1era Fase

1. En que situaciones se aplica un diseño de bloques completos al azar? En

que difieren los factores de tratamiento y de bloque?

Solución: se utiliza el DBCA en diseños y análisis experimentales

donde se busca minimizar el sesgo y la varianza del error debido
a factores perturbadores, la diferencia más importante entre un
factor de tratamiento y uno de bloques es que el factor bloque
solo se incluye para obtener un estimado más preciso del error,
es por ello que pasa a “segundo término” mientras que el factor
tratamiento es el factor de interés que se desea estudiar.

2. Qué diferencia hay entre un diseño en bloques completos al azar y los

diseños en cuadro latino?

Solución: en un DBCA se estudia un factor bloque y un factor

tratamiento, mientras que en un diseño en cuadro latino se
controlan 2 factores de bloque y un factor tratamiento.

3. A) Señale el nombre del diseño experimental utilizado

Solución: se está empleando un diseño de bloques completos al

azar, donde el tipo de detergente es nuestro factor tratamiento
y el modelo de lavadora es el factor bloque.

b) Formule la hipótesis que se quiere probar en este problema

Solución: H0  Las medias de los tratamientos (Tipo de detergente) son

iguales.

Ha  Al menos una media de los tratamientos (Tipo de detergente)

difiere.
c) Datos del experimento

ANOVA DOS FACTORES

Prueba de varianzas iguales

Prueba de igualdad de varianzas para Rendimiento

Prueba de Bartlett

A Estadística de prueba 0.37

Valor P 0.945
Prueba de Levene
Estadística de prueba 0.12
Valor P 0.943
B
Detergente

0 10 20 30 40 50 60 70 80
Intervalos de confianza de Bonferroni de 95% para Desv.Est.

Prueba de igualdad de varianzas para Rendimiento

Prueba de Bartlett
Estadística de prueba 0.52
1 Valor P 0.771
Prueba de Levene
Estadística de prueba 0.17
Modelo de lavadora

Valor P 0.844

0 5 10 15 20 25 30
Intervalos de confianza de Bonferroni de 95% para Desv.Est.
Análisis de residuos

Gráficas de residuos para Rendimiento

Gráfica de probabilidad normal vs. ajustes
99
1
90
Porcentaje

Residuo
0
50

-1
10

1 -2
-2 -1 0 1 2 40 44 48 52 56
Residuo Valor ajustado

Histograma vs. orden

4
1
3
Frecuencia

Residuo

0
2

-1
1

0 -2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 1 2 3 4 5 6 7 8 9 10 11 12
Residuo Orden de observación

Grafica de efectos principales

Gráfica de efectos principales para Rendimiento
Medias de datos

Detergente Modelo de lavadora

52

50
Media

48

46

44

42
A B C D 1 2 3
 Grafica de interacción

Gráfica de interacción para Rendimiento

Medias de datos
60 Detergente
A
B
C
55 D

50
Media

45

40

1 2 3
Modelo de lavadora

- Conclusiones:

El modelo sigue una distribución normal debido a que los

residuales se acercan a la línea recta además de que el
histograma presenta la forma de la “campana de gauss”,
además al realizar las pruebas de varianzas se confirma el
supuesto de varianza constante, al analizar el grafico de
residuales vs ajustes se observa que los puntos están
distribuidos de manera aleatoria por arriba y debajo de la
recta, concluyendo que la respuesta presenta independencia.
En base al valor P (P< alfa) de nuestra tabla de ANOVA se
concluye que los factores detergentes y modelo de lavadora
afectan de manera significativa el rendimiento, rechazándose
a si nuestra hipótesis nula. Si se busca optimizar el
rendimiento en base a nuestro grafico de efectos principales
se recomienda operar con el detergente tipo C y el modelo 3
de lavadora. No se presenta interacción entre los factores a
nivel de alfa 0.05.

4. a) El diseño que se emplea es un diseño factorial de un solo factor

b) H0: las medias de los tratamientos (tipo de detergente) son iguales

Ha: al menos una media de los tratamientos (tipo de detergente) difiere

c) Datos del experimento

ANOVA un solo factor y Prueba de Fisher

Análisis de residuos

Gráficas de residuos para Rendimiento

Gráfica de probabilidad normal vs. ajustes
99
5.0
90
Porcentaje

2.5

Residuo
50 0.0

-2.5
10
-5.0
1
-10 -5 0 5 10 44 46 48 50 52
Residuo Valor ajustado

Histograma vs. orden

4.8
5.0
Frecuencia

3.6 2.5

Residuo
2.4 0.0

-2.5
1.2
-5.0
0.0
-5.0 -2.5 0.0 2.5 5.0 7.5 1 2 3 4 5 6 7 8 9 10 11 12
Residuo Orden de observación

Gráfico de efectos principales

Gráfica de efectos principales para Rendimiento

Medias de datos

52

50

48
Media

46

44

42
A B C D
Detergente

- Conclusiones: el modelo sigue una distribución normal sin

embargo al momento de analizar nuestra tabla de ANOVA se
observa que nuestra linealidad del modelo es muy baja
debido al valor de R2 , además al analizar el valor P se
concluye que aparentemente el factor detergente no afecta
de manera significativa sin embargo esto se contradice con
nuestro experimento realizado previamente, en base a la
tabla de ANOVA y el análisis de residuos se concluye que el
 modelo no presenta una adecuación tan buena como el
realizado en el DBCA por lo tanto me quedo con las
conclusiones obtenidas previamente en el DBCA.
SEGUNDA FASE
1. Cuáles son los supuestos del modelo en un diseño factorial y con cuales
graficas de residuos se puede verificar cada uno de estos supuestos?
Solución: los 3 supuestos son independencia en la respuesta (se
verifica con la gráfica de residuos vs ajustes), distribución normal
del modelo (se verifica con la gráfica de distribución normal de
residuos) y la varianza de los errores constante (se puede verificar
con los gráficos de residuos vs variables).
2. En caso de no cumplirse los supuestos de normalidad y varianza
constante, que se puede hacer para evitar problemas con el análisis y
los resultados obtenidos?

Solución: se pueden realizar transformaciones cuadráticas o

logarítmicas además de poder emplear métodos no paramétricos
para tratar de obtener una mejor adecuación del modelo.

3. Que significa que un factor tenga un efecto significativo? Sobre quien es

el efecto?
Solución: significa que el factor tiene un valor P menor que
nuestra significancia (valor alfa) concluyendo que el factor
afecta de manera significativa nuestra variable de respuesta.

4. A) H0:τ1=τ2=…=τa
H1:al menos una τi≠0
H0:β1= β2=…= βb
H1:al menos una βj≠0
H0:(τβ)ij=0 para todas las i,j
H1: al menos una (τβ)ij≠0

c) En base a nuestra tabla de ANOVA se puede observar que el

valor F de menor valor se observa en el tratamiento B,
concluyendo que es el valor que afecta de manera mas
significativa nuestra respuesta.
 5.

a)

Solucion: en base a nuestra tabla de ANOVA se concluye que nuestro

factor temperatura afecta de manera significativa la corrosión debido
a que presenta un valor P menor que alfa (0.05)
b)

Gráfica de efectos principales para corrosion

Medias de datos

A B
90

80

70
Media

60

50

40

30

20
-1 1 -1 1

En base a nuestro grafico de efectos principales se recomienda

operar a una temperatura baja (650 F) y a un tiempo minimo
(5min) para lograr obtener un menor porcentaje de corrosión