SIGNIFICADO DE P Y F

Los asteriscos representan valores faltantes que no se puede calcular porque

el modelo está saturado y no hay suficientes grados de libertad para el error.

Consideremos este ejemplo de un modelo DOE factorial completo saturado: un

diseño de 3 factores y 2 niveles con los factores A, B, C, sin réplicas, sin puntos
centrales y sin bloques. El diseño tiene 8 corridas experimentales.

Al analizar el diseño, usted decide ajustar el modelo saturado incluyendo todos

los efectos principales (A, B, C) y todos los términos de interacción (AB, AC,
BC, ABC). La tabla ANOVA resultante muestra asteriscos para los valores de
SC para el error residual, el valor de CM para el error residual, todos los
estadísticos F y todos los valores p:

Los valores faltantes están en la tabla porque es imposible para Minitab

calcular estos estadísticos. Es imposible calcularlos porque hay 0 grados de
libertad (GL) para el error residual, como lo demuestran los siguientes cálculos:

 Total, de GL = número de corridas - 1

 GL para efecto principal = número de niveles de factor - 1

 GL para efecto de interacción = GL para los factores componentes,

multiplicados entre sí

 GL para error residual = Total de GL - suma de GL para todos los

términos incluidos en el modelo
Entonces, usando el ejemplo anterior:

 Total, de GL = 8 - 1 = 7 (8 filas de datos)

 GL para el factor A = 2 - 1 = 1 (el factor A tiene 2 niveles)

 GL para el factor B = 2 - 1 = 1

 GL para el factor C = 2 - 1 = 1

 GL para la interacción AB = (1) *(1) = 1 (el factor A tiene 1 GL, el factor B

tiene 1 GL)

 GL para la interacción AC = (1) *(1) = 1

 GL para la interacción BC = (1) *(1) = 1

 GL para la interacción ABC = (1) *(1) *(1) = 1

 GL para el error residual = 7 - (1 + 1 + 1 + 1 + 1 + 1 + 1) = 0

Cero grados de libertad para el error hacen que los cálculos fallen como se
indica a continuación. Cada valor de la columna CM ajust se calcula dividiendo
los valores de la columna SC ajust entre los valores correspondientes de la
columna GL (CM ajust para el factor A = SC ajust / GL = 0.0621 / 1 = 0.0621).
Sin embargo, el CM ajust para el error residual, comúnmente conocido como el
cuadrado medio del error (MSE), no se puede calcular porque es imposible
dividir algo entre 0 grados de libertad.

Además, Minitab calcula cada valor de la columna F de la tabla dividiendo cada

valor de CM ajust entre el MSE. Por ejemplo, el valor F para el factor A sería
igual a 0.0621 / MSE. No obstante, como el MSE no se puede calcular,
tampoco se puede calcular F.

Por último, el valor p se calcula a partir del estadístico F. Por lo tanto, si F es un

valor faltante, el valor p también debe ser un valor faltante.

La tabla ANOVA mostrará valores p y estadísticos F faltantes cada vez que

usted tenga un diseño de 2 niveles con una réplica, e incluya todos los términos
en el modelo. Para resolver la situación, vuelva a ajustar el modelo sin uno o
más de los términos de interacción. Para determinar la interacción de orden
más alto que debe eliminar de un modelo saturado, utilice las gráficas de los
efectos para estimar la significancia estadística de las interacciones.

Por ejemplo, Minitab puede calcular todos los valores de la tabla ANOVA para
los efectos principales y las interacciones de 2 factores si usted
elige Estadísticas > DOE > Factorial > Analizar diseño factorial, hace clic en el
botón Modelo y elimina el término de interacción ABC del modelo:

Ahora Minitab calcula todos los valores porque queda 1 GL para el error, lo que
significa que Minitab puede calcular el MSE, F y los valores p.
 INTERPRETACIÓN DE LAS GRAFICAS

Probabilidad normal vs ajuste

Utilice las gráficas de probabilidad normal para evaluar el grado en que los
datos originales y transformados siguen la distribución normal.

Si la transformación de Johnson es efectiva y la distribución normal provee un

buen ajuste para los datos transformados, los puntos en la gráfica de los datos
transformados deberían seguir de cerca la línea de la distribución normal
ajustada. Alejamientos de la línea recta indican que el ajuste es inaceptable y

que la transformación de Johnson no es efectiva.

Ajuste adecuado. Ajuste deficiente.

Residuo vs ajuste

Utilice la gráfica de residuos vs. ajustes para

verificar el supuesto de que los residuos están
distribuidos aleatoriamente y tienen una varianza
constante. Lo ideal es que los puntos se ubiquen
aleatoriamente a ambos lados del 0, con patrones no detectables en los
puntos.
Los patrones que se observan en la siguiente tabla podrían indicar que el
modelo no cumple con los supuestos del
modelo.

Histograma
Utilice el histograma dé %defectuoso para evaluar la distribución del
%defectuoso en las muestras.

Examine el pico y la dispersión de la distribución del %defectuoso. El pico

representa los valores más comunes y se aproxima al centro del %defectuosos.
Evalúe la dispersión para determinar qué tanto varía el %defectuoso entre las
muestras.

Compare la línea de referencia del valor objetivo con las barras del histograma.
Si el proceso es capaz, la mayoría o todas las barras del histograma deberían
estar a la izquierda del valor objetivo.

Residuo vs orden
Utilice la gráfica de residuos vs. orden para verificar el supuesto de que los
residuos son independientes entre sí. Los residuos independientes no
muestran tendencias ni patrones cuando se muestran en orden cronológico.
Los patrones en los puntos podrían indicar que los
residuos que están cercanos entre sí podrían estar
correlacionados y, por lo tanto, podrían no ser
independientes. Lo ideal es que los residuos que se
muestran en la gráfica se ubiquen aleatoriamente
alrededor de la línea central:

Si observa un patrón, investigue la causa. Los

siguientes tipos de patrones pueden indicar
que los residuos son dependientes.
Tendencia Cambio Ciclo