Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseno de Experimentos Tarea
Diseno de Experimentos Tarea
Trabajo Final
CAPITULOS 7, 8, 11, 12
Diseño de Experimentos: z
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
Hipotesis
𝐻0 ∶ 𝛾𝑖 = 0
𝐻0 ∶ 𝛿𝑖 = 0
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.
3
Gráfico de Interacciones
0.84
0.64
0.44
26 30 40
% Almidon
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
Total 1.2623 35
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
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
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
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
2
residuo
-2
-4
0 10 20 30 40 50 60
predichos
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.
11
Gráfica de Dispersión
16
14
12
Defectos %
10
c) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique
pruebas de hipótesis y verifique residuos).
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.
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:
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.
15
Grafica de dispersión
12
10
Faltas
6
20 25 30 35 40 45
Edad
d) Haga un análisis de regresión (ajuste una línea recta a estos datos, aplique pruebas de
hipótesis y verifique residuales).
Analisis de Regresión
Modelo
16
Ecuación de regresión
y = 10.4 - 0.162 x
8
Faltas
20 25 30 35 40 45
Edad de los empleados
Verificación de residuos
2
90
Percent
0
50
-2
10
1 -4
-4 -2 0 2 3 4 5 6 7
Standardized Residual Fitted Value
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
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
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
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:
b) Haga el análisis de estos datos. Verifique mediante la prueba de falta de ajuste (lack of
fit test) la presencia de curvatura.
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
Este diseño nos permite ampliar el grupo de puntos axiales, y así estimarlos
eficientemente los términos de primer orden y segundo orden.
62
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
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.
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
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