 20 + 40
𝐴= − =1
2 2
40 + 12 20 + 50
𝐵= − = −9
2 2

El efecto principal del factor A es igual a 1 el cual resulta ser muy pequeño, corriéndose el
riesgo de concluir que no existe un efecto debido al factor A. El factor A tiene un efecto,
pero depende del nivel del factor B. En otras palabras, es más útil conocer la interacción
AB que el efecto principal. Una interacción significativa oculta a menudo el significado de
los efectos principales.

Diseño de Dos Factores.

Con objeto de presentar fórmulas generales para el análisis de varianza de un experimento

de dos factores utilizando observaciones repetidas en un diseño completamente
aleatorizado, consideremos el caso de n réplicas de las combinaciones de tratamiento
determinadas por a niveles del factor A y b niveles del factor B. Las observaciones pueden
clasificarse por medio de un arreglo rectangular en el cual (normalmente) las filas
representan los niveles del factor A y las columnas los del factor B. Cada combinación de
tratamiento define una celda en el arreglo. Entonces se tienen ab celdas, y cada celda
contiene n observaciones (o réplicas).

Las observaciones pueden describirse mediante el modelo estadístico lineal:

𝑖 = 1,2, … , 𝑎
𝑦𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + (𝜏𝛽)𝑖𝑗 + 𝜀𝑖𝑗𝑘 { 𝑗 = 1,2, … , 𝑏
𝑘 = 1,2, … , 𝑛

3
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

en donde:
𝑦𝑖𝑗𝑘 : es la ijk – ésima observación.
𝜇: es un parámetro común a todos los tratamientos denominado “media global”.
𝜏𝑖 : es un parámetro único para el i – ésimo nivel de tratamiento A, llamado “Efecto del
Tratamiento i – ésimo”.
𝛽𝑗 : es un parámetro único para el j – ésimo nivel de tratamiento B, llamado “Efecto del
Bloque j – ésimo”.
(𝜏𝛽)𝑖𝑗 : es el efecto de la interacción entre los tratamientos A y B.
𝜀𝑖𝑗 : es la componente aleatoria de error.
El procedimiento de prueba se reduce a la tabla de Análisis de Varianza (ANOVA) siguiente:

Fuente de Suma de Grados de Cuadrados Estadístico FO

variación cuadrados libertad medios
Tratamiento A SCA. a–1 CMA 𝐶𝑀𝐴
𝐹0 =
𝐶𝑀𝐸
Tratamiento B SCB. b–1 CMB 𝐶𝑀𝐵
𝐹0 =
𝐶𝑀𝐸
Interacción AB SCAB (a – 1)(b -1) CMAB 𝐶𝑀𝐴𝐵
𝐹0 =
𝐶𝑀𝐸
Error (dentro SCE ab (n – 1) CME
de
tratamientos)
TOTAL SCT (ab) - 1

en donde N = abn
𝑎 𝑏 𝑛 𝑎 𝑏
2
𝑦.2. . 𝑦𝑖2. . 𝑦.2. . 𝑦.2𝑗 . 𝑦.2. .
𝑆𝐶𝑇 = ∑ ∑ ∑ 𝑦𝑖𝑗𝑘 − 𝑆𝐶𝐴 = ∑ − 𝑆𝐶𝐵 = ∑ −
𝑁 𝑏𝑛 𝑁 𝑎𝑛 𝑁
𝑖=1 𝑗=1 𝑘=1 𝑖=1 𝑗=1

𝑎
2 𝑏
𝑦𝑖𝑗 . 𝑦.2. .
𝑆𝐶𝑠𝑢𝑏𝑡𝑜𝑡𝑎𝑙𝑒𝑠 = ∑ ∑ − 𝑆𝐶𝐴𝐵 = 𝑆𝐶𝑠𝑢𝑏𝑡𝑜𝑡𝑎𝑙𝑒𝑠 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵
𝑛 𝑁
𝑖=1 𝑗=1

𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝐴𝐵 𝑜 𝑏𝑖𝑒𝑛 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑠𝑢𝑏𝑡𝑜𝑡𝑎𝑙𝑒𝑠.

Para probar la igualdad en las medias de los tratamientos A y B, hay que usar el estadístico
F0 que tiene una distribución F – Fisher (F, 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 críticas corresponden al extremo superior de la distribución F.

EJEMPLO 4:
En un experimento llevado a cabo para determinar cual de tres sistemas de arranque es
preferible, se midió el promedio de consumo de los inyectores para 24 encendidos estáticos
de ciertas máquinas industriales. Se utilizaron cuatro tipos diferentes de inyectores. En el
experimento se obtuvieron dos observaciones de promedios de consumo en cada
combinación de los tratamientos. Los datos después de codificarse se presentan en la tabla
siguiente. Utilice un nivel de significancia de 0.05 para probar, que no existe diferencia en

4
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

las tasas medias de consumo de los inyectores cuando se utilizan diferentes sistemas de
arranque, que no existe diferencia en las tasas medias de consumo de los cuatro tipos de
inyectores y que no existe interacción entre los diferentes sistemas de arranque y los
diferentes tipos de inyectores.

Sistema Tipo de inyector

de arranque B1 B2 B3 B4
A1 34.0 30.1 29.8 29.0
32.7 32.8 26.7 28.9
A2 32.0 30.2 28.7 27.6
33.2 29.8 28.1 27.8
A3 28.4 27.3 29.7 28.8
29.3 28.9 27.3 29.1

Las Hipótesis por probar son:

𝐻 0 : 𝜏1 = 𝜏2 = 𝜏3 = 0
𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝜏𝑗 ≠ 0

𝐻0 : 𝛽 1 = 𝛽 2 = 𝛽 3 = 0
𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 𝛽𝑘 ≠ 0

𝐻0 : (𝜏𝛽)11 = (𝜏𝛽)12 = ⋯ = (𝜏𝛽)34 = 0

𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑎 (𝜏𝛽)𝑖𝑗 ≠ 0

Primeramente, se obtienen los totales de cada combinación de elementos:

Sistema Tipo de inyector

de arranque B1 B2 B3 B4 Total
A1 66.7 62.9 56.5 57.9 244.0
A2 65.2 60.0 56.8 55.4 237.4
A3 57.7 56.2 57.0 57.9 228.8
Total 189.6 179.1 170.3 171.2 710.2

Ahora, calculamos las Sumas de Cuadrados:

710.22
𝑆𝐶𝑇 = [34.02 + 32.72 + ⋯ + 29.12 ] − [ ] = 21,107.68 − 21,016.00 = 91.68
24

244.02 + 237.42 + 228.82 710.22

𝑆𝐶𝐴 = [ ]−[ ] = 21,030.52 − 21,016.00 = 14.52
8 24

189.62 + 179.12 + 170.32 + 171.22 710.22

𝑆𝐶𝐵 = [ ]−[ ] = 21,056.08 − 21,016.00
6 24
= 40.08

5
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

66.72 + 65.22 + ⋯ + 57.92 710.22

𝑆𝐶𝑠𝑢𝑏𝑡𝑜𝑡𝑎𝑙𝑒𝑠 = [ ]−[ ] = 21,092.77 − 21,016.00
2 24
= 76.77

𝑆𝐶𝐴𝐵 = 76.77 − 14.52 − 40.08 = 22.17

Estos datos se resumen en la tabla ANOVA:

Fuente de variación Suma de Grados de Cuadrados Estadístico

cuadrados libertad medios FO
Sistema de arranque 14.52 2 7.26 5.85
Tipo de inyector 40.08 3 13.36 10.77
Interacción AB 22.17 6 3.70 2.98
Error 14.91 12 1.24
TOTAL 91.68 23

Con los resultados obtenidos a partir de la tabla ANOVA y utilizando un nivel de significancia
de 0.05 se tiene que F0.05,2,12 = 3.89; F0.05,3,12 = 3.49; F0.05,6,12 = 3.00, talque se debe rechazar
la hipótesis relacionada con los sistemas de arranque y el tipo de inyector, esto significa
que los diferentes sistemas de arranque implican diferentes tasas de promedio de consumo
del inyector, y que las tasas promedio de consumo del inyector no son las mismas para los
cuatro tipos de sistemas de arranque. Por otro lado, la decisión respecto a la interacción
hay que tomarla con cautela por la diferencia mínima que hay respecto al estadístico de
prueba.

Una mirada rápida a la tabla de totales en dos direcciones sugiere que el efecto del tipo de
inyector depende definitivamente del sistema de arranque que se esté utilizando. Por
ejemplo, para el sistema tres, el efecto del tipo de inyector no parece ser importante. Esto
explica la “posible” interacción entre ambos factores.

Gráficamente, podemos ver lo dicho anteriormente.

6
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

EJEMPLO:
Si seleccionamos dos contrastes ortogonales para dividir la suma de cuadrados para el
sistema de arranque en componentes de un solo grado de libertad para utilizarlos en la
comparación de los sistemas 1 y 2 con el 3 y el 1 con el 2.

SOLUCIÓN:
El contraste para comparar los sistemas 1 y 2 con el 3 está dado por:

𝐻0 : 𝜇1 + 𝜇2 − 2𝜇3 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝐶1 : 𝑦1 . + 𝑦2 . − 2𝑦3 .

[244.0 + 237.4 − (2)(228.8)]2

𝑆𝐶𝐶1 = = 11.80
(8)[(1)2 + (1)2 + (−2)2 ]

Un segundo contraste ortogonal para comparar el sistema 1 con el sistema 2 está dado por:

𝐻0 : 𝜇1 − 𝜇2 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟 𝐶2 : 𝑦1 . − 𝑦2 .

[244.0 − 237.4]2
𝑆𝐶𝐶1 = = 2.72
(8)[(1)2 + (−1)2 ]

Notemos que 𝑆𝐶𝐶1 + 𝑆𝐶𝐶2 = 𝑆𝐶𝐴, tal como se esperaba. Los estadísticos de prueba
respectivos son respectivamente:
11.80
𝐹01 = = 9.5
1.24

2.72
𝐹02 = = 2.2
1.24

En comparación con el valor crítico F0.05,1,12 = 4.72, se encuentra que F01 es significativa. De
hecho, el primer contraste indica que se rechaza la hipótesis relacionada, en cuanto al
segundo contraste el estadístico F02 es menor que el valor crítico lo que determina que el
consumo del primero y segundo sistema de arranque no son significativamente diferentes.

7
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

Diseño de Tres Factores.

Consideremos un experimento con tres factores A, B y C con niveles a, b y c

respectivamente, en un diseño experimental completamente aleatorizado. Supongamos de
nuevo que se tienen n observaciones para cada una de las abc combinaciones de
tratamiento. Se procederá a esbozar las pruebas de significancia para los tres efectos
principales y las interacciones involucradas.

Las observaciones pueden describirse mediante el modelo estadístico lineal:

𝑖 = 1,2, … , 𝑎
𝑗 = 1,2, … , 𝑏
𝑦𝑖𝑗𝑘𝑙 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + 𝜏𝑘 + (𝛼𝛽)𝑖𝑗 + (𝛼𝜏)𝑖𝑘 + (𝛽𝜏)𝑗𝑘 + (𝛼𝛽𝜏)𝑖𝑗𝑘 + 𝜀𝑖𝑗𝑘𝑙 {
𝑘 = 1,2, … , 𝑐
𝑙 = 1,2, … , 𝑛
en donde:
𝑦𝑖𝑗𝑘𝑙 : es la ijkl – ésima observación.
𝜇: es un parámetro común a todos los tratamientos denominado “media global”.
𝑖 : es un parámetro único para el i – ésimo nivel de tratamiento A, llamado “Efecto del
Tratamiento i – ésimo”.
𝛽𝑗 : es un parámetro único para el j – ésimo nivel de tratamiento B, llamado “Efecto del
Bloque j – ésimo”.
𝜏𝑖 : es un parámetro único para el k – ésimo nivel de tratamiento C, llamado “Efecto del
Bloque k – ésimo”.
(𝛼𝛽)𝑖𝑗 : es el efecto de la interacción entre los tratamientos A y B.
(𝛼𝜏)𝑖𝑘 : es el efecto de la interacción entre los tratamientos A y C.
(𝛽𝜏)𝑗𝑘 : es el efecto de la interacción entre los tratamientos B y C.
(𝛼𝛽𝜏)𝑖𝑗𝑘 : es el efecto de la interacción entre los tratamientos A, B y C.
𝜀𝑖𝑗 : es la componente aleatoria de error.
La filosofía general del análisis es la misma que la utilizada para los experimentos de uno
y dos factores. La suma de cuadrados se particiona en ocho términos, cada uno representa
una fuente de variación de las cuales se obtienen estimaciones independientes de la
varianza cuando todos los efectos principales y los efectos de interacción son cero. Si los
efectos de cualquier factor o interacción dados no son todos cero, entonces el cuadrado
medio estimará la varianza del error más una componente debida al efecto sistemático en
cuestión.

El ANOVA respectivo es:

Fuente de Suma de Grados de Cuadrados Estadístico FO

variación cuadrados libertad medios
Tratamiento A SCA. a–1 CMA 𝐶𝑀𝐴
𝐹0 =
𝐶𝑀𝐸
Tratamiento B SCB. b–1 CMB 𝐶𝑀𝐵
𝐹0 =
𝐶𝑀𝐸
Tratamiento C SCC. c–1 CMC 𝐶𝑀𝐶
𝐹0 =
𝐶𝑀𝐸
INTERACCIONES

8
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

Interacción AB SCAB (a – 1)(b -1) CMAB 𝐶𝑀𝐴𝐵

𝐹0 =
𝐶𝑀𝐸
Interacción AC SCAC (a – 1)(c -1) CMAC 𝐶𝑀𝐴𝐶
𝐹0 =
𝐶𝑀𝐸
Interacción BC SCBC (b – 1)(c -1) CMBC 𝐶𝑀𝐵𝐶
𝐹0 =
𝐶𝑀𝐸
Interacción ABC SCABC (a – 1)(b -1)(c – 1) CMABC 𝐶𝑀𝐴𝐵𝐶
𝐹0 =
𝐶𝑀𝐸
Error (dentro de SCE abc (n – 1) CME
tratamientos)
TOTAL SCT (abcn) - 1

Las sumas de los cuadrados se calculan substituyendo los totales apropiados en las
siguientes fórmulas de cálculo:

𝑎 𝑏 𝑐 𝑛
2
𝑦.2. . .
𝑆𝐶𝑇 = ∑ ∑ ∑ ∑ 𝑦𝑖𝑗𝑘𝑙 −
𝑎𝑏𝑐𝑛
𝑖=1 𝑗=1 𝑘=1 𝑙=1

∑𝑎𝑖=1 𝑦𝑖2 . . . 𝑦.2. . . ∑𝑏𝑖=1 𝑦.2𝑗 . . 𝑦.2. . . ∑𝑐𝑖=1 𝑦.2. 𝑘 . 𝑦.2. . .

𝑆𝐶𝐴 = − 𝑆𝐶𝐵 = − 𝑆𝐶𝐶 = −
𝑏𝑐𝑛 𝑎𝑏𝑐𝑛 𝑎𝑐𝑛 𝑎𝑏𝑐𝑛 𝑎𝑏𝑛 𝑎𝑏𝑐𝑛

∑𝑎𝑖=1 ∑𝑏𝑗=1 𝑦𝑖2𝑗 . . ∑𝑎𝑖=1 𝑦𝑖2 . . . ∑𝑏𝑖=1 𝑦.2𝑗 . . 𝑦.2. . .

𝑆𝐶𝐴𝐵 = − − +
𝑐𝑛 𝑏𝑐𝑛 𝑎𝑐𝑛 𝑎𝑏𝑐𝑛

∑𝑎𝑖=1 ∑𝑐𝑘=1 𝑦𝑖2. 𝑘 . ∑𝑎𝑖=1 𝑦𝑖2 . . . ∑𝑐𝑘=1 𝑦.2. 𝑘 . 𝑦.2. . .

𝑆𝐶𝐴𝐶 = − − +
𝑏𝑛 𝑏𝑐𝑛 𝑎𝑏𝑛 𝑎𝑏𝑐𝑛

∑𝑏𝑗=1 ∑𝑐𝑘=1 𝑦.2𝑗 𝑘 . ∑𝑏𝑗=1 𝑦.2𝑗 . . ∑𝑐𝑘=1 𝑦.2. 𝑘 . 𝑦.2. . .

𝑆𝐶𝐵𝐶 = − − +
𝑎𝑛 𝑎𝑐𝑛 𝑎𝑏𝑛 𝑎𝑏𝑐𝑛

∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1 𝑦𝑖2𝑗 𝑘 . ∑𝑎𝑖=1 ∑𝑏𝑗=1 𝑦𝑖2𝑗 . ∑𝑎𝑖=1 ∑𝑐𝑘=1 𝑦𝑖2.
. 𝑘 . ∑𝑏𝑗=1 ∑𝑐𝑘=1 𝑦.2𝑗 𝑘 .
𝑆𝐶𝐴𝐵𝐶 = − − −
𝑛 𝑐𝑛 𝑏𝑛 𝑎𝑛
∑𝑎𝑖=1 𝑦𝑖2 . . . ∑𝑏𝑖=1 𝑦.2𝑗 . . ∑ 𝑐
𝑦 2
𝑘=1 . . 𝑘 . 𝑦 2
. . . .
+ + + −
𝑏𝑐𝑛 𝑎𝑐𝑛 𝑎𝑏𝑛 𝑎𝑏𝑐𝑛

𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝐶 − 𝑆𝐶𝐴𝐵 − 𝑆𝐶𝐴𝐶 − 𝑆𝐶𝐵𝐶 − 𝑆𝐶𝐴𝐵𝐶

Ejemplo 5:

En la producción de un material en particular, hay tres variables que interfieren: A es el

efecto del Operador (3 operadores); B es el catalizador utilizado en el experimento (3
catalizadores) y C el tiempo de lavado del producto a continuación del proceso de
enfriamiento (15 y 20 minutos). Con cada combinación de factores se hicieron tres pruebas.
Se realiza un ANOVA para estudiar el efecto de los tres factores todas las interacciones
entre los factores con un nivel de significancia de 0.05. Los resultados codificados son los
siguientes:

9
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

Operador Tiempo de lavado

(A) 15 minutos (B) 20 minutos (B)
1 2 3 1 2 3
10.7 10.3 11.2 10.9 10.5 12.2 65.8
10.8 10.2 11.6 12.1 11.1 11.7 67.5
1 199.9
11.3 10.5 12.0 11.5 10.3 11.0 66.6
32.8 31.0 34.8 34.5 31.9 34.9
98.6 101.3
11.4 10.2 10.7 9.8 12.6 10.8 65.5
11.8 10.9 10.5 11.3 7.5 10.2 62.2
2 192.2
11.5 10.5 10.2 10.9 9.9 11.5 64.5
34.7 31.6 31.4 32.0 30.0 32.5
97.7 94.5
13.6 12.0 11.1 10.7 10.2 11.9 69.5
14.1 11.6 11.0 11.7 11.5 11.6 71.5
3 214.3
14.5 11.5 11.5 12.7 10.9 12.2 73.3
42.2 35.1 33.6 35.1 32.6 35.7
110.9 103.4
109.7 97.7 99.8 101.6 94.5 103.1
307.2 299.2
606.4

SOLUCIÓN:
(606.4)2
𝑆𝐶𝑇 = 10.72 + 10.82 + ⋯ + 12.22 − = 6872.84 − 6809.65 = 63.19
54

199.92 + 192.22 + 214.32 (606.4)2

𝑆𝐶𝐴 = − = 6823.63 − 6809.65 = 13.98
18 54

211.32 + 192.22 + 202.92 (606.4)2

𝑆𝐶𝐵 = − = 6819.83 − 6809.65 = 10.18
18 54

307.22 + 299.22 (606.4)2

𝑆𝐶𝐶 = − = 6810.83 − 6809.65 = 1.18
27 54

67.32 + 66.72 + ⋯ + 69.32 (606.4)2

𝑆𝐶𝐴𝐵 = + − 6823.63 − 6819.83 = 4.78
6 54

98.62 + 97.72 + ⋯ + 103.42 (606.4)2

𝑆𝐶𝐴𝐶 = + − 6823.63 − 6810.83 = 2.92
9 54

109.72 + 97.72 + ⋯ + 103.12 (606.4)2

𝑆𝐶𝐵𝐶 = + − 6819.83 − 6810.83 = 3.64
9 54

32.82 + 34.72 + ⋯ + 35.72 (606.4)2

𝑆𝐶𝐴𝐵𝐶 = − − 6838.59 − 6827.73 − 6824.65
3 54
+ 6823.63 + 6819.83 + 6810.83 = 4.89

10
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

𝑆𝐶𝐸 = 63.19 − 13.98 − 10.18 − 1.18 − 4.78 − 2.92 − 3.64 − 4.89 = 21.62

ANOVA
Fuente de variación Suma de Grados de Cuadrados Estadístico F0
cuadrados libertad medios
Operador (A) 13.98 2 6.99 11.65
Catalizador (B) 10.18 2 5.09 8.48
Tiempo Lavado (C) 1.18 1 1.18 1.97
Interacciones
AB 4.78 4 1.20 2.00
AC 2.92 2 1.46 2.73
BC 3.64 2 1.82 3.03
ABC 4.89 4 1.22 2.03
ERROR 21.62 36 0.60
TOTAL 63.19 53

Las posibles interacciones entre los factores, se observa en las siguientes gráficas:

11
Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

12
 Carrera: Ing. de Sistemas Msc. Manuel Morales Martínez

Use un coeficiente de confianza para completar el Análisis, realizando las pruebas de

hipótesis y emitiendo las respectivas conclusiones.

13