UNIVERSIDAD JUÁREZ AUTÓNOMA DE TABASCO

DIVISIÓN ACADÉMICA DE INGENIERÍA Y ARQUITECTURA

MAESTRIA EN CIENCIAS EN INGENIERÍA

Trabajo Final
CAPITULOS 7, 8, 11, 12

Diseño de Experimentos: z

CUNDUACÁN, TABASCO DICIEMBRE DE 2016

PROBLEMA 1 (Ejercicio 8 página 222)

Se desea investigar el efecto del tipo y cantidad (%) de almidón sobre la friabilidad
(%) de tabletas. Se corre un diseño 3x3 con n = 4 réplicas. Los datos obtenidos se
muestran a continuación:
Almidón (%)
Tipo de Almidon 26% 30% 40%
Pregelatinizado 0.7782 0.4272 0.7192
0.7654 0.4336 0.6742
0.7592 0.4552 0.6892
0.7758 0.4771 0.7023
Almidón 0.7856 0.6273 0.9562
0.8093 0.6592 0.9656
0.8126 0.6692 0.9656
0.8172 0.6523 0.9231
Dextrina 0.8543 0.8023 1.1356
0.8792 0.7986 1.1923
0.8723 0.7992 1.1643
0.8993 0.7827 1.1732

a) Escriba el modelo estadístico más apropiado para el diseño.

𝑌𝑖𝑗𝑘= 𝜇 + 𝛾𝑖 + 𝛿𝑗 + (𝛾𝛿)𝑖𝑗 + 𝜀𝑖𝑗𝑘 𝑐𝑜𝑛 𝑛 = 1,2,3; 𝑘 = 1, … 𝑛

Hipotesis

𝐻0 ∶ 𝛾𝑖 = 0
𝐻0 ∶ 𝛿𝑖 = 0

b) Obtenga el ANOVA sin desglosar y obtenga conclusiones.

ANOVA
F.V SC GL CM F0 F. Tablas Valor P
A 0.57 2 0.29 898.17 3.35 2.0032E-25
B 0.57 2 0.29 896.38 3.35 2.0569E-25
AB 0.14 4 0.04 110.06 2.73 2.6418E-16
ERROR 0.01 27 0.000
TOTAL 1.29 35

Puesto que 3 valores-P son menores que 0.05, estos factores tienen un efecto
estadísticamente significativo con un 95.0% de nivel de confianza.

2
P-VALUE A (2.0032E-25) < 0.05 SIGNIFICATIVO
P-VALUE B (2.0032E-25) < 0.05 SIGNIFICATIVO
P-VALUE AB (2.6418E-16) < 0.05 SIGNIFICATIVO
Por lo que la hipótesis se rechaza en los tres casos por lo que se acepta la hipótesis
alternativa que nos dice que hay efecto del factor A, y B sobre la variable de
respuesta, así como existe un efecto de interacción entre A Y B.
c) Realice la gráfica de efectos principales y de interacción, y destaque los
aspectos más relevantes.

El porcentaje de almidon si afecta la friabilidad de las tabletas, debido a que la linea

que se puede aprecieran no se asemeja a la horizontal, de igual manera podemos
decir que si utilizamos un 40% de contenido de almidon, se puede observar una
mayor friabilidad que si utilizamos un porcentaje del 26% de almidon, caso contrario
a lo que sucede con el 30% de porcentaje de almidón que nos dice que en este
punto los valores de friabilidad son menores comparados con el resto.
Si observamos la del Tipo de almidon, muestra una cierta tendencia que nos indica
que las cantidades de friabilidad si dependen de acuerdo al tipo de almidon que
estemos utilizando, así usar el pregelatinizado tiene menos valores de friabilidad
que usar en cambio el dextrina.

3
 Gráfico de Interacciones

1.24 Tipo de Almidon

ALMIDON
DEXTRINA
PRGELATENIZADO
1.04
Y

0.84

0.64

0.44
26 30 40
% Almidon

De la gráfica de interacciones es obvio que al tener un 30% de almidón la friabilidad

es baja independientemente del tipo de almidón que estemos utilizando, por lo que
si queremos obtener valores bajos de friabilidad, es necesario usar un 30% de
almidon vs el Pregelatenizado.
d) De la gráfica de efectos principales para el factor % de almidón, ¿hay algún
tipo de evidencia de que el efecto no sea lineal? Argumente su respuesta.

Si, si existe envidencia de que estamos ante un efecto no lineal, al considerar un

tercer punto que tiende hacia una curvatura, en este caso el porcentaje de almidon
30%, nos marca una tendencia no lineal,

e) Verifique supuestos a través de gráficas de residuales.

4
f) Obtenga el ANOVA desglosado; para ello, el efecto lineal y cuadrático debe
desglosarse sólo para el factor % de almidón, ya que es el único que es
cuantitativo. Comente lo obtenido y contrástelo con lo observado en los
incisos c) y d).

ANOVA

SC GL CM Fo Valor-p

AL 0.0994 1 0.0994 314.7905 0.0000

BL 0.5413 1 0.5413 1713.3208 0.0000

A2 0.3119 1 0.3119 987.1461 0.0000

B2 0.0752 1 0.0752 238.0224 0.0000

ALBL 0.0337 1 0.0337 106.5289 0.0000

A2BL 0.1248 1 0.1248 395.1971 0.0000

ALB2 0.0581 1 0.0581 184.0500 0.0000

A2B2 0.0094 1 0.0094 29.7835 0.0000

Error 0.0085 27 0.0003

Total 1.2623 35

De acuerdo a lo observado en el inciso C y D estas gráficas revelan información de

considerable utilidad acerca de la friabilidad de las tabletas. Puesto que el objetivo
es minimizar la friabilidad, se preferiría el almidón que contiene un 30%, ya que los
valores observados son los más pequeños y sólo aparecen en esta gráfica.
Deberán usarse el tipo de almidon pregelatenizado para lograr el objetivo.
En contraste con nuestro ANOVA, el ANOVA desglosado de igual manera cumple
con lo establecido en el ANOVA simple, ya que nuestros P-valores siguen siendo
menores a nuestro alfa, que en este caso se toma de 0.05%.

PROBLEMA 2

5
12. Una organización de manufactura produce partes de plástico con moldeo
por inyección. Típicamente, las partes se encogen de manera excesiva, lo cual
causa problemas en el ensamble posterior. Por medio de diseño de
experimentos buscan reducir el promedio de encogimiento de las partes y se
espera reducir también la variabilidad de corrida a corrida. Se identifican siete
factores para el estudio. Cuatro de esos factores son fácilmente controlables:
temperatura del molde (A), velocidad del tornillo (B), tiempo de permanencia
(C) y tamaño de compuerta (D). Tres de las variables no son fáciles de
controlar durante la manufactura normal: tiempo de ciclo (E), contenido de
mezcla (F) y presión en el molde (G), pero durante el experimento se
controlarán. Debido a potenciales efectos no lineales en la relación entre el
encogimiento y las variables de proceso, se deben considerar al menos tres
niveles en cada factor. La alternativa que se considera es utilizar una fracción
27 – 3 con generadores I = ABCE, I = BCDF e I = ACDG, que es una octava
parte del factorial completo 27. Se incluyen cuatro repeticiones al centro para
detectar la posible presencia de curvatura. Los datos en unidades de
encogimiento × 10 se muestran a continuación.
Orden Orden A B C D E F G Y
estándar aleatorio
1 8 -1 -1 -1 -1 -1 -1 -1 6
2 16 1 -1 -1 -1 1 -1 1 10
3 18 -1 1 -1 -1 1 1 -1 32
4 17 1 1 -1 -1 -1 1 1 60
5 3 -1 -1 1 -1 1 1 1 4
6 5 1 -1 1 -1 -1 1 -1 15
7 10 -1 1 1 -1 -1 -1 1 26
8 2 1 1 1 -1 1 -1 -1 60
9 9 -1 -1 -1 1 -1 1 1 8
10 15 1 -1 -1 1 1 1 -1 12
11 12 -1 1 -1 1 1 -1 1 34
12 6 1 1 -1 1 -1 -1 -1 60
13 13 -1 -1 1 1 1 -1 -4 16
14 19 1 -1 1 1 -1 -1 1 5
15 11 -1 1 1 1 -1 1 -1 37
16 1 1 1 1 1 1 1 1 52
17 20 0 0 0 0 0 0 0 25
18 4 0 0 0 0 0 0 0 29
19 14 0 0 0 0 0 0 0 24
20 7 0 0 0 0 0 0 0 27
a) ¿Cuál es la estructura de alias de diseño?
A + BCE + BFG + CDG + DEF + ABCDF + ABDEG + ACEFG
B + ACE + AFG + CDF + DEF + ABCDG + ABDEF + BCEFG

6
 C + ABE + ADG + BDF + EFG + ABCFG + ACDEF + BCDEG
D + ACG + AEF + BCF + BEG + ABCDE + ABDFG + CDEFG
E + ABC + ADF + BDG + CFG + ABEFG + ACDEG + BCDEF
F + ABG + ADE + BCD + CEG + ABCEF + ACDFG + BDEFG
G + ABF + ACD + BDE + CEF + ABCEG + ADEFG + BCDFG
AB + CE + FG + ACDF + ADEG + BCDG + BDEF + ABCEFG
AC + BE + DG + ABDF + AEFG + BCFG + CDEF + ABCDEG
AD + CG + EF + ABCF+ ABEG + BCDE + BDFG + ACDEFG
AE + BC + DF + ABDG + ACFG + BEFG + CDEG + ABCDEF
AF + BG + DE + ABCD + ACEG + BCEF + CDFG + ABDEFG
AG + FG + CD + ABDE + ACEF + BCEG + DEFG + ABCDFG
BD + CF + EG + ABCG + ABEF + ACDE + ADFG + BCDEFG
ABD + ACF + AEG + BCG + BEF + CDE + DFG + ABCDEFG
µ + ABCE + ABFG + ACDG + ADEF + BCEF + BDEF + CEFG

b) Encuentre el mejor ANOVA para estos datos. No olvide verificar la presencia

de curvatura.
Análisis de Varianza (ANOVA)
Source DF Adj SS Adj MS F-Value P-Value
Tempertura 1 770.06 770.06 156.62 0.001
Velocidad 1 5076.56 5076.56 1032.52 0.000
permanencia 1 3.06 3.06 0.62 0.488
tamaño 1 7.56 7.56 1.54 0.303
ciclo 1 0.56 0.56 0.11 0.757
contenido 1 0.56 0.56 0.11 0.757
Presión 1 95.06 95.06 19.33 0.022
Tempertura‘Velocidad 1 564.06 564.06 114.72 0.002
Tenpertura‘permanencia 1 10.56 10.56 2.15 0.239
Tempertura‘tamaño 1 115.56 115.56 23.50 0.017
Tempertura*ciclo 1 14.06 14.06 2.86 0.189
Tempertura*contenido 1 1.56 1.56 0.32 0.612
Tempertura*Presión 1 0.06 0.06 0.01 0.917
Velocidad*tamaño 1 0.06 0.06 0.01 0.917
Tempertura*Velocidad*tamaño 1 0.06 0.06 0.01 0.917
Curvature 1 3.61 3.61 0.73 0.454
Error 3 14.75 4.92
Total 19 6677.80
Existe presencia de curvatura, pero esta al ser no significativa no será considerada en el
anova mejorado.

7
 Diagrama de Pareto Estandarizada para Encogimiento

B:Velocidad +
A:Temperatura -
AB+CE+FG
AD+CG+EF
G:Presion
AE+BC+DF
AC+BE+DG
D:Tamaño
C:Permanencia
AF+BG+DE
F:Mezcla
E:Ciclo
BD+CF+EG
AG+BF+CD
0 10 20 30 40
Efecto estandarizado

ANOVA MEJORADO
Source GL SC Adj SS CM F P
TEMP MOLDE (A) 1 770.06 770.06 770.06 190.81 0.000*
VEL TORNILL (B) 1 5076.56 5076.56 5076.56 1257.91 0.000*
PRES. MOLDE (G) 1 95.06 95.06 95.06 23.55 0.022*
TEMP MOLDE*VEL TORNILL (AB) 1 564.06 564.06 564.06 139.76 0.002*
TEMP MOLDE*TAM COMP (AD) 1 115.56 115.56 115.56 28.63 0.017*
Error 14 56.5 4.04 4.04
Total 19 6677.80

c)Proyecte el diseño en uno más simple si hay factores que no afectan, y haga
el análisis.
R-cuadrada = 99.7241 porciento
R-cuadrada (ajustada por g.l.) = 98.9515 porciento
Error estándar del est. = 2.21736
Error absoluto medio = 0.53
Estadístico Durbin-Watson = 3.02748 (P=0.9647)
Autocorrelación residual de Lag 1 = -0.51462

El estadístico R-Cuadrada indica que el modelo, así ajustado, explica 99.7241% de

la variabilidad en Encogimiento. El estadístico R-cuadrada ajustada, que es más
adecuado para comparar modelos con diferente número de variables
independientes, es 98.9515%. El error estándar del estimado muestra que la
desviación estándar de los residuos es 2.21736. El error medio absoluto (MAE) de
0.53 es el valor promedio de los residuos. Puesto que el valor-P es mayor que
5.0%, no hay indicación de autocorrelación serial en los residuos con un nivel de
significancia del 5.0%.

8
d) Interprete con detalle los efectos activos y determine el mejor tratamiento
para reducir el encogimiento promedio.
Gráfica de Efectos Principales para Encogimiento

50

40
Encogimiento

30

20

10

0
Temperatura Permanencia Ciclo Presion
Velocidad Tamaño Mezcla

El mejor tratamiento para reducir el encogimiento, se podría identificar que es aquel

en el que la velocidad es menor y sobre todo cuidando unos valores menores de
temperatura.

e) Determine el mejor tratamiento considerando que también interesa reducir

la variabilidad.

9
 Gráfica de Probabilidad Normal para Encogimiento

99.9

99

95

porcentaje 80

50

20

0.1
-6 4 14 24 34 44
Efectos estandarizados

Gráfica de Residuos para Encogimiento

2
residuo

-2

-4
0 10 20 30 40 50 60
predichos

Gráfico de Encogimiento vs Velocidad

60

50
Encogimiento

40

30

20

10

0
-1 -0.6 -0.2 0.2 0.6 1
Velocidad

De acuerdo al gráfico de dispersión se puede concluir que a menores velocidades, podemos obtener
o reducir el encogimiento que estamos buscando.

PROBLEMA 3

Ejercicio 8. En cierta empresa es usual pagar horas extra para cumplir con los tiempos de
entrega. En este centro productivo un grupo de mejora de calidad trata de reducir la

10
proporción de piezas malas, para ello deciden investigar la relación entre la cantidad de
horas extra, X, y el porcentaje de artículos defectuosos, Y. En la siguiente tabla se muestran
los datos obtenidos.

Semana Horas Defectos %

extra
1 340 5
2 95 3
3 210 6
4 809 15
5 80 4
6 438 10
7 107 4
8 180 6
9 100 3
10 550 13
11 220 7
12 50 3
13 193 6
14 290 8
15 340 2
16 115 4
17 362 10
18 300 9
19 75 2
20 93 2
21 320 10
22 154 7

a) ¿De estas variables cuál se puede suponer independiente y cuál

dependiente?
Elegimos como variable independiente las horas extras, puestas que estas no dependen
de otras, sin embargo, al establecer nuestra variable dependiente: defectos (%), estos se
encuentran en función de las horas extras realizadas.

b) Obtenga el diagrama de dispersión para estas variables. ¿Qué relación

observa?

11
 Gráfica de Dispersión
16

14

12
Defectos %

10

0 100 200 300 400 500 600 700 800 900

Horas Extras

En la gráfica de dispersión obtenida en el software Minitab, podemos observar que

efectivamente se obtiene una correlación lineal positiva, que podemos mirar a detalle
cuando los valores en “x”, que son las horas extras, aumentan y asu vez los valores que
tenemos en el eje “y” que son el % de defectos también se incrementará.

c) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique
pruebas de hipótesis y verifique residuos).

El análisis de regresión gráfica los defectos vs las horas extras

Defectos % (Y) = 2.11 + 0.0171 Horas Extras (X)

Predictor Coef SE Coef T P

Constant 2.1110 0.6950 3.04 0.007
Horas 0.017074 0.002282 7.48 0.000
Extras

12
 Digrama de Regresión
Defectos % (Y) = 2.111 + 0.01707 Horas Extras (X)

16 S 1.91553
R-Sq 73.7%
R-Sq(adj) 72.4%
14

12
Defectos % (Y)

10

0
0 100 200 300 400 500 600 700 800 900
Horas Extras (X)

Hipótesis

Prueba de Hipótesis
Para B1; Como el Valor-p, que obtuvimos de nuestro análisis de regresión lineal es
0.007, esque valor-p < 0.05, esto nos denota que se rechaza la hipótesis, por lo cual
establecemos que B1≠0.

Para B2; Como el Valor-p, que obtuvimos de nuestro análisis de regresión lineal es
0.000, esque valor-p < 0.05, esto nos denota que se rechaza la hipótesis, por lo cual
establecemos que B2≠0.

Verificación de Residuos

13
d ) ¿La calidad del ajuste es satisfactoria?
R2 =73.7% y R2 ad = 72.4% La calidad del ajuste es satisfactorio, ya que nuestra relación es
descrita entre ambos factores por una tendencia en línea recta, al obtener nuestros
principales valores R2 =73.7% y R2 ad = 72.4%, por lo que podemos concluir que tenemos
una relación satisfactoria.

e) El que dos variables estén relacionadas no necesariamente implica que

haya una relación causa-efecto. Sin embargo, a pesar de esto, ¿puede concluir
con seguridad que cuando se trabaja tiempo extra se incrementa el porcentaje
de defectuosos, porque ocurren factores como calentamiento de equipo,
cansancio de obreros, etc., y todo esto causa mayores problemas en la calidad
de las piezas?
Después de haber analizado los datos anteriores se llega con certeza a la
conclusión de que el trabajador que está más tiempo, o que tiene más carga de
horas extras es más propenso a sufrir algún tipo de cansancio así como otros
factores externos como es que exista una reducción de la calidad de su trabajo,
independientemente de si sea el trabajador o la falla del equipo, pero nuestro
análisis de regresión al ser significativo nos muestra claramente la relación que
existe entre el tiempo extra y los productos defectuosos.

PROBLEMA 4

14
12. Como parte del análisis del problema de ausentismo, se decide investigar la relación
entre edad del empleado y días que faltó a laborar en el año. Los datos del último año se
muestran en la siguiente tabla:

Empleado Edad Faltas Empleado Edad Faltos

1 29 6 21 25 7
2 33 5 22 38 3
3 40 0 23 22 0
4 23 8 24 30 4
5 31 6 25 24 7
6 20 9 26 39 10
7 30 5 27 35 5
8 38 6 28 20 1
9 23 8 29 32 5
10 25 6 30 25 5
11 26 7 31 36 5
12 30 5 32 30 5
13 42 2 33 20 10
14 34 5 34 38 4
15 31 6 35 39 4
16 18 II 36 34 4
17 33 6 37 35 6
18 33 4 38 27 7
19 33 5 39 40 3
20 32 5 40 31 6

a) ¿En este problema cuál variable se puede ver como independiente y cuál como
dependiente?

Elegimos como variable independiente son los empleados, puestas que estas no
dependen de otras, sin embargo, al establecer nuestra variable dependiente: faltas
(%), estos se encuentran en función de la edad de los empleados.

b) Mediante un diagrama de dispersión analice la relación entre estas dos variables.

15
 Grafica de dispersión
12

10

Faltas
6

20 25 30 35 40 45
Edad

De la gráfica de dispersión obtenida en el software Minitab, podemos concluir que

efectivamente se obtiene una correlación lineal negativa, que podemos mirar a
detalle cuando los valores en “x”, que son las faltas, disminuyen y a su vez los
valores que tenemos en el eje “y” que es la edad aumentara. Así podemos decir
que, a mayor edad de los trabajadores, tienden a faltar menos.

c) ¿Qué tipo de relación observa y cuáles son algunos hechos especiales?

Se observa una correlación lineal negativa debido a que el valor del coeficiente de
correlación es de -0.429892, existiendo siempre sus excepciones ya que incluso
hay datos que nos muestran que a una edad entre 20 y 25 años algunos empleados
tienden a faltar menos, caso contrario a lo que se presenta en algunos trabajadores
a la edad de 40 que pueden llegar a presentar algún tipo de ausentismo.

d) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de
hipótesis y verifique residuales).
Analisis de Regresión

Predictor Coef SE Coef T P

Constant 10.353 1.723 6.01 0.0000
Edad -0.16185 0.05514 -2.94 0.0000

Modelo

16
Ecuación de regresión
y = 10.4 - 0.162 x

Ajuste de Línea recta

Grafica de linealidad
y = 10.35 - 0.1618 x
12 S 2.19993
R-Sq 18.5%
R-Sq(adj) 16.3%
10

8
Faltas

20 25 30 35 40 45
Edad de los empleados

Verificación de residuos

Residual Plots for y

Normal Probability Plot Versus Fits
99
Standardized Residual

2
90
Percent

0
50

-2
10

1 -4
-4 -2 0 2 3 4 5 6 7
Standardized Residual Fitted Value

Histogram Versus Order

16
Standardized Residual

2
12
Frequency

0
8

4 -2

0 -4
-2.4 -1.2 0.0 1.2 2.4 1 5 10 15 20 25 30 35 40
Standardized Residual Observation Order

COEFICIENTES

Least Squares Standard T

Parameter Estimate Error Statistic P-Value

17
 Intercept 10.3526 1.72286 6.00897 0.0000
Slope -0.16185 0.0551431 -2.93509 0.0056

Tc=2.0252
Al comparar los valores del estadístico T para cada una de los valores de beta
β0, = 6.00897
Se rechaza la hipótesis de que el valor de β0 es igual a cero.
β1, = 2.93509 > Tc
Se rechaza la hipótesis nula de que el valor de β1 es igual a cero.

ANALISIS DE VARIANZA

Source Sum of Squares Df Mean Square F-Ratio P-Value

Model 41.6925 1 41.6925 8.61 0.0056
Residual 183.908 38 4.83967
Total (Corr.) 225.6 39

e) ¿La calidad del ajuste es satisfactoria? Argumente.

No. No es satisfactorio
-0.429892 %
Coeficiente de Correlación
R-squared 18.4807 %
R-squared (adjusted for d.f.) 16.3355 %
Standard Error of Est. 2.19993

El valor del coeficiente de correlación que se tiene R2, este evalúa la calidad de ajuste y
posee un valor de 18.4%, nos está indicando que nuestro ajusto no es satisfactorio y al
aplicar el ajuste de R2 obtenemos datos del 16.3%
f) ¿Cuál es el error estándar de estimación?
Standard Error of Est. 2.19993

PROBLEMA 5

28. En un proceso de soldado de aluminio había problemas con la fuerza de unión de la

soldadura. El inconveniente ocurría al soldar el poste a un tablero electrónico. Se decide
abordar el problema mediante el diseño de experimentos, utilizando como variable de
respuesta la fuerza de arrastre (la fuerza necesaria

18
para despegar la soldadura después de transcurrido un tiempo). Los factores de control
que pueden influir en la fuerza de arrastre son tiempo (T), potencia (P) y fuerza (F). Las
condiciones de operación antes del experimento eran:

Factor Nivel Unidades

Tiempo 6 mseg
Potencia 5 Watts
Fuerza 850 grs

Se trata de encontrar las condiciones de operación que maximizan la fuerza de arrastre.

Por lo tanto, se decide utilizar en primera instancia el diseño factorial completo con dos
repeticiones al centro (23 + centro) y dos réplicas. Los resultados acomodados en el orden
aleatorio utilizado en cada réplica se muestran a continuación:

T P F Tiempo Potencia Fuerza Fza. De arrastre

0 0 0 5 4.3 750 1 981 1 645
–1 1 –1 3 5.6 700 1 506 1 157
1 –1 –1 7 3 700 1 308 913
1 1 1 7 5.6 800 1 682 1 049
1 –1 1 7 3 800 908 1 094
–1 1 1 3 5.6 80 1 633 1 428
1 1 –1 7 5.6 700 1 059 1 407
–1 –1 1 3 3 800 875 967
0 0 0 5 4.3 750 1 792 1 948
–1 -1 –1 3 3 700 750 666

a) ¿Qué utilidad tienen los puntos al centro?

En este el Error del Anova posse lo que son grados de libertad adicionales, que estos permite
que sea posible detectar algunas curvaturas, usar un ANOVA con puntos al centro no
perjudica para nada nuestros efectos de interés.

b) Haga el análisis de estos datos. Verifique mediante la prueba de falta de ajuste (lack of
fit test) la presencia de curvatura.

Source DF Seq SS Adj SS Adj Ms F P Significancia

T 1 11990 11990 11990 0.07 0.795 No Significativo
P 1 739600 739600 739600 4.33 0.059 Significativo
F 1 47306 47306 47306 0.28 0.608 No Significativo
T*P 1 139129 139129 139129 0.82 0.384 No Significativo
T*F 1 37830 37830 37830 0.22 0.646 No Significativo

19
 P*F 1 12996 12996 12996 0.08 0.787 No Significativo
T*P*F 1 16384 16384 16384 0.1 0.762 No Significativo
Residual Error 12 2047343 2047343 170612
Lack of fit 1 1529598 1529598 1529598 32.50 0 Significativa
Pure Error 11 517745 517745 47068
Total 19 3052579

c) Con estos datos complete el diseño ortogonal de composición central. Analice

visualmente los datos, qué observa de destacado.

T P F Tiempo Potencia Fuerza Fza. De arrastre

–1.28 0 0 2.44 4.3 750 1 404 1 322
0 –1.28 0 4 2.64 750 740 756
1.28 0 0 7.56 4.3 750 1 656 1 512
0 0 –1.28 4 4.3 686 1 482 1 485
0 1.28 0 4 5.96 750 1 659 1 458
0 0 1.28 4 4.3 814 1 517 1 176

Este diseño nos permite ampliar el grupo de puntos axiales, y así estimarlos
eficientemente los términos de primer orden y segundo orden.

Main Effects Plot for SN ratios

Data Means
T P
64

62

60 Main Effects Plot for Means

Mean of SN ratios

Data Means
58
T P
1600
-1.28 0.00 1.28 -1.28 0.00 1.28
1400 F
64
1200

62 1000
Mean of Means

800
60
-1.28 0.00 1.28 -1.28 0.00 1.28
58 F
1600
-1.28
1400
0.00 1.28
Signal-to-noise:
1200
Larger is better

1000
800

-1.28 0.00 1.28

d) Ajuste un modelo de segundo orden completo.

𝑌 = 1415 + 86.328𝑥1 + 316.6𝑥2 − 53.52𝑥3 + 35.706𝑥12 − 159.8𝑥22

20
e) Caracterice la superficie descrita por el modelo. ¿Qué tipo de superficie es?

Las superficies que presentan son superficies que representan modelos de segundo
orden.

f ) Determine las condiciones de operación que maximizan la fuerza de arrastre.

Para conseguir una mayor fuerza de arrastre, las condiciones de operación que
maximizan esto está directamente relacionado a la potencia, ya que esta es la que
tiene un mayor impacto en el modelo, de igual manera podemos encontrar una
mayor superficie de respuesta si se optimiza la curva.

P=1.280, 0.9956,-1.280
F= 1.280, -1.280, -1.280
T1.280, 1.280, -1.20

g) Verifique residuos, ¿hay alguna anormalidad?

21
 Residuals Versus F Residuals Versus P
(response is Y) (response is Y)

200 200

100 100

Residual
Residual

0 0

-100 -100

-200
-200
-1.0 -0.5 0.0 0.5 1.0 1.5
-1.0 -0.5 0.0 0.5 1.0 1.5
F
P

Residuals Versus T
(response is Y)
200

100
Residual

-100

-200
-1.0 -0.5 0.0 0.5 1.0 1.5
T

De acuerdo con las figuras anteriores, se concluye que no hay problemas con los
supuestos de varianza constante y de normalidad, debido a que Se observa que las
columnas de puntos en los niveles bajo y alto, tienen “más o menos” la misma
dispersión, por lo tanto, se cumple el supuesto de varianza constante.

22