PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ

ESCUELA DE POSGRADO
MAESTRIA EN INGENIERIA INDUSTRIAL

ESTADISTICA EXPERIMENTAL PARA LA TOMA DE DECISIONES

Actividad calificada Sesión 05
(Tema: Diseño de experimentos)
Instrucciones:
Desarrolle los ejercicios indicados con su grupo de trabajo empleando MINITAB. Debe
presentar en un documento MS Word el planteamiento de cada problema, los
pantallazos de solución y la interpretación del mismo, junto con sus conclusiones y la
lista de integrantes de su grupo. Al finalizar debe subir el documento a paideia

Ejercicios a desarrollar
Desarrolle los ejercicios indicados en la Tabla 1 del libro de Probabilidad y Estadística Aplicadas a la Ingeniería
de Montgomery & Runger.

Tabla 1: Ejercicios a desarrollar

Ejercicio Página
Ejercicio 13-13 Página 674
Ejercicio 13-14, 13-15,13-16 Página 675
Ejercicio 13-20 Página 676
 Ejercicio 13-13

SOLUCIÓN DEL CASO

PLANTEAMIENTO DEL PROBLEMA

Diseño factorial 2 a la k
Número de factores: 3
Número de repeticiones: 2
Número de condiciones experimentales: 2 a la 3 =8
Número de experimentos = 8 x 2 = 16 experimentos
La codificación de los factores es la siguiente.

Factor
A: Rapidez de corte

B: dureza del metal

C: ángulo de corte

No se especifican los niveles máximos y mínimos de los factores.

La variable de respuesta es Y: tiempo de vida de la herramienta (horas)
Se debe realizar:
1. Diseño factorial completo en Minitab
2. Ingresar los valores de la variable de respuesta
3. Realizar la corrida del análisis

ANALISIS DEL DISEÑO FACTORIAL

Reporte Minitab Modelo 1:

Coded Coefficients
Term Effect Coef SECoef T-Value P-Value VIF Los términos de modelo que rechazan la
hipótesis nula de coeficiente igual a cero
Constan    413.1 12.4 33.30 0.000    son:
t  Intercepto
A 18.2 9.1 12.4 0.74 0.483 1.00  Factor B
B 84.2 42.1 12.4 3.40 0.009 1.00  Factor C
C 71.8 35.9 12.4 2.89 0.020 1.00 Los demás factores e interacciones no
A*B -11.3 -5.6 12.4 -0.45 0.662 1.00 son relevantes y si es posible deben
A*C -119.2 -59.6 12.4 -4.81 0.001 1.00 retirarse del modelo
B*C -24.3 -12.1 12.4 -0.98 0.357 1.00
A*B*C -34.8 -17.4 12.4 -1.40 0.199 1.00

Model Summary
S R-sq R-sq(adj) R-sq(pred)
49.623 85.36% 72.56% 41.45%
6

Analysis of Variance
Adj El pvalue del modelo es menor a
0.05 por lo tanto el modelo es
Source DF SS Adj MS F-Value P-Value significativo.
Model 7 114888 16412.5 6.66 0.008
  Linear 3 50317 16772.2 6.81 0.014
    A 1 1332 1332.3 0.54 0.483
    B 1 28392 28392.2 11.53 0.009
    C 1 20592 20592.3 8.36 0.020
  2-Way Interactions 3 59741 19913.6 8.09 0.008
    A*B 1 506 506.3 0.21 0.662
    A*C 1 56882 56882.2 23.10 0.001
    B*C 1 2352 2352.3 0.96 0.357
  3-Way Interactions 1 4830 4830.3 1.96 0.199
    A*B*C 1 4830 4830.3 1.96 0.199
Error 8 19700 2462.5      
Total 15 134588         

Regression Equation in Uncoded Units

Y = 413.1 + 9.1 A + 42.1 B + 35.9 C - 5.6 A*B - 59.6 A*C - 12.1 B*C
- 17.4 A*B*C

CONCLUSIÓN
El modelo del DOE es válido, pero hay que retirar términos. En el modelo de DOE debe quedar el
intercepto y los factores B, C y AC solamente.

Reporte Minitab Modelo 2:

Coded Coefficients Los términos de modelo que rechazan la

hipótesis nula de coeficiente igual a cero
Term Effect Coef SE Coef T-Value P-Value VIF son:
Constan    413.1 20.3 20.36 0.000     Intercepto
t Los demás factores e interacciones no
B 84.3 42.1 20.3 2.08 0.058 1.00 son relevantes y si es posible deben
C 71.8 35.9 20.3 1.77 0.100 1.00 retirarse del modelo

Model Summary
R-
S R-sq sq(adj) R-sq(pred)
81.1472 36.40% 26.61% 3.65%

Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value El pvalue del modelo es mayor a
Model 2 48985 24492 3.72 0.053 0.05 por lo tanto el modelo no es
significativo.
  Linear 2 48985 24492 3.72 0.053
    B 1 28392 28392 4.31 0.058
    C 1 20592 20592 3.13 0.100
Error 13 85603 6585      
  Lack-of-Fit 5 65903 13181 5.35 0.019
    Pure 8 19700 2463      
Error
Total 15 134588         

Regression Equation in Uncoded Units

Y = 413.1 + 42.1 B + 35.9 C

CONCLUSION
El modelo del DOE no es válido porque tiene un Pvalue=0.053>0.05. Se puede concluir que los factores
tomados para el modelo no afectan a la variable de respuesta Y.
Ejercicio 13-14, 13-15, 13-16
SOLUCIÓN DEL CASO

PLANTEAMIENTO DEL PROBLEMA

Diseño factorial 2 a la k
Número de factores: 4
Número de repeticiones: 2
Número de condiciones experimentales: 2 a la 4=16
Número de experimentos = 16 x 2 = 32 experimentos
La codificación de los factores es la siguiente

Factor
A: tipo de edulcorante
B: proporción jarabe/agua
C: nivel de carbonación
D: temperatura

No se especifican los niveles máximos y mínimos de los factores.

La variable de respuesta es Y: sabor de la bebida
Se debe realizar:
1. Diseño factorial completo en Minitab
 2. Ingresar los valores de la variable de respuesta
3. Realizar la corrida del análisis

ANALISIS DEL DISEÑO FACTORIAL

Design Summary
Factors: 4 Base Design: 4, 16
Runs: 32 Replicates: 2
Blocks: 1 Center pts (total): 0

Coded Coefficients
Effec P-
Los términos de modelo que rechazan la
Term t Coef SE Coef T-Value Value VIF hipótesis nula de coeficiente igual a cero
Constant    175.250 0.547 320.59 0.000    son:
A 17.000 8.500 0.547 15.55 0.000 1.00  Intercepto
 Factor A
B -1.625 -0.813 0.547 -1.49 0.157 1.00
 Factor C
C 10.875 5.438 0.547 9.95 0.000 1.00
 Factor D
D 8.375 4.187 0.547 7.66 0.000 1.00
Los demás factores e interacciones no
A*B -0.125 -0.062 0.547 -0.11 0.910 1.00
son relevantes y si es posible deben
A*C -0.625 -0.312 0.547 -0.57 0.575 1.00 retirarse del modelo
A*D 9.125 4.562 0.547 8.35 0.000 1.00
B*C -0.250 -0.125 0.547 -0.23 0.822 1.00
B*D 1.250 0.625 0.547 1.14 0.270 1.00
C*D -1.250 -0.625 0.547 -1.14 0.270 1.00
A*B*C 0.750 0.375 0.547 0.69 0.503 1.00
A*B*D -0.500 -0.250 0.547 -0.46 0.654 1.00
A*C*D 0.000 0.000 0.547 0.00 1.000 1.00
B*C*D 0.125 0.062 0.547 0.11 0.910 1.00
A*B*C*D -1.625 -0.813 0.547 -1.49 0.157 1.00

Model Summary
S R-sq R-sq(adj) R-sq(pred)
3.0923 96.76% 93.71% 87.02%
3

Analysis of Variance
Adj
Source DF Adj SS MS F-Value P-Value El pvalue del
modelo es menor a
Model 15 4563.00 304.20 31.81 0.000 0.05 por lo tanto el
  Linear 4 3840.37 960.09 100.40 0.000 modelo es
    A 1 2312.00 2312.00 241.78 0.000 significativo.
    B 1 21.13 21.13 2.21 0.157
    C 1 946.12 946.12 98.94 0.000
    D 1 561.13 561.13 58.68 0.000
  2-Way Interactions 6 694.87 115.81 12.11 0.000
    A*B 1 0.13 0.13 0.01 0.910
    A*C 1 3.12 3.12 0.33 0.575
    A*D 1 666.13 666.13 69.66 0.000
    B*C 1 0.50 0.50 0.05 0.822
    B*D 1 12.50 12.50 1.31 0.270
    C*D 1 12.50 12.50 1.31 0.270
  3-Way Interactions 4 6.63 1.66 0.17 0.949
    A*B*C 1 4.50 4.50 0.47 0.503
    A*B*D 1 2.00 2.00 0.21 0.654
    A*C*D 1 0.00 0.00 0.00 1.000
    B*C*D 1 0.12 0.12 0.01 0.910
  4-Way Interactions 1 21.13 21.13 2.21 0.157
    A*B*C*D 1 21.13 21.13 2.21 0.157
Error 16 153.00 9.56      
Total 31 4716.00         

Regression Equation in Uncoded Units

y = 175.250 + 8.500 A - 0.813 B + 5.438 C + 4.187 D - 0.062 A*B - 0.312 A*C + 4.562 A*D
- 0.125 B*C + 0.625 B*D - 0.625 C*D + 0.375 A*B*C - 0.250 A*B*D + 0.000 A*C*D
+ 0.062 B*C*D - 0.813 A*B*C*D

CONCLUSION
El modelo del DOE es válido, pero hay que retirar términos. En el modelo de DOE debe quedar el
intercepto y los factores A, C y D solamente.

Reporte Minitab Modelo 2:

Los términos de modelo que rechazan la
hipótesis nula de coeficiente igual a cero
Coded Coefficients son:
 Intercepto
P-  Factor A
Term Effect Coef SE Coef T-Value Value VIF  Factor C
 Factor D
Constan    175.25 1.00 175.18 0.000   
t Al ser todos los términos significativos
A 17.00 8.50 1.00 8.50 0.000 1.00 entonces se tiene el modelo final y se
debe revisar los supuestos de residuales
C 10.87 5.44 1.00 5.44 0.000 1.00
D 8.37 4.19 1.00 4.19 0.000 1.00

Model Summary
S R-sq R-sq(adj) R-sq(pred)
5.6592 80.98% 78.95% 75.16%
2

Analysis of Variance
Source DF Adj SS Adj MS F-Value P-Value El pvalue del
Model 3 3819.3 1273.08 39.75 0.000 modelo es menor a
0.05 por lo tanto el
  Linear 3 3819.3 1273.08 39.75 0.000
modelo es
    A 1 2312.0 2312.00 72.19 0.000 significativo.
    C 1 946.1 946.13 29.54 0.000
    D 1 561.1 561.12 17.52 0.000
Error 28 896.8 32.03      
  Lack-of-Fit 12 743.8 61.98 6.48 0.000
    Pure 16 153.0 9.56      
Error
Total 31 4716.0         
Regression Equation in Uncoded Units
y = 175.25 + 8.50 A + 5.44 C + 4.19 D

ANALISIS DE RESIDUALES

Se verifican el cumplimiento de supuestos a través de la revisión de:

1. Normalidad de residuales

El pvalue es mayor a 0.05 lo que

indica que los residuales son
normales. Se analiza el siguiente
supuesto entonces.

2. Independencia de residuales

No se observan tendencias,
estacionalidad patrones o ciclos,
aparentemente la cantidad de puntos
arriba y debajo de cero es similar por lo
tanto se diría que los residuales son
independientes. Se analiza el siguiente
supuesto entonces.

3. Homocedasticidad de residuales

Como el rango más ancho es mayor al doble

del más angosto, se puede inferir que los
residuales no son homocedásticos por lo que
el modelo no es válido.
CONCLUSION
El modelo del DOE no es válido porque no cumple todos los supuestos para los residuales.

Ejercicio 13-20

SOLUCIÓN DEL CASO

PLANTEAMIENTO DEL PROBLEMA

Diseño factorial 2 a la k
Número de factores: 5
Número de repeticiones: 1
Número de condiciones experimentales: 2 a la 5=32
Número de experimentos = 32 x 1 = 32 experimentos
La codificación de los factores es la siguiente

Factor Nivel inferior (-1) Nivel superior (+1)

A: abertura del orificio Pequeño Grande
B: tiempo de exposición 20% abajo del nominal 20% arriba del nominal
C: tiempo de desarrollo 30s 45s
D: dimensiones de la plantilla Pequeño Grande
E: tiempo de grabado químico 14.5 min 15.5min

No se especifican los niveles máximos y mínimos de los factores.

La variable de respuesta es Y: rendimiento de producción de semiconductores
Se debe realizar:
1. Diseño factorial completo en Minitab
2. Ingresar los valores de la variable de respuesta
3. Realizar la corrida del análisis
ANALISIS DEL DISEÑO FACTORIAL

Reporte Minitab Modelo 1:

Coded Coefficients
Effec SE
Term t Coef Coef T-Value P-Value VIF
Constant    30.53 * * *   
A 11.813 5.906 * * * 1.00
B 33.94 16.97 * * * 1.00
C 9.687 4.844 * * * 1.00
D -0.8125 -0.4063 * * * 1.00
E 0.4375 0.2188 * * * 1.00
A*B 7.938 3.969 * * * 1.00
A*C 0.4375 0.2188 * * * 1.00
A*D -0.06250 -0.03125 * * * 1.00
A*E 0.9375 0.4687 * * * 1.00
B*C 0.06250 0.03125 * * * 1.00
B*D -0.6875 -0.3438 * * * 1.00
B*E 0.5625 0.2813 * * * 1.00
C*D 0.8125 0.4062 * * * 1.00
C*E 0.3125 0.1563 * * * 1.00
D*E -1.1875 -0.5937 * * * 1.00
A*B*C -0.4375 -0.2187 * * * 1.00
A*B*D 0.3125 0.1563 * * * 1.00
A*B*E -0.18750 -0.09375 * * * 1.00
A*C*D -0.4375 -0.2188 * * * 1.00
A*C*E 0.3125 0.1562 * * * 1.00
A*D*E 0.8125 0.4063 * * * 1.00
B*C*D 0.4375 0.2187 * * * 1.00
B*C*E 0.9375 0.4687 * * * 1.00
B*D*E 0.18750 0.09375 * * * 1.00
C*D*E -0.8125 -0.4062 * * * 1.00
A*B*C*D -0.06250 -0.03125 * * * 1.00
A*B*C*E 0.18750 0.09375 * * * 1.00
A*B*D*E 0.9375 0.4687 * * * 1.00
A*C*D*E -0.3125 -0.1563 * * * 1.00
B*C*D*E -0.9375 -0.4688 * * * 1.00
A*B*C*D*E -0.18750 -0.09375 * * * 1.00

Model Summary
S R-sq R-sq(adj) R-sq(pred)
* 100.00% * *

Analysis of Variance
D
Source F Adj SS Adj MS F-Value P-Value
Model 31 11664.0 376.26 * *
  Linear 5 11087.9 2217.58 * *
    A 1 1116.3 1116.28 * *
    B 1 9214.0 9214.03 * *
    C 1 750.8 750.78 * *
    D 1 5.3 5.28 * *
    E 1 1.5 1.53 * *
  2-Way Interactions 10 536.3 53.63 * *
    A*B 1 504.0 504.03 * *
    A*C 1 1.5 1.53 * *
    A*D 1 0.0 0.03 * *
    A*E 1 7.0 7.03 * *
    B*C 1 0.0 0.03 * *
    B*D 1 3.8 3.78 * *
    B*E 1 2.5 2.53 * *
    C*D 1 5.3 5.28 * *
    C*E 1 0.8 0.78 * *
    D*E 1 11.3 11.28 * *
  3-Way Interactions 10 24.3 2.43 * *
    A*B*C 1 1.5 1.53 * *
    A*B*D 1 0.8 0.78 * *
    A*B*E 1 0.3 0.28 * *
    A*C*D 1 1.5 1.53 * *
    A*C*E 1 0.8 0.78 * *
    A*D*E 1 5.3 5.28 * *
    B*C*D 1 1.5 1.53 * *
    B*C*E 1 7.0 7.03 * *
    B*D*E 1 0.3 0.28 * *
    C*D*E 1 5.3 5.28 * *
  4-Way Interactions 5 15.2 3.03 * *
    A*B*C*D 1 0.0 0.03 * *
    A*B*C*E 1 0.3 0.28 * *
    A*B*D*E 1 7.0 7.03 * *
    A*C*D*E 1 0.8 0.78 * *
    B*C*D*E 1 7.0 7.03 * *
  5-Way Interactions 1 0.3 0.28 * *
    A*B*C*D*E 1 0.3 0.28 * *
Error 0 * *      
Total 31 11664.0         

Regression Equation in Uncoded Units

y = 30.53 + 5.906 A + 16.97 B + 4.844 C - 0.4063 D + 0.2188 E + 3.969 A*B + 0.2188 A*C
- 0.03125 A*D + 0.4687 A*E + 0.03125 B*C - 0.3438 B*D + 0.2813 B*E + 0.4062 C*D
+ 0.1563 C*E - 0.5937 D*E - 0.2187 A*B*C + 0.1563 A*B*D - 0.09375 A*B*E - 0.2188 A*C*D
+ 0.1562 A*C*E + 0.4063 A*D*E + 0.2187 B*C*D + 0.4687 B*C*E + 0.09375 B*D*E
- 0.4062 C*D*E - 0.03125 A*B*C*D + 0.09375 A*B*C*E + 0.4687 A*B*D*E
- 0.1563 A*C*D*E
- 0.4688 B*C*D*E - 0.09375 A*B*C*D*E

Debido a los grados de libertad del diseño, no se pueden obtener los Pvalues de las variables por lo
que nos guiaremos del grafico de efectos vs factores que se muestra a continuación:

De la gráfica, podemos observar que los parámetros A, B, C y AB son estadísticamente

significativos por lo que realizaremos un nuevo modelo que tome en cuenta estos factores
solamente.

Reporte Minitab Modelo 2:

Coded Coefficients Los términos de modelo que rechazan la

hipótesis nula de coeficiente igual a cero
son:
Coe  Intercepto
Term Effect f SE Coef T-Value P-Value VIF  Factor A
Constant    30.531 0.302 101.07 0.000     Factor B
 Factor C
 Factor AB
A 11.813 5.906 0.302 19.55 0.000 1.00
B 33.938 16.969 0.302 56.17 0.000 1.00
C 9.687 4.844 0.302 16.03 0.000 1.00
A*B 7.938 3.969 0.302 13.14 0.000 1.00

Model Summary
S R-sq R-sq(adj) R-sq(pred)
1.7088 99.32% 99.22% 99.05%
4

Analysis of Variance
Adj El pvalue del modelo es menor a 0.05
por lo tanto el modelo es significativo.
Source DF Adj SS MS F-Value P-Value
Model 4 11585.1 2896.28 991.83 0.000
  Linear 3 11081.1 3693.70 1264.90 0.000
    A 1 1116.3 1116.28 382.27 0.000
    B 1 9214.0 9214.03 3155.34 0.000
    C 1 750.8 750.78 257.10 0.000
  2-Way Interactions 1 504.0 504.03 172.61 0.000
    A*B 1 504.0 504.03 172.61 0.000
Error 27 78.8 2.92      
Total 31 11664.0         

Regression Equation in Uncoded Units

y = 30.531 + 5.906 A + 16.969 B + 4.844 C
+ 3.969 A*B

ANALISIS DE RESIDUALES

Se verifican el cumplimiento de supuestos a través de la revisión de:

1. Normalidad de residuales
 2. Independencia de residuales
No se observan tendencias,
estacionalidad patrones o ciclos,
aparentemente la cantidad de puntos
arriba y debajo de cero es similar por lo
tanto se diría que los residuales son
independientes. Se analiza el siguiente
supuesto entonces.

3. Homocedasticidad de residuales

Como el rango más ancho es mayor al doble

del más angosto, se puede inferir que los
residuales no son homocedásticos por lo que
el modelo no es válido.

CONCLUSION
El modelo del DOE no es válido porque no cumple todos los supuestos para los residuales.