Beamer The Me Nord

Diseño de Experimentos
Aplicaciones con el software Minitab 17
by Renato Vara Sánchez (Software Metalúrgico)

on July 31, 2020
Contenido
∗ Introducción al diseño de experimentos
∗ Diseño de un solo factor
∗ Disenós en bloques aleatorizados
∗ Diseños Factoriales
∗ Diseño factorial 2k
∗ Diseño factorial 2k con puntos centrales
∗ Diseño de Composición Central - DCC
Contenido
Contenido
» Diseño de experimentos Software Metalúrgico
El diseño de experimentos es una “técnica estadística”que nos ayuda

a identificar que factores o variables afectan el comportamiento
de un proceso productivo y de esta manera poder mejorarlo.
El diseño de experimentos puede ser útil, tanto en la fase de diseño

del producto o proceso como en la fase de control de procesos y se
puede combinar las técnicas de diseños de experimentos con las
tẽcnicas básicas de control de calidad.
Un experimento es eficiente cuando se obtiene la información re-

querida con el mínimo consumo de recursos. Esto es, un experi-
mento eficiente debe ser lo más simple y económico posible, pero
efectivo. Las técnicas del diseño de experimentos pretenden que
los experimentos sean eficientes.
[1/90]
Contenido
» La variación y la investigación Software Metalúrgico
Resultado de medición=Valor “verdadero”+Variación o error

El objetivo del análisis estadístico es medir la variabilidad pre-
sente en el experimento y el de los investigadores debe ser realizar
experimentos con una variabilidad mínima. Para aislar e identi-
ficar las causas de variación se requiere de un diseño experimental
específico para el problema y un análisis apropiado de ese diseño.
El proceso estadístico de toda investigación consta de tres fases:

planteamiento, experimentación y análisis. El planteamiento im-
plica formular una pregunta clara y adecuada a cerca del estu-
dio a realizar. El diseño experimental es una consecuencia de las
necesidades planteadas, implica qué y cómo se van a realizar las
cosas. El análisis incluye los cálculos apropiados para el diseño
realizado, la conclusiõn y la toma de decisiones.
[2/90]
Contenido
» Principios básicos del diseño de experimentos Software Metalúrgico
Para que un experimento tenga validez estadística se deben ob-

servar los principios básicos:
REPRODUCCIÓN
Esto significa que las pruebas se puedan repetir bajo las
mismas condiciones en más de una ocasión. La reproduc-
ción por lo tanto es importante por al menos dos razones:
∗ Permite cuantificar el error aleatorio inherente al

proceso.
∗ Permite una mejor estimación de los parámetros.
[3/90]
Contenido
ALEATORIDAD
Significa que tanto el material asigando a una prueba en
particular, como el orden en que se realizen las pruebas
se efectúen de manera aleatoria. La aleatoridad por lo
tanto es importante por al menos dos razones:
∗ Confunde el efecto de factores no controlables.

∗ Valida las pruebas estadísticas al hacer que los
errores experimentales sean “estadísticamente
independientes”.
[4/90]
Contenido

CONTROL LOCAL
Se refiere a la forma de agrupar las unidades experimen-
tales (agrupamiento, bloqueo) y al balanceo. Permite re-
ducir errores experimentales, por lo que le da eficiencia
al experimento.
∗ Agrupamiento: Es la colocación de un conjunto de
unidades experimentales homogéneas en grupos.
∗ Bloqueo: Cuando las unidades experimentales son
heterogéneas se agrupan en bloques, de tal manera
que las unidades dentro de un bloque sean homogé-
neas.
∗ Balanceo: Cuando se tiene igual número de réplicas
para cada tratamiento o igual número de unidades
experimentales.
[5/90]
Contenido
» Metodología general Software Metalúrgico

1. Identifique claramente la situación a resolver
Antes de poder planear un experimento necesitamos
definir claramente qué es lo que estamos buscando. En
este paso es necesario definir que tipo de información
es exactamente la que nos interesa, en conclusión como
resultado de este paso, la hipótesis a probar debe que-
dar bien definida.
2. Identificar variables
En este paso dos tipos de variables se deben de identifi-
car, variables dependientes y factores o variables inde-
pendientes. La variable dependiente o variable de res-
puesta es la característica de calidad que queremos
mejorar y cuyo comportamiento deseamos conocer y las
variables independientes o factores representan aque-
llas causas o factores, cuyo efecto sobre la variable de-
pendiente que se quiere analizar.
[6/90]
Contenido
3. Definir el diseño
Implica definir de que manera se efectuarán las prue-
bas y que modelo matemático describe mejor el experi-
mento. Existen varios tipos de experimentos, y deberá
seleccionarse el que mejor se ajuste a la situación par-
ticular a resolver.
4. Efectuar el experimento
Se realizará de acuerdo al modelo seleccionado en el
paso 3. Cuidando detalladamente que todo se lleve a
cabo de acuerdo a lo establecido; así como todos los as-
pectos de planeación y logística.
[7/90]
Contenido
5. Análisis de los datos

Incluye básicamente el análisis estadístico y la inter-
pretación de los resultados. El análisis se puede facili-
tar con el uso de softwares disponibles en el mercado.
6. Conclusiones y toma de decisiones
La experiencia, los conocimientos técnicos relativos al
problema a resolver y la aplicación adecuada de los mé-
todos estadísticos permiten obtener conclusiones que
permitan tomas de decisiones acertadas. Es fundamen-
tal que cuando se tienen dudas respecto a las conclu-
siones y/o plan de acción se realicen experimentos con-
firmatorios.
[8/90]
Contenido
Contenido
» Diseño unifactorial
El objetivo de esta sección es plantear la idea esencial del diseño

de un solo factor y sus niveles para estudiar su efecto con una
variable de respuesta, viendo a través de un problema su análisis
estadístico y sus supuestos.
El diseño de un solo factor con dos niveles es el diseño más sim-

ple ya que sólo se quiere probar la diferencia de dos medias. En
este diseño se supone que no existen variables adicionales o co-
variables que estén afectando el experimento.
[9/90]
Contenido
Ejemplo
En cierto estudio de calibración de espectroscopia de absorción
atómica, las medidas de respuesta fueron las unidades de absor-
ción de un instrumento según la cantidad de cobre diluido en una
solución ácida. Se usaron cinco niveles de cobre con cuatro répli-
cas del nivel cero y dos réplicas de los otros cuatro niveles. En la
siguiente tabla se dan los datos de espectroscopia para cada nivel
de cobre como microgramos de cobre/mililitro de solución.
Cobre (mg/ml)
0.00 0.05 0.10 0.20 0.50
0.045 0.084 0.115 0.183 0.395
0.047 0.087 0.116 0.191 0.399
0.051 0.082 0.118 0.185 0.397
0.054 0.089 0.112 0.188 0.398
[10/90]
Contenido
En el ejemplo podemos ver que:
∗ Variable respuesta: Unidades de absorción del instrumento
∗ Factor controlado: Cantidad de cobre diluido en solución
ácida
∗ Número de Niveles o de Tratamientos: 5 (Porque se están
probando 5 diferentes concentraciones)
Modelo matemático o modelo estadístico de este diseño es:
yij = µ + τi + ϵij
Donde yij es días de duración; µ media global o media general; τi

efecto del factor o efecto de la cantidad de cobre diluido en
solución; ϵij error aleatorio.
[11/90]
Contenido
Para este diseño se tienen dos hipótesis:
Hipótesis Nula:
H0 : No influye la cantidad de cobre diluido en solución ácida en
las unidades de absorción del instrumento.
O que es lo mismo,
H 0 : µ1 = µ2 = µ 3 = µ 4 = µ 5
Donde µ1 es la media para el nivel 0.00, µ2 es la media para el nivel
0.05, µ3 es la media para el nivel 0.10, µ4 es la media para el nivel
0.20 y µ5 es la media para el nivel 0.50
Hipótesis Alternativa:
Ha : Influye la cantidad de cobre diluido en solución ácida en las
unidades de absorción del instrumento.
O lo que es lo mismo,
Ha : µi ̸= µk (Al menos un par de medias son diferentes para
i ̸= k) Para determinar con cual hipótesis nos quedamos, es
necesario realizar una Análisis de Varianza.
[12/90]
Contenido
» Análisis estadístico de efectos fijos de un solo factor (ANOVA)

El Análisis de Varianza (ANOVA) es una técnica estadística que el
estudia el efecto de uno o más factores sobre la media de una vari-
able (y la varianza de la variable). La Idea básica es descomponer
la variabilidad total observada en dos partes, una la variabilidad
debida a las diferencias entre tratamientos y otra la variabilidad
interna en los tratamientos.
∗ Estimación de la suma de cuadrados total

∗ Estimación de la suma de cuadrados de los tratamientos
∗ Estimación de la suma de cuadrados el error o residual
∗ Estimación de los cuadrados medios
∗ Estimación del cuadrado medio de los tratamientos
∗ Estimación del cuadrado medio del error
∗ Obtención del la F calculada o de la F0
[13/90]
Contenido

Fuente Grados Suma Cuadrados F0
de Variación de libertad de cuadrados medios
SST MST
Tratamiento a−1 SStrat MST = F0 =
a−1 MSE
SCE
Error N−a SSerror MSE =
N−a
Total N−1 SStotal
Xa Xa X
n
2
SStratamiento =n (yi. − y.. ) SStotal = yij − y..
2
i=1 i=1 j=1

SSerror =SStotal −SStratamiento
Se rechaza H0 a nivel α cuando: F0 > Fα,a−1,N−a

[14/90]
Contenido
» Prueba de rangos múltiples
Nótese que el análisis de varianza sólo nos indica que si existen

diferencias entre la cantidad de cobre diluido en solución ácida
respecto de las unidades de absorción del instrumento, pero no
establece cual es la mejor concentración de cobre a utilizar para la
calibración del instrimuento. Para ello se requiere hacer un análi-
sis complementario conocido como Prueba de Rangos Múltiples.
La prueba de rangos múltiples consiste en un conjunto de pruebas

de comparación:
∗ Prueba de LSD: Prueba de la mínima diferencia significativa

∗ Prueba de intervalos múltiples de Duncan
∗ Prueba de Tukey.
[15/90]
Contenido
» Prueba de LSD: Prueba de la mínima diferencia significativa
Supongamos que después de haber rechazado la hipótesis nula,

con base en la prueba F de análisis de varianza, se desea probar
H0 : µi = µj , para todo i ̸= j, para todas las posibles parejas de
medias de los tratamientos.
Suponiendo una hipótesis alterna bilateral, dos medias se consid-

eran diferentes si:
s

Yi − Yj > t α , (N − a) MSERROR 1 + 1
ni nj
2
Donde CMERROR es el cuadrado medio del error de la tabla de
Análisis de Varianza, ni y nj son el número de réplicas del tratamiento
i y el tratamiento j, respectivamente.
[16/90]
Contenido

La expresión:
s
1 1
LSD = t α , (N − a) MSERROR +
ni nj
2
Se le conoce como Mínima Diferencia Significativa.
Si el diseño unifactorial es balanceado, es decir n1 = n2 = ... =

nt = n, la expresión anterior se rescribe como:
r
2MSERROR
LSD = t α , (N − a)
n
2
El procedimiento de la prueba de LSD, simplemente consiste en
comparar las diferencias observadas entre cada par
de promedios
con el valor correspondiente del LSD. Si Yi − Yj > LSD, se con-

cluye que las medias poblacionales µi y µj son estadísticamente
diferentes. [17/90]
Contenido
» Prueba de intervalos múltiples de Duncan

Para aplicar dicha prueba en tratamientos con el mismo número de
réplicas, se ordenan ascendentemente los t promedios de tratamien-
tos y se estima el error estándar del promedio de cada tratamiento,
usando:
r
MSERROR
Syi =
n
A partir de la tabla de Intervalos significativos de Duncan se ob-
tienen los valores rα (p, f) para p = 2, 3, ..., t en donde t es el nivel de
significancia y f es el número de grados de libertad del error. Estos
intervalos deben transformarse en un conjunto t − 1 mínimos in-
tervalos significativos (es decir, Rp ) para p = 2, 3, ..., t, calculando:
Rp = rα (p, f) Syi
[18/90]
Contenido
» Prueba de intervalos múltiples de Duncan
En seguida, se prueban las diferencias observadas entre las me-

dias, comenzando por el valor más alto contra el más pequeño,
comparando esta diferencia con el intervalo mínimo significativo
Rt . Después se calcula la diferencia entre el valor más alto y el
segundo más pequeño y se compara con el intervalo mínimo sig-
nificativo Rt −1.Este procedimiento continúa hasta que todas las
medias han sido comparadas con la media más grande. Posterior-
mente, la diferencia entre la segunda media más grande y la más
pequeña se calcula y se compara con el intervalo mínimo significa-
tivo Rt −1. Este proceso continúa hasta que han sido consideradas
las diferencias entre las t (t − 1) /2 posibles pares. Si una diferen-
cia observada es mayor que el intervalo mínimo significativo cor-
respondiente, se concluye que la pareja de medias en cuestión son
significativamente diferentes.
[19/90]
Contenido
» Prueba de Tukey
Su procedimiento requiere del uso qα (a, f), que es conocido como

el punto porcentual superior de tamaño α del intervalo studenti-
zado para el número de niveles t y f grados de libertad del error,
para determinar el valor crítico de todas las comparaciones por
pares. La prueba de Tukey declara dos medias significativamente
diferentes si el valor absoluto de sus diferencias promedio excede
a:
Tα = qα (t, f) Syi
r
CMERROR
Donde: Syi =
n
[20/90]
Contenido
» Supuestos del modelo unifactorial
Algo fundamental en el análisis de varianza son los supuestos de

los residuales, los cuales deben cumplir con tres condiciones:
∗ Normalidad (Prueba de normalidad de Ryan-Joiner)
Esta prueba evalúa la normalidad calculando la correlación

entre los datos y las puntuaciones normales de los datos. Si el
coeficiente de correlación se encuentra cerca de 1, es prob-
able que la distribución sea normal. El estadístico de Ryan-
Joiner evalúa la fuerza de esta correlación; si se encuentra
por debajo del valor crítico apropiado, se rechazará la hipóte-
sis nula de normalidad de la población.
[21/90]
Contenido
∗ Varianza constante
La prueba F y la prueba de Bartlett son exactas sólo para

datos distribuidos normalmente. Cualquier desviación de la
normalidad puede hacer que estas pruebas produzcan resul-
tados inexactos. Sin embargo, si los datos siguen la distribu-
ción normal, entonces la prueba F y la prueba de Bartlett son
normalmente más potentes que el método de comparaciones
múltiples o el método de Levene.
[22/90]
Contenido

∗ Independencia (Prueba de Durbin-Watson)
Evalúa la presencia de autocorrelación en los residuos al de-

terminar si la correlación entre dos términos de error adya-
centes es o no es igual a cero. La prueba se basa en el supuesto
de que los errores son generados por un proceso autorregre-
sivo de primer orden.
H0 : Los datos no tienen autocorrelación.
Ha : Los datos tienen autocorrelación.
Si d < dL Se rechaza H0
Si d > dU No se rechaza H0
Si dL ≤ d ≤ dU Sin decisión
Si alguno de esos tres no se cumple es suficiente para invalidar el

Análisis de Varianza.
[23/90]
Contenido
Contenido
» Diseño en bloques aleatorizados
En muchos experimentos además de que interesa investigar la in-

fluencia de un factor controlado sobre la variable de respuesta,
como en la sección anterior, existe una fuente de variación cono-
cida adicional (bloque), que puede y debe ser sistematizada y con-
trolada durante el experimento, con el propósito de disminuir el
error experimental y obtener mejores conclusiones sobre el factor
controlado.
[24/90]
Contenido

Ejemplo
El fabricante de una aleación maestra de aluminio produce refi-

nadores de textura en forma de lingotes. La compañía produce
el producto en cuatro hornos. Se sabe que cada horno tiene sus
propias características únicas de operación, por lo que en cualquier
experimento que se corra en la fundición en el que se use más de
un horno, los hornos se considerarán como una variable pertur-
badora. Los ingenieros del proceso sospechan que la velocidad de
agitación afecta la medida de la textura del producto. Cada horno
puede operarse con cuatro diferentes velocidades de agitación. Se
lleva a cabo un diseño de bloques aleatorizados para un refinador
particular y los datos resultantes de la medida de la textura se
muestran a continuación:
[25/90]
Contenido

Ejemplo
Velocidad de Horno
agitación (rpm) 1 2 3 4
5 8 4 5 6
10 14 5 6 9
15 14 6 9 2
20 17 9 3 6
Es claro que lo que interesa es investigar si existe evidencia de que
la velocidad de agitación afecta la medida de la textura. Y si hay
efecto, que velocidad de agitación se recomendaría de acuerdo al
interés del ingeniero de procesos. Además podemos percibir que
el tipo de horno puede influir en el experimento. Los tipos de horno
pueden producir otro efecto adicional de variabilidad, por lo que es
necesario controlarla durante el experimento. Para esto se hace
un diseño por bloques aleatorizados.
[26/90]
Contenido
En el ejemplo podemos ver que:

∗ Variable respuesta: Textura de aleación
∗ Factor controlado: Velocidad de agitación.
∗ Bloque: Tipo de horno
El módelo matemático asociado a este diseño es:
yij = µ + τi + βj + ϵij
Donde yij es la textura; µ media global o media general; τi efecto

del factor o efecto de la velocidad de agitación; βj efecto del
bloque o efecto del tipo de horno; ϵij error aleatorio.
[27/90]
Contenido
Para este diseño, el interés se encuentra en probar la igualdad de

las medias de los tratamientos.
Hipótesis Nula:
H0 : No influye la velocidad de agitación en la medida de la textura
O que es lo mismo,
H 0 : µ1 = µ2 = µ 3 = µ 4
Ha : Si influye la velocidad de agitación en la medida de la textura
O lo que es lo mismo,
Ha : µi ̸= µj (Al menos un par de medias son diferentes para i ̸= j)
[28/90]
Contenido
Una manera equivalente de escribir las hipótesis anteriores es en

términos de los efectos de los tratamientos.
Hipótesis Nula:
H0 : τ1 = τ2 = τ3 = τ4 = 0
Ha : τi ̸= 0 (Al menos un para una i)
Para determinar con cual hipótesis nos quedamos, es necesario
realizar una Análisis de Varianza.
[29/90]
Contenido

El Análisis de Varianza (ANOVA) en el diseño por bloques aleator-
izados consiste en descomponer la variabilidad total en tres partes:
1. La variabilidad debido a las diferencias de los tratamientos.

2. La variabilidad debida al efecto del bloque.
3. La variabilidad debida al error aleatorio.
∗ Estimación de la suma de cuadrados total

∗ Estimación de la suma de cuadrados de los tratamientos
∗ Estimación de la suma de cuadrados de los bloques
∗ Estimación de la suma de cuadrados el error o residual
∗ Estimación de los cuadrados medios
∗ Estimación del cuadrado medio de los tratamientos
∗ Estimación del cuadrado medio del error
∗ Obtención del la F calculada o de la F0
[30/90]
Contenido
» Análisis estadístico el diseño por bloques aleatorizados (ANOVA)

SST MST
Tratamientos a−1 SStrat MST = F0 =
a−1 MSE
SSB MSB
Bloques b−1 SSbloques MSB = F0 =
b−1 MSE
SSE
Error (a − 1) (b − 1) SSerror MSE =
(a − 1) (b − 1)
Total ab − 1 SStotal
[31/90]
Contenido
» Análisis estadístico del diseño por bloques aleatorizados (ANOVA)

a
1 X 2 y2..
SStratamiento = yi. −
b N
i=1
b
1 X 2 y2..
SSbloques == y.j −
a N
i=1
Xa X
b
y2
SStotal = y2ij − ..
N
i=1 j=1
SSerror =SStotal −SStratamiento −SSbloques
Se rechaza H0 a nivel α cuando: F0 > Fα,a−1,(a−1)(b−1)

Debido a que la tabla de análisis de varianza sólo indica si hay
efecto o no de la velocidad de agitación, pero no dice cual
velocidad de agitación es mejor de acuerdo a la medida de la
textura que el investigador quiere obtener. Es necesario realizar
una prueba de comparaciones múltiples para investigar cual es la
mejor, como se muestrorá a continuación.
[32/90]
Contenido
Supongamos que después de haber rechazado la hipótesis nula,

con base en la prueba F de análisis de varianza, se desea probar
H0 : µi = µj , para todo i ̸= j, para todas las posibles parejas de
medias de los tratamientos.
Suponiendo una hipótesis alterna bilateral, dos medias se consid-

eran diferentes si:
r

Yi − Yj > t α , (a − 1) (b − 1) 2MSERROR
b
2
Donde MSERROR es el cuadrado medio del error de la tabla de
Análisis de Varianza, b es el número de bloques en el diseño.
[33/90]
Contenido
La expresión:
r
2CMERROR
LSD = t α , (a − 1) (b − 1)
b
2
Se le conoce como Mínima Diferencia Significativa.
El procedimiento de la prueba de LSD, simplemente consiste en

comparar las diferencias observadas entre cada par
de promedios
con el valor correspondiente del LSD. Si Yi − Yj > LSD, se con-
cluye que las medias poblacionales µi y µj son estadísticamente
diferentes.
[34/90]
Contenido
» Prueba de Tukey
Su procedimiento requiere del uso qα (a, f), que es conocido como

el punto porcentual superior de tamaño α del intervalo studenti-
zado para el número de niveles t y f grados de libertad del error,
para determinar el valor crítico de todas las comparaciones por
pares. La prueba de Tukey declara dos medias significativamente
diferentes si el valor absoluto de sus diferencias promedio excede
a:
Tα = qα (t, f) Syi
r
MSERROR
Donde: Syi =
b
[35/90]
Contenido
» Supuestos del modelo de bloques aleatorizados
Algo fundamental en el análisis de varianza son los supuestos de

los residuales, los cuales deben cumplir con tres condiciones:
∗ Normalidad (Prueba de normalidad de Ryan-Joiner)
Esta prueba evalúa la normalidad calculando la correlación

entre los datos y las puntuaciones normales de los datos. Si el
coeficiente de correlación se encuentra cerca de 1, es prob-
able que la distribución sea normal. El estadístico de Ryan-
Joiner evalúa la fuerza de esta correlación; si se encuentra
por debajo del valor crítico apropiado, se rechazará la hipóte-
sis nula de normalidad de la población.
[36/90]
Contenido
∗ Varianza constante
La prueba F y la prueba de Bartlett son exactas sólo para

datos distribuidos normalmente. Cualquier desviación de la
normalidad puede hacer que estas pruebas produzcan resul-
tados inexactos. Sin embargo, si los datos siguen la distribu-
ción normal, entonces la prueba F y la prueba de Bartlett son
normalmente más potentes que el método de comparaciones
múltiples o el método de Levene.
[37/90]
Contenido



[38/90]
Contenido



[39/90]
Contenido
» Diseño en de Cuadrado Latino y Diseño de Cuadrado Grecolatino
Diseño de Cuadro Latino
∗ Variables: Una de respuesta, un factor (principal) y dos

factores de bloque.
∗ Modelo: yijl = µ + τi + γj + δl + ϵijl
Diseño de Cuadro Grecolatino
∗ Variables: Una de respuesta, un factor (principal) y tres

factores de bloque.
∗ Modelo: yijlm = µ + τi + γj + δl + ϕm + ϵijl
[40/90]
Contenido
» Diseño en de Cuadrado Latino y Diseño de Cuadrado Grecolatino

Ejemplo para un DCL
Se estudia el efecto de cinco reactivos diferentes (A, B, C, D y E) sobre el
tiempo de reacción de un proceso químico. Cada lote de material nuevo
sólo alcanza para permitir la realización de cinco corridas. Además, cada
corrida requiere aproximadamente 11/2 horas, por lo que sólo pueden
realizarse cinco corridas en un día. El investigador decide realizar el ex-
perimento como un cuadrado latino para que los efectos del día y el lote
puedan controlarse sistemáticamente. Obtiene los datos que se mues-
tran enseguida.
Día
Lote 1 2 3 4 5
1 A=8 B=7 D=1 C=7 E=3
2 C = 11 E=2 A=7 D=3 B=8
3 B=4 A=9 C = 10 E=1 D=5
4 D=6 C=8 E=6 B=6 A = 10
5 E=4 D=2 B=3 A=8 C=8
[41/90]
Contenido
» Diseño en de Cuadado Latino y Diseño de Cuadrado Grecolatino

Ejemplo para un DCGL
El rendimiento de un proceso químico se midió utilizando cinco

lotes de materia prima, cinco concentraciones del ácido, cinco tiem-
pos de procesamiento (A, B, C, D y E) y cinco concentraciones del
catalizador (α, β, γ, δ, ϵ). Se usó el cuadrado grecolatino siguiente.
Concentración del ácido

Lote 1 2 3 4 5
1 Aα = 26 Bβ = 16 Cγ = 19 Dδ = 16 Eϵ = 13
2 Bγ = 18 Cδ = 21 Dϵ = 18 Eα = 11 Aβ = 21
3 Cϵ = 20 Dα = 12 Eβ = 16 Aγ = 25 Bδ = 13
4 Dβ = 15 Eγ = 15 Aδ = 22 Bϵ = 14 Cα = 17
5 Eδ = 10 Aϵ = 24 Bα = 17 Cβ = 17 Dγ = 14
[42/90]
Contenido

Tabla de Análisis de varianza para un DCL

SCT CMT
Tratamientos p−1 SCtrat CMT = F0 =
p−1 CME
SCR CMR
Renglones p−1 SCreng CMR = F0 =
p−1 CME
SCC CMC
Columnas p−1 SCcol CMC = F0 =
p−1 CME
SCE
Error (p − 2) (p − 1) SCerror CME =
(p − 2) (p − 1)
Total p2 − 1 SCtotal
[43/90]
Contenido
p
1X 2 y2
SStratamientos = y.j. − ...
p N
j=1
p
1X 2 y2
SSrenglones = yi.. − ...
p N
i=1
p
1X 2 y2
SScolumnas = y..k − ...
p N
k=1
XXX y2
SStotal = y2ijk − ...
N
i j k
SSError = SStotal − SStratamientos − SSrenglones − SScolumnas
[44/90]
Contenido

Tabla de Análisis de varianza para un DGCL
SCLT CMLT
Tratamientos con lt p−1 SCLT CMLT = F0 =
p−1 CME
SCLG CMLG
Tratamientos con lg p−1 SCLG CMLG = F0 =
p−1 CME
SCR CMR
Renglones p−1 SCreng CMR = F0 =
p−1 CME
SCC CMC
Columnas p−1 SCcol CMC = F0 =
p−1 CME
SCE
Error (p − 3) (p − 1) SCerror CME =
(p − 3) (p − 1)
Total p2 − 1 SCtotal
[45/90]
Contenido

p
1X 2 y2
SSLT = y.j.. − ...
p N
j=1
p
1X 2 y2
SSLG = y..k. − ...
p N
k=1
p
1X 2 y2
SSrenglones = yi... − ...
p N
i=1
p
1X 2 y2
SScolumnas = y...l − ...
p N
l=1
XXXX y2
SStotal = y2ijkl − ...
N
i j k l
SSError = SStotal − SSLT − SSLG − SSrenglones − SScolumnas
[46/90]
Contenido
Contenido
» Diseños factoriales
Los arreglos factoriales se utilizan cuando en una investigación
se pretende estudiar simultáneamente la influencia del cambio de
nivel de varios factores sobre la variable de respuesta. Este tipo
de diseño permite estimar los efectos simples de los factores y el
efecto de las interacciones de dichos factores. Sin embargo, se
evalúan de manera independiente por lo que se tendrá un par de
hipótesis para cada efecto.
El efecto de un factor simple (o principal) se define como el cambio

producido en la variable de respuesta debido al cambio de un nivel
a otro en el factor. El efecto de interacción de dos factores se
define como el cambio producido en la variable de respuesta al
cambiar los niveles de un factor con respecto a los niveles del otro
factor.
[47/90]
Contenido
Tipos de efectos para los factores principales
Respuesta
Nivel del factor

Nivel bajo Nivel alto
Sin efecto del factor
[48/90]
Contenido
Respuesta
Nivel del factor

Con efecto positivo
[49/90]
Contenido
Respuesta
Nivel del factor

Con efecto negativo
[50/90]
Contenido
Casos para las interacciones
Respuesta
Nivel alto
FACTOR B
Nivel bajo
Nivel del factor

FACTOR A
Sin interacción
[51/90]
Contenido
Respuesta
Nivel alto
FACTOR B
Nivel bajo
Nivel del factor

FACTOR A
Con interacción antagonística
[52/90]
Contenido
Respuesta
Nivel alto
FACTOR B
Nivel bajo
Nivel del factor

FACTOR A
Con interacción sinergística
[53/90]
Contenido
» Experimentos de dos factores

Ejemplo
Es común añadir el elemento químico antimonio a la soldadura
blanda de estaño-plomo como sustituto del estaño, que es más
caro, a fin de reducir el costo de la soldadura blanda. Se llevo a
cabo un experimento factorial con miras a determinar el efecto del
antimonio sobre la resistencia de la unión soldada en blando con
la soldadura de estaño-plomo. Se prepararon especímenes de sol-
dadura estaño-plomo empleando uno de cuatro métodos de enfri-
amiento posibles (extinción con agua, WQ; extinción con de aceite,
OQ; extinción con aire, AB, y enfriamiento en horno, FC) y agre-
gando a la composición cantidades de antimonio (0%, 3%, 5%, 10%).
Se asignaron aleatoriamente tres uniones soldadas en blando a
cada uno de los 4 × 4 = 16 tratamientos y se midió la resistencia
al corte de cada una. Los resultados experimentales aparecen en
la siguiente tabla,
[54/90]
Contenido

Cantidad de antimonio Método de Resistencia al corte
% en peso enfriamiento Mpa
0 WQ 17.6, 19.5, 18.3
0 OQ 20.0, 24.3, 21.9
0 AB 18.3, 19.8, 22.9
0 FC 19.4, 19.8, 20.3
3 WQ 18.6, 19.5, 19.0
3 OQ 20.0, 20.9, 20.4
3 AB 21.7, 22.9, 22.1
3 FC 19.0, 20.9, 19.9
5 WQ 22.3, 19.5, 20.5
5 OQ 20.9, 22.9, 20.6
5 AB 22.9, 19.7, 21.6
5 FC 19.6, 16.4, 20.5
10 WQ 15.2, 17.1, 16.6
10 OQ 16.4, 19.0, 18.1
10 AB 15.8, 17.3, 17.1
10 FC 16.4, 17.6, 17.6
[55/90]
Contenido
Nótese que es un diseño de dos factores, un factor A que es la

cantidad de antimonio con 4 niveles; un factor B que es el método
de enfriamiento; la variable de respuesta, la resistencia al corte.
El modelo matemático para este diseño es,
yijk = µ + τi + βj + (τ β)ij + ϵijk
yijk es la variable de respuesta (resistencia al corte), µ es la media

general, τi es el efecto simple de la cantidad de antimonio, βj es
el efecto del método de enfriamiento, (τ β)ij el efecto de la inter-
acción de la cantidad de antimonio y el método de enfriamiento, y
ϵijk es el error aleatorio.
[56/90]
Contenido

Las hipótesis que se pueden probar son:
1. H0 : No influye el efecto de la cantidad de antimonio en la resisten-

cia de corte (H0 : τi = 0).
Ha : Si influye el efecto de la cantidad de antimonio en la resisten-
cia de corte (Ha : τi ̸= 0).
2. H0 : No influye el método de enfriamiento en la resistencia de corte
H 0 : βj = 0 .
Ha : Si influye
el método de enfriamiento en la resistencia de corte
Ha : βj ̸= 0 .
3. H0 : No hay efecto de interacción entre la cantidad de antimonio y
el método de enfriamiento
en la resistencia de corte
H0 : (τ β)ij = 0 .
Ha : Si hay efecto de interacción entre la cantidad de
antimonio y el
método de enfriamiento en la resistencia de corte Ha : (τ β)ij ̸= 0 .
[57/90]
Contenido
» Análisis estadístico del diseño factorial de dos factores (ANOVA)

SSA MSA
Tratamiento A a−1 SSA MSA = F0 =
a−1 MSE
SSB MSB
Tratamiento B b−1 SSB MSB = F0 =
b−1 MSE
SSAB MSAB
Interacción (a − 1) (b − 1) SSAB MSAB = F0 =
(a − 1) (b − 1) MSE
SSE
Error ab (n − 1) SSerror MSE =
ab (n − 1)
Total abn − 1 SStotal
[58/90]
Contenido
» Análisis estadístico del diseño factorial de dos factores (ANOVA)

a
1 X 2 y2
SSA = yi.. − ...
bn abn
i=1
b
1 X 2 y2
SSB = y.j. − ...
an abn
i=1
a X
X b X
n
y2...
SST = y2ijk −
abn
i=1 j=1 k=1
Xa Xb
1 y2...
SSsubtotales = y2ij. −
n abn
i=1 j=1
SSAB = SSsubtotales −SSA − SSB
SSE = SStotal -SSsubtotales
[59/90]
Contenido
» Experimentos de tres factores

Ejemplo
Se tiene interés en el rendimiento de un proceso en particular para ello se con-
sideran tres factores: el efecto de la Temperatura (100, 120, 140), la Presión
(400, 450, 500) y el tiempo del lavado del producto en seguida del proceso de
enfriamiento (30 minutos, 35 minutos). Se realizan tres pruebas en cada combi-
nación de los factores. Los resultados del experimento son los siguientes:
Tiempo de lavado
30 minutos 35 minutos
Temperatura
Presión
400 450 500 400 450 500
31.7 30.3 31.2 24.9 25.5 27.2
100 30.8 30.2 31.6 27.1 26.1 26.7
31.3 30.5 32.0 26.5 25.3 26.0
30.4 30.2 30.7 23.8 27.6 25.8
120 31.8 30.9 30.5 26.3 22.5 25.2
31.5 30.5 30.2 25.9 24.9 26.5
33.6 32.0 31.1 25.7 25.2 26.9
140 34.1 31.6 31.0 26.7 26.5 26.6
34.5 31.5 31.5 27.7 25.9 27.2
[60/90]
Contenido

Nótese que es un diseño de tres factores, un factor A que es la tem-
peratura con 3 niveles; un factor B que es la presión con 3 niveles;
un factor C que es el tiempo de lavado con 2 niveles; la variable
de respuesta, el rendimiento del proceso. El modelo matemático
para este diseño es:
yijkl = µ + τi + βj + γk + (τ β)ij + (τ γ)ik + (βγ)jk + (τ βγ)ijk + ϵijkl
Donde, yijkl es la variable de respuesta (rendimiento del proceso),
µ es la media general, τi es el efecto simple de la temperatura, βj
es el efecto simple de la presión, γk es el efecto simple del tiempo
de lavado, (τ β)ij el efecto de la interacción entre la temperatura
y la presión, (τ γ)ik el efecto de interacción entre la presión y el
tiempo de lavado, (βγ)jk el efecto de interacción entre la temper-
atura y el tiempo de lavado, (τ βγ)ijk el efecto de interacción entre
la temperatura, la presión y el tiempo de lavado, y ϵijkl es el error
aleatorio.
[61/90]
Contenido

Planteamineto de Hipótesis:
1. Para el efecto simple de la temperatura:
H0 : τi = 0 (No influye el efecto simple de la temperatura
sobre el rendimiento del proceso)
Ha : τi ̸= 0 (Si influye el efecto simple de la temperatura
2. Para el efecto simple de la presión:
H0 : βj = 0 (No influye el efecto simple de la presión sobre el
rendimiento del proceso)
Ha : βj ̸= 0 (Si influye el efecto simple de la presión sobre el
3. Para el efecto simple del tiempo de lavado:
H0 : γk = 0 (No influye el efecto simple del tiempo de lavado
Ha : γk ̸= 0 (Si influye el efecto simple del tiempo de lavado
[62/90]
Contenido

4. Para el efecto de interacción entre la temperatura y la
presión:
H0 : (τ β)ij = 0 (No influye el efecto simple de la temperatura
Ha : (τ β)ij ̸= 0 (Si influye el efecto simple de la temperatura
5. Para el efecto de la interacción entre la presión y el tiempo
de lavado:
H0 : (τ β)ik = 0 (No influye el efecto de la interacción entre la
presión y el tiempo de lavado sobre el rendimiento del
proceso)
Ha : (τ β)ik ̸= 0 (Si influye el efecto de la interacción entre la
presión y el tiempo de lavado sobre el rendimiento del
proceso)
[63/90]
Contenido

6. Para el efecto de la interacción entre la temperatura y el
tiempo de lavado:
H0 : (βγ)jk = 0 (No influye el efecto de la interacción entre la
temperatura y el tiempo de lavado sobre el rendimiento del
proceso)
Ha : (βγ)jk ̸= 0 (Si influye el efecto de la interacción entre la
temperatura y el tiempo de lavado sobre el rendimiento del
proceso)
7. Para el efecto de la interacción entre la temperatura, la
presión y el tiempo de lavado:
H0 : (τ βγ)ijk = 0 (No influye el efecto de la interacción entre
la temperatura, la presión y el tiempo de lavado sobre el
Ha : (τ βγ)ijk ̸= 0 (Si influye el efecto de la interacción entre la
temperatura, la presión y el tiempo de lavado sobre el
[64/90]
Contenido
» Análisis estadístico del diseño factorial de tres factores (ANOVA)

SSA MSA
A a−1 SSA MSA = F0 =
a−1 MSE
SSB MSB
B b−1 SSB MSB = F0 =
b−1 MSE
SSC MSC
C c−1 SSC MSC = F0 =
c−1 MSE
SSAB MSAB
AB (a − 1) (b − 1) SSAB MSAB = F0 =
(a − 1) (b − 1) MSE
SSBC MSBC
BC (b − 1) (c − 1) SSBC MSBC = F0 =
(b − 1) (c − 1) MSE
[65/90]
Contenido
» Análisis estadístico del diseño factorial de tres factores (ANOVA)
SSAC MSAC
AC (a − 1) (c − 1) SSAC MSAC = F0 =
(a − 1) (c − 1) MSE
SSABC MSABC
ABC (a − 1) (b − 1) (c − 1) SSABC MSABC = F0 =
(a − 1) (b − 1) (c − 1) MSE
SSE
Error abc (n − 1) SSerror MSE =
abc (n − 1)
Total abcn − 1 SStotal
[66/90]
Contenido
Contenido
» Diseño Factorial 2k
Familia de diseños factoriales 2k (k ≤ 5)
Tratamiento Notación de Yates A B C D E
1 1 − − − − −
2 a + − − − −
3 b − + − − −
4 ab + + − − −
5 c − − + − −
6 ac + − + − −
7 bc − + + − −
8 abc + + + − −
9 d − − − + −
10 ad + − − + −
11 bd − + − + −
12 abd + + − + −
13 cd − − + + −
14 acd + − + + −
15 bcd − + + + −
16 abcd + + + + −
[67/90]
Contenido
Tratamiento Notación de Yates A B C D E
17 e − − − − +
18 ae + − − − +
19 be − + − − +
20 abe + + − − +
21 ce − − + − +
22 ace + − + − +
23 bce − + + − +
24 abce + + + − +
25 de − − − + +
26 ade + − − + +
27 bde − + − + +
28 abde + + − + +
29 cde − − + + +
30 acde + − + + +
31 bcde − + + + +
32 abcde + + + + +
[68/90]
Contenido
Diseño Réplicas recomendadas Número de corridas

22 3o4 12, 16
23 2 16
24 1o2 16, 32
25 fracción 25−1 o 1 16, 32
26 fracción 26−2 o fracción 26−1 16, 32
27 fracción 27−3 o fracción 27−2 16, 32
[69/90]
Contenido
» Diseño Factorial 22
Ejemplo
Se tiene dos variables A (tiempo) y B (dosificación de reactivo) el
cual se obtuvieron los siguientes resultados (Recuperación) para
lo cual se hicieron 4 réplicas para cada experimento.
A B Tratamiento Replica 1 Replica 2 Replica 3 Replica 4

−1 −1 1 18.2 18.9 12.9 14.4
+1 −1 a 27.2 24 22.4 22.5
−1 +1 b 15.9 14.5 15.1 14.2
+1 +1 ab 41 43.9 36.3 39.9
[70/90]
Contenido
La variable de respuesta para nuestro ejemplo es la recuperación

de Cu. En este diseño analizaremos tres efectos, el efecto del fac-
tor A (tiempo), del factor B (dosificación de reactivo) y la inter-
acción entre estos factores en la recuperación de Cu, este efecto
estará simbolizado por AB.
yijk = µ + τi + βj + (τ β)ij + ϵijk
Donde:
µ: Media global
τ : Efecto del tiempo A
β: Efecto de la dosificación de reactivo B
τ β: Interacción entre el tiempo y la dosificación de reactivo (AB)
ϵ: Error aleatorio o residual
[71/90]
Contenido
Las hipótesis que se pueden probar son:
1. H0 : No influye el efecto del tiempo en la recuperación de Cu

(H0 : τi = 0).
Ha : Si influye el efecto del tiempo en la recuperación de Cu
(Ha : τi ̸= 0).
2. H0 : No influyela dosificación de reactivo en la recuperación de

Cu H 0 : βj = 0 .
Ha : Si influye la dosificación de reactivo en la recuperación de
Cu Ha : βj ̸= 0 .
3. H0 : No hay efecto de interacción entre

el tiempo y ladosificación
de reactivo en la recuperación de Cu H0 : (τ β)ij = 0 .
Ha : Si hay efecto de interacción eentre
el tiempo y la dosificación
de reactivo en la recuperación de Cu Ha : (τ β)ij ̸= 0 .
[72/90]
Contenido
Ejemplo
Se ha observado que él % de Recuperación de Cu en una planta
concentradora es bajo debido al profundidad de la mina y a la
aparición de roca magmática que ha distorsionado alguno parámet-
ros del proceso. Para solucionar gran parte de este problema se
va hacer varias pruebas metalúrgicas para identificar las variables
que realmente mejoran el proceso y de esta manera saber cuál de
ellas deben ser optimizadas con un diseño estrella o rotable, las
variables y niveles que se va investigar son:
Niveles
Factores
−1 +1
x1 : Colector (lb/tn) 0.02 0.06
x2 :Ph 10 11
x3 : % en peso 27 33
[73/90]
Contenido
Colector pH % en peso Recuperación de Cu

0.02 10 27 94.0
0.06 11 27 84.2
0.02 10 27 82.0
0.06 11 27 83.0
0.02 10 33 92.5
0.06 11 33 92.7
0.02 10 33 93.2
0.06 11 33 92.1
[74/90]
Contenido
Planteamineto de Hipótesis:
1. Para el efecto simple del colector:
H0 : τi = 0 (No influye el efecto simple del colector sobre la
recuperación de Cu)
Ha : τi ̸= 0 (Si influye el efecto simple del colector sobre la
2. Para el efecto simple del pH:
H0 : βj = 0 (No influye el efecto simple del pH sobre la
Ha : βj ̸= 0 (Si influye el efecto simple del pH sobre la
3. Para el efecto simple del % en peso:
H0 : γk = 0 (No influye el efecto simple del % en peso sobre la
Ha : γk ̸= 0 (Si nfluye el efecto simple del % en peso sobre la
[75/90]
Contenido
4. Para el efecto de interacción entre el colector y el pH:
H0 : (τ β)ij = 0 (No influye el efecto de interacción entre el
colector y el pH sobre la recuperación de Cu)
Ha : (τ β)ij ̸= 0 (Si iinfluye el efecto de interacción entre el
colector y el pH sobre la recuperación de Cu)
5. Para el efecto de la interacción entre el efecto del colector y
el % en peso
H0 : (τ β)ik = 0 (No influye el efecto de la interacción entre el
efecto del colector y el % en peso sobre la recuperación de
Cu)
Ha : (τ β)ik ̸= 0 (Si influye el efecto de la interacción entre el
efecto del colector y el % en peso sobre la recuperación de
Cu)
[76/90]
Contenido
6. Para el efecto de la interacción entre el colector y el % en

peso:
H0 : (βγ)jk = 0 (No influye el efecto de la interacción entre el
colector y el % en peso sobre la recuoeración de Cu)
Ha : (βγ)jk ̸= 0 (Si influye el efecto de la interacción entre el
colector y el % en peso sobre la recuoeración de Cu)
7. Para el efecto de la interacción entre el colector, el pH y el %
en peso:
H0 : (τ βγ)ijk = 0 (No influye el efecto de la interacción entre
lel colector, el pH y el % en peso sobre la recuperación de Cu)
Ha : (τ βγ)ijk ̸= 0 (Si influye el efecto de la interacción entre
lel colector, el pH y el % en peso sobre la recuperación de Cu)
[77/90]
Contenido
Contenido
» Diseño factorial 2k con puntos centrales

∗ Cuando los factores estudiados admiten un nivel intermedio, es
recomendable usar este tratamiento del diseño.
∗ Este nivel adicional se conoce como punto central, y nos brinda los
siguientes beneficios:
∗ Permite detectar la curvatura.
∗ Permite hacer un análisis más detallado de los factores.
∗ Permite obtener grados de libertad para desarrollar una
ANOVA en diseños no replicados.
Punto central (0, 0)

FACTOR B
-
- FACTOR A + [78/90]
Contenido

Gráfica de efectos principales
Respuesta
El factor tiene un efecto que

parece ser significativo y con
una curvatura significativa.
Nivel del factor

−1 0 +1
[79/90]
Contenido

Respuesta
Para este factor, el efecto lineal

no es siginificativo pero presen-
ta una curvatura. Esta es la ra-
zón por la cual el punto central
permite un mejor análisis del
factor.
Nivel del factor

−1 0 +1
[80/90]
Contenido

Respuesta
Con este factor se tiene efecto

lineal con una alta significancia,
pero la curvatura no es tan
marcada. Incluso el pequeño
desplazamiento puede estar
dentro del error.
Nivel del factor

−1 0 +1
[81/90]
Contenido
Ejemplo
Un ingeniero está interesado en determinar las condiciones de op-
eración que maximizan el rendimiento de un proceso. Dos vari-
ables controlables influyen en el rendimiento: el tiempo y la tem-
peratura. El ingeniero decide realizar un experimento 2k con pun-
tos centrales para tener una idea del comportamiento del proceso.
A continuación se detalla los resultados del experimento.
Nivel Bajo Punto Central Nivel Alto

Factor
(−1) (0) (+1)
Tiempo (A) 30 35 40
Temperatura (B) 150 155 160
[82/90]
Contenido
Tratamientos Respuesta
A B y
−1 −1 76.5
1 −1 78
−1 1 77
1 1 79.5
0 0 79.9
0 0 80.3
0 0 80
0 0 79.7
0 0 79.8
[83/90]
Contenido
Contenido
» Diseño de Composición Central - DCC
∗ El DCC es altamente utilizado cuando se detecta curvatura

en el comportamiento de la variable de respuesta y por tanto
es necesario ajustar un modelo de regresión de segundo
orden.
∗ Una de sus grandes ventajas es que se puede construir de

forma modular.
∗ Por esta razón se puede recurrir a la experimentación

secuencial, lo cual es una estrategia eficiente que reduce
tiempo y costo.
[84/90]
Contenido
DCC con 2 factores DCC con 3 factores

x2 x3
(0; α)
(+1; +1) (−1; +1)
x2
(α, 0) (0; 0) (α, 0) x1
x1
(−1; −1) (+1; −1)
(0; −α)
[85/90]
Contenido
» Composición modular de un diseño
[86/90]
Contenido
» Relación de diseños vs modelos
Diseño Modelo Asociado
y = β0 + β1 x1 + β2 x2 + β12 x1 x2 + ϵ
y = β0 + β1 x1 + β2 x2 + β12 x1 x2 + Curvatura + ϵ
y = β0 + β1 x1 + β2 x2 + β12 x1 x2 + β11 x21 + β22 x22 + ϵ
[87/90]
Contenido
» Puntos axiales
∗ En un DCC los puntos axiales deben estar a una distancia α del
cero, esto para garantizar la rotabilidad del diseño.
∗ El valor de α depende del número de puntos factoriales que se
tengan en el diseño.
∗ A continuación se presenta una tabla con los valores propuestos
para α en función del número de puntos factoriales.
F: Número de 1/4
puntos factoriales
α = (F)
4 1.414
8 1.682
16 2.000
32 2.378
64 2.828
128 3.364
256 4.000
[88/90]
Contenido
Ejemplo
Dado que los resultados del experimento anterior muestran que la

curvatura es significativa, entonces debe aumentarse el diseño,
corriendo algunos experimentos en los puntos axiales, por lo cual
se completa el diseño central compuesta DCC, cuyos resultados se
presentan a continuación.
Nivel Bajo Punto Central Nivel Alto
Factor
(−1) (0) (+1)
Tiempo (A) 30 35 40
Temperatura (B) 150 155 160
[89/90]
Contenido

Tratamientos Respuesta
A B y
−1 −1 76.5
1 −1 78
−1 1 77
1 1 79.5
−1.414 0 75.6
1.414 0 78.4
0 −1.414 77.0
0 1.414 78.5
0 0 79.9
0 0 80.3
0 0 80
0 0 79.7
0 0 79.8
[90/90]

Beamer The Me Nord

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Beamer The Me Nord

Cargado por

Copyright:

Formatos disponibles

Diseño de Experimentos

Aplicaciones con el software Minitab 17

by Renato Vara Sánchez (Software Metalúrgico)

» Diseño de experimentos Software Metalúrgico

El diseño de experimentos es una “técnica estadística”que nos ayuda

El diseño de experimentos puede ser útil, tanto en la fase de diseño

Un experimento es eficiente cuando se obtiene la información re-

» La variación y la investigación Software Metalúrgico

Resultado de medición=Valor “verdadero”+Variación o error

El proceso estadístico de toda investigación consta de tres fases:

» Principios básicos del diseño de experimentos Software Metalúrgico

Para que un experimento tenga validez estadística se deben ob-

∗ Permite cuantificar el error aleatorio inherente al

» Principios básicos del diseño de experimentos Software Metalúrgico

∗ Confunde el efecto de factores no controlables.

» Principios básicos del diseño de experimentos Software Metalúrgico

» Metodología general Software Metalúrgico

» Metodología general Software Metalúrgico

» Metodología general Software Metalúrgico

5. Análisis de los datos

El objetivo de esta sección es plantear la idea esencial del diseño

El diseño de un solo factor con dos niveles es el diseño más sim-

Modelo matemático o modelo estadístico de este diseño es:

Donde yij es días de duración; µ media global o media general; τi

» Análisis estadístico de efectos fijos de un solo factor (ANOVA)

∗ Estimación de la suma de cuadrados total

» Análisis estadístico de efectos fijos de un solo factor (ANOVA)

Total N−1 SStotal

i=1 i=1 j=1

Se rechaza H0 a nivel α cuando: F0 > Fα,a−1,N−a

» Prueba de rangos múltiples

Nótese que el análisis de varianza sólo nos indica que si existen

La prueba de rangos múltiples consiste en un conjunto de pruebas

∗ Prueba de LSD: Prueba de la mínima diferencia significativa

» Prueba de LSD: Prueba de la mínima diferencia significativa

Supongamos que después de haber rechazado la hipótesis nula,

Suponiendo una hipótesis alterna bilateral, dos medias se consid-

» Prueba de LSD: Prueba de la mínima diferencia significativa

Si el diseño unifactorial es balanceado, es decir n1 = n2 = ... =

» Prueba de intervalos múltiples de Duncan

» Prueba de intervalos múltiples de Duncan

En seguida, se prueban las diferencias observadas entre las me-

Su procedimiento requiere del uso qα (a, f), que es conocido como

» Supuestos del modelo unifactorial

Algo fundamental en el análisis de varianza son los supuestos de

∗ Normalidad (Prueba de normalidad de Ryan-Joiner)

Esta prueba evalúa la normalidad calculando la correlación

» Supuestos del modelo unifactorial

La prueba F y la prueba de Bartlett son exactas sólo para

» Supuestos del modelo unifactorial

Evalúa la presencia de autocorrelación en los residuos al de-

Si alguno de esos tres no se cumple es suficiente para invalidar el

» Diseño en bloques aleatorizados

En muchos experimentos además de que interesa investigar la in-

» Diseño en bloques aleatorizados

El fabricante de una aleación maestra de aluminio produce refi-

» Diseño en bloques aleatorizados

» Diseño en bloques aleatorizados

En el ejemplo podemos ver que:

El módelo matemático asociado a este diseño es:

Donde yij es la textura; µ media global o media general; τi efecto

» Diseño en bloques aleatorizados

Para este diseño, el interés se encuentra en probar la igualdad de