Taller de Mejores Practicas Minitab

Mejores prácticas
Contáctenos
Minitab es una empresa global con subsidiarias y representantes en todo el mundo. Para encontrar una oficina o un socio local de
Minitab en su país, visite www.minitab.com/contact-us
Capacitación
Training by Minitab® maximiza la posibilidad de seleccionar el método adecuado, trabajar con las herramientas más eficientes y
validar los resultados para impulsar una toma de decisiones efectiva basada en datos.
Descubra nuestra opciones de cursos públicos o en el sitio en: www.minitab.com/training/training
Ventajas
Nuestros cursos prácticos, impartidos por instructores expertos, utilizan ejemplos del mundo real para ayudarle a:
• Entender conceptos, métodos y herramientas de gran utilidad.
• Aplicar los conceptos para abordar desafíos de negocios del mundo real.
• Presentar informes a la dirección con pruebas, exactitud y confianza.
• Mejorar las habilidades y conocimientos esenciales para su función.
Manuales de capacitación para un aprendizaje permanente

Al asistir a los cursos de Training by Minitab®, recibirá manuales de capacitación de gran calidad en los que podrá apoyarse en el
futuro.
Conjuntos de datos - Disponibles en todo momento
Puede descargar los conjuntos de datos de los ejemplos prácticos para todos los cursos en:
www.minitab.com/training/training/resources
Mejores Practicas
Rutas de aprendizaje
Elija su ruta de aprendizaje según su experiencia y su industria. Nuestros cursos son modulares y están centrados en la industria
para ofrecerle la flexibilidad necesaria para llevar sus habilidades al siguiente nivel. Vaya a www.minitab.com/training/training/courses
Consultoría estadística
Statistical Consulting by Minitab® facilita la implementación de iniciativas continuas de mejora de la calidad que generan ahorros
en los costos al proporcionarle el soporte técnico en estadística que usted necesite, en el momento preciso que lo necesite. Nuestros
consultores poseen años de experiencia en mejora de la calidad en todas las industrias y ofrecen soporte técnico personalizado
para garantizar que usted alcance sus metas.
Visite www.minitab.com/training/statistical-consulting
Soporte técnico
Nuestros especialistas son expertos en el manejo del software de Minitab, así como en estadística, mejora continua y sistemas
informáticos. Las subsidiarias y los representantes locales independientes de Minitab en todo el mundo ofrecen soporte técnico
por teléfono en el idioma local.
Visite www.minitab.com/support
©2019 Minitab, LLC. Todos los derechos reservados. Minitab® y el logotipo de Minitab® son marcas comerciales registradas de
Minitab, LLC, en los Estados Unidos y en otros países. Para obtener más información, consulte www.minitab.com/legal/trademarks.
Los materiales de capacitación de Minitab se desarrollaron específicamente para su uso en los cursos que ofrecen los instructores
de Minitab y los socios certificados de Minitab. Si el contenido de este material es impartido por instructores sin la certificación de
Minitab, Minitab, LLC no se hace responsable de la calidad ni del contenido de la instrucción proporcionada.
Mejores Practicas
Correlación y regresión
múltiple
Mejores Practicas
Eliminación hacia atrás

Ejemplo 1: Reducción del golpeteo del motor
Problema Conjunto de datos
Ingenieros de control de calidad desean identificar los Golpeteo.MTW
principales predictores del golpeteo del motor. Consideran
las siguientes variables: Variable Descripción
• Sincronización de la chispa Chispa Predictor: sincronización de la chispa.

• Temperatura de admisión Admisión Predictor: temperatura de admisión (° C).
• Temperatura de escape Escape Predictor: temperatura de escape (° C).
• Relación aire-combustible (AFR) AFR Predictor: relación aire-combustible.
Recolección de datos Golpeteo Respuesta: golpeteo medido del motor.
Los ingenieros recolectaron datos de 26 motores
seleccionados aleatoriamente, todos funcionando con gasolina
con un octanaje de 87.
Herramientas
• Correlación
• Gráfica de matriz
• Regresión
Correlación y regresión múltiple

Mejores prácticas 1
Regresión múltiple
Qué es la regresión múltiple Cuándo utilizar la regresión múltiple
La regresión múltiple examina la relación entre una variable Utilice la regresión múltiple cuando tenga una Y continua y más
de respuesta continua (Y) y más de una variable predictora de una X.
(X). La ecuación general para un modelo de regresión múltiple
es: • X es ordinal o continua.
Y = β0 + β1X1 + β2X2 + β3X3 + … + ε • En teoría, X debería ser fija. Sin embargo, en la práctica, el valor
de X suele variar.
donde Y es la respuesta, β0 es la intersección, cada Xi es una • Se presupone que cualquier incertidumbre en la medición de
variable predictora con un coeficiente de modelo de βi, y ε es X es insignificante en comparación con el rango en el que se
el error aleatorio. mide X.
Para confirmar que el análisis es válido, verifique todos los

supuestos sobre el término de error del modelo. Utilice gráficas
de residuos para verificar si los errores tienen las características
siguientes:
• Distribuidos normalmente
• Varianza constante para todos los valores ajustados
• Aleatorios en el tiempo

Regresión múltiple
Por qué utilizar la regresión múltiple
La regresión múltiple responde a preguntas como:
• ¿Qué tan importantes son las variables X en la predicción
de Y?
• ¿Qué valor se puede esperar para Y cuando X1 es 20 y X2
es 3?
• ¿Cuánto cambiará la media de Y si X3 aumenta en una
unidad mientras las demás X se mantienen fijas?
Por ejemplo,
• ¿Cómo se relacionan temperatura de procesamiento y la
porosidad con la dureza media del acero?
• ¿Qué tan duro se puede esperar que sea el acero al ser
procesado a una determinada temperatura durante cierto
período de tiempo?
• ¿Cuánto aumentará la dureza del acero en promedio si la
temperatura aumenta en 100° con una porosidad fija?

Gráfica de matriz y correlación

Utilice una gráfica de matriz y los coeficientes de correlación Correlación
para determinar si existen relaciones entre la variable respuesta
y las variables predictoras. 1. Abra Golpeteo.MTW.
Variables de gráfica 2. Elija Estadísticas > Estadísticas básicas > Correlación.
Es más fácil observar la relación entre la respuesta y los 3. Complete el cuadro de diálogo como se muestra a
predictores si la variable de respuesta se ingresa en primer continuación.
lugar o en último lugar.
4. Haga clic en Aceptar.

Interpretación de los resultados

Los resultados incluyen gráficas para cada combinación de
variables.
Golpeteo y Chispa tienen una correlación negativa, mientras
que Golpeteo tiene una correlación positiva con cada uno de
los predictores restantes.
Nota La gráfica de matriz solo muestra las relaciones individuales, sin

tener en cuenta las relaciones conjuntas entre los predictores. Por lo
tanto, tenga cuidado al sacar conclusiones acerca de las relaciones entre
las X y Y. Frecuentemente la gráfica de matriz no coincidirá con los
resultados de la regresión múltiple.


La matriz de correlación muestra una correlación negativa
entre Golpeteo y Chispa (r = -0.839). Existen correlaciones
positivas entre Golpeteo y cada uno de los predictores
restantes:
• Admisión (r = 0.354)
• Escape (r = 0.625)
• AFR (r = 0.638)
Próximo paso
Utilizar la regresión para analizar el modelo de regresión
múltiple con los cuatro predictores.

Ajuste de un modelo de regresión múltiple

Utilizar la regresión para analizar el modelo de regresión Ajustar modelo de regresión
múltiple con los cuatro predictores.
1. Elija Estadísticas > Regresión > Regresión > Ajustar modelo
de regresión.
2. Complete el cuadro de diálogo como se muestra a

continuación.


Un diagrama de Pareto de efectos estandarizados muestra
cuáles términos contribuyen más a la variabilidad en la
respuesta. En este caso, el diagrama muestra cuáles
predictores afectan significativamente el golpeteo y la
magnitud relativa de cada efecto.
Esta gráfica muestra lo siguiente:
• Los términos de arriba abajo en orden decreciente de
importancia.
• Una línea de referencia en el nivel de significancia (α) =
0.05; cualquier barra que se extienda más allá de la línea
es un efecto significativo.
El diagrama de Pareto muestra que tanto Chispa como AFR

afectan significativamente el golpeteo del motor. La
temperatura de admisión y la temperatura de escape no son
significativas en un modelo que incluye los cuatro predictores.
Aunque los diagramas de Pareto muestran la magnitud de un
efecto, no indican la dirección de la relación.


Tabla de coeficientes
Tenga cuidado al interpretar los coeficientes de la regresión
múltiple. El valor p de cada predictor solo indica si la variable
es significativa en el modelo actual que contiene los otros
predictores.
Por ejemplo, Escape no es un predictor significativo en el
modelo actual (P = 0.738). Sin embargo, si elimina Chispa del
análisis, Escape se vuelve significativo (no se muestra,
P = 0.003). Esto se debe a que Chispa y Escape están muy
correlacionados (R = –0.665, véase la página 190) y, por lo
tanto, explican parte de la misma varianza en Golpeteo.


Cuando existe una alta correlación entre dos o más de las
variables predictoras en un análisis de regresión, es difícil
evaluar el impacto individual que cada uno de los predictores
correlacionados tiene sobre la respuesta.
El factor de inflación de la varianza (FIV) indica cuánto se ha
inflado la varianza de un coeficiente debido a las correlaciones
entre los predictores del modelo.
• FIV = 1 indica que no hay aumento.

• 1 < FIV < 5 indica un aumento de leve a moderado.
• 5 < FIV < 10 indica un aumento de leve a grande.
• FIV > 10 indica un aumento grande y es motivo de
preocupación.
Para estos datos, todos los valores de FIV están por debajo
de 2.5, lo que indica que la multicolinealidad no es un
problema.


Pruebas para determinar la significancia
Un valor p > 0.05 indica que el predictor no es significativo
en el análisis. Sin embargo, para los estudios observacionales,
los coeficientes y los valores p cambian cuando se eliminan
predictores del modelo. Por lo tanto, elimine primero el
predictor no significativo con el valor p más grande y vuelva
a ajustar el modelo. Siga quitando predictores no significativos
uno por uno hasta que todos los predictores tengan valores
p por debajo de 0.05.
El predictor menos significativo en este análisis es Escape (P
= 0.738). La temperatura de escape no es un predictor
significativo del golpeteo del motor en un modelo que
contiene los otros predictores.
Próximo paso
Eliminar el predictor con el valor p más grande y volver a
realizar el análisis.

Reducción del modelo

Elimine Escape del modelo. Ajustar modelo de regresión
de regresión o presione Ctrl+E.

continuación.


El predictor menos significativo en este análisis es Admisión.
La temperatura de admisión no afecta significativamente el
golpeteo del motor cuando Chispa y AFR están presentes en
el modelo.
Próximo paso
Retirar el predictor con el mayor valor p y volver a realizar el
análisis de regresión.


Elimine Admisión del modelo. Ajustar modelo de regresión
de regresión o presione Ctrl+E.

continuación.


Ecuación de regresión
La ecuación que relaciona la respuesta con los predictores es:
Golpeteo = 99.73 - 1.854 Chispa + 0.88 AFR
R2 (R-cuad. ) y R2 ajustado (R-cuad.(ajust.) )

El modelo explica 79.54% de la variabilidad en la respuesta.
El R2 nunca disminuirá si usted agrega predictores al modelo,
aunque tales predictores no produzcan mejores modelos. El
estadístico R2 ajustado (R–cuad(ajust) = 77.76%) se ajusta al
número de términos en el modelo y es útil para comparar
modelos con diferentes cantidades de predictores.
R2 de predicción
El R2 de predicción (R-cuad.(pred)) refleja qué tan bien
predecirá el modelo los datos futuros. El R2 de predicción
puede evitar un sobreajuste del modelo. Si el R2 de predicción
está lejos del R2 y del R2 ajustado, puede indicar que existen
puntos de datos influyentes. En este ejemplo, el R2 de
predicción = 73.12% es similar al R2 y al R2 ajustado.

Diagnósticos del modelo de residuos

Para confirmar que el análisis es válido, verifique todos los Ajustar modelo de regresión
supuestos sobre el término de error del modelo. Utilice
gráficas de residuos para verificar si los errores tienen las 1. Elija Estadísticas > Regresión > Regresión > Ajustar modelo
características siguientes: de regresión o presione Ctrl+E.
• Distribuidos normalmente 2. Haga clic en Gráficas.

• Aleatorios en el tiempo continuación.
4. Haga clic en Aceptar en cada cuadro de diálogo.


Gráfica de residuos cuatro en uno
• Gráfica de probabilidad normal — Como los puntos de
la gráfica de probabilidad normal siguen aproximadamente
una línea recta, usted puede presuponer que los residuos
no difieren sustancialmente de una distribución normal.
• Histograma — Utilice la gráfica de probabilidad normal
para tomar decisiones sobre la normalidad de los residuos.
Con un tamaño de muestra razonablemente grande, el
histograma muestra información compatible.
• vs. ajustes — Aparentemente no se viola el supuesto de
varianza constante, porque los residuos están dispersos
aleatoriamente alrededor de cero y tienen
aproximadamente la misma dispersión para todos los
valores ajustados.
• vs. orden — La gráfica de los residuos versus el orden no
muestra ningún patrón. Por lo tanto, no hay ninguna
dependencia del tiempo en los residuos.

Consideraciones finales
Resumen y conclusiones Tenga cuidado con la multicolinealidad. Cuando las variables
predictoras están altamente correlacionadas:
La ecuación de regresión del modelo utilizando Chispa y AFR
para predecir Golpeteo es: • Los coeficientes de regresión estimados pueden ser inestables
(pueden variar ampliamente de una muestra a otra).
Golpeteo = 99.73 – 1.854 Chispa + 0.880 AFR
• Puede ser difícil evaluar la importancia de los términos
Este modelo explica 79.54% de la variabilidad en Golpeteo. individuales incluidos en el modelo.
Consideraciones adicionales Tenga cuidado al eliminar más de un predictor a la vez. Una

buena manera de seleccionar los predictores para un modelo de
Considere lo siguiente cuando realice el análisis de regresión: regresión múltiple es probar todas las combinaciones posibles
utilizando un procedimiento de comparación de modelos como
• No puede utilizar el análisis de regresión para afirmar que
el de los mejores subconjuntos (véase la página 205) o la regresión
los cambios en los predictores causan cambios en la
respuesta, a menos que los valores de los predictores se escalonada (véase la página 214).
hayan fijado en niveles predeterminados en un
experimento controlado. Si se permite que los valores de
los predictores varíen aleatoriamente, otros factores
pueden influir tanto en los predictores como en la
respuesta.
• No aplique los resultados de la regresión a valores de
predictores que estén fuera del rango de la muestra.
• La precisión de las mediciones es importante. La falta de
precisión aumenta la incertidumbre en las estimaciones
de los coeficientes de regresión.
• Trate de no pasar por alto factores potencialmente
importantes al diseñar un estudio de regresión.

Desgaste de banda (retomado)
Ejercicio H: Desgaste de banda (retomado)

Problema 4. Busque patrones poco comunes y valores atípicos en los
residuos.
Un fabricante suministra tres tipos de bandas para motores
industriales. El fabricante está interesado en el rendimiento 5. Cree una gráfica de dispersión de Horas vs. Velocidad agrupada
de las bandas a distintas velocidades de funcionamiento y por Banda.
tensiones de la banda.
Recolección de datos Conjunto de datos

Para medir el rendimiento, los clientes registran el número de DesgBanda.MTW
horas que utilizan las bandas hasta que se produce un nivel
predefinido de desgaste. Los clientes también registran la Variable Descripción
velocidad promedio (medida en rpm) y la tensión a la que Banda Predictor: tipo de banda.
funcionan las bandas durante el uso.
Tensión Predictor: tensión de la banda (lb).
Instrucciones
Velocidad Predictor: velocidad de funcionamiento
1. Cree una gráfica de matriz con grupos utilizando la promedio de los equipos (rpm).
respuesta y los predictores.
Horas Respuesta: horas de funcionamiento hasta el
2. Verifique las correlaciones de los predictores continuos y momento en que la banda mostró signos de
la respuesta. desgaste.
3. Utilice Estadísticas > Regresión > Regresión > Ajustar

modelo de regresión para los tres predictores. (Pista:
Banda es un predictor categórico.) Reduzca el modelo, un
predictor por vez, usando α = 0.05.

Regresión de mejores subconjuntos

Ejemplo 2: Reducción del golpeteo del motor
Ingenieros de control de calidad desean identificar los Golpeteo.MTW
principales predictores del golpeteo del motor. Consideran
las siguientes variables: Variable Descripción
• Sincronización de la chispa Chispa Predictor – sincronización de la chispa

• Temperatura de admisión Admisión Predictor – temperatura de admisión (°C)
• Temperatura de escape Escape Predictor – temperatura de escape (°C)
• Relación aire-combustible (AFR) AFR Predictor – relación aire-combustible
Recolección de datos Golpeteo Respuesta – golpeteo medido del motor
Los ingenieros recolectan datos de 26 motores seleccionados
de forma aleatoria.
Herramientas
• Mejores subconjuntos


Qué es la regresión de mejores subconjuntos Por qué utilizar la regresión de mejores subconjuntos
La regresión de mejores subconjuntos evalúa todas las La regresión de mejores subconjuntos responde a preguntas como:
combinaciones posibles de los predictores para ayudarle a
determinar qué combinación ofrece el mejor modelo de • ¿Qué combinación de factores predecirá la respuesta con mayor
eficiencia?
regresión. Minitab utiliza el criterio de R2 máximo para elegir
el mejor modelo. Otros criterios pueden proporcionar un • ¿Cuál es el mejor modelo de regresión posible utilizando 5 de
modelo diferente. 20 predictores?
Cuándo utilizar la regresión de mejores Por ejemplo,

subconjuntos
• ¿Es un modelo que utiliza 10 variables para predecir la suavidad
Utilice la regresión de mejores subconjuntos cuando tenga de los helados mejor que uno que utiliza solamente la
muchos predictores posibles y, por lo tanto, muchos modelos temperatura y la velocidad de mezcla?
de regresión posibles entre los cuales elegir.

Elección de un modelo apropiado

Utilice Mejores subconjuntos para elegir un modelo de Mejores subconjuntos
regresión múltiple para Golpeteo y evitar los siguientes
problemas: 1. Abrir Golpeteo.MTW.
• Modelos engorrosos e ineficientes debido al uso de 2. Elija Estadísticas > Regresión > Regresión > Mejores
demasiados predictores subconjuntos.
• Coeficientes inestables debido al uso de predictores
redundantes y correlacionados
continuación.
• Capacidad predictiva inadecuada debido al uso de muy
pocos predictores
Predictores libres
En Predictores libres, ingrese las cuatro variables. Minitab
prueba todas las combinaciones posibles de estas variables
y reporta estadísticas de los mejores modelos. (Cada modelo
incluirá las variables que usted ingrese en Predictores en
todos los modelos).
4. Haga clic en Opciones.
5. En Modelos de cada tamaño que se imprimirán, escriba 1.

Haga clic en Aceptar en cada cuadro de diálogo.


Variables
La columna Vars indica el número de predictores en el modelo.
Las X en el lado derecho de la tabla indican los predictores
incluidos en cada modelo.
En este ejemplo, el R2, el R2 ajustado y el R2 de

predicción
Al comparar modelos:
• Si tienen la misma cantidad de predictores, busque el
modelo con el R2 más alto.
• Si la cantidad de predictores es diferente, busque el
modelo con el R2 ajustado más alto.
• Busque el modelo con el R2 de predicción más alto.
Cp de Mallows
Busque modelos donde Cp sea pequeño y esté cerca del
número de parámetros del modelo. Por ejemplo, para un
modelo con 3 predictores y la intersección, busque un modelo
con un Cp cercano a 4.
Un valor de Cp pequeño indica que el modelo es relativamente
preciso en la estimación de los coeficientes de regresión reales
y la predicción de respuestas futuras.


Variabilidad
S es una estimación de la variabilidad promedio en torno a la
línea de regresión. En términos matemáticos, S es la raíz
cuadrada positiva del MSE. Lo ideal es que S sea tan pequeño
como sea posible.
Conclusión
De acuerdo con estos criterios, el modelo que contiene Chispa
y AFR es el mejor. Es el mismo modelo que obtuvo
anteriormente cuando utilizó el procedimiento manual de
eliminación hacia atrás.
El modelo que contiene los predictores Chispa, Admisión y
AFR es comparable, pero el valor de S para este modelo es
ligeramente mayor y no se logra ninguna ganancia en el R2
ajustado al usar este modelo. Por lo general, lo más indicado
es elegir el modelo más simple, a menos que un modelo más
complicado sea claramente mejor.

Resumen y conclusiones Consideraciones adicionales
El mejor modelo para predecir Golpeteo incluye Chispa y Antes de usar la regresión de los mejores subconjuntos para
AFR. evaluar diferentes modelos de regresión, asegúrese de que sus
predictores y su respuesta sean válidos, para que todos los
modelos posibles sean modelos de regresión válidos.
Todas las reglas y directrices relativas al ajuste de los modelos de
regresión múltiple (véase la página 186) también se aplican al elegir
un modelo utilizando este procedimiento.

Asistente: Reducción del golpeteo del motor
Ejercicio 1: Asistente: Reducción del golpeteo del motor

Utilice Asistente para encontrar los predictores clave del Golpeteo.MTW
golpeteo del motor.
Variable Descripción
Recolección de datos
Chispa Predictor: sincronización de la chispa.
Los ingenieros recolectan datos de 26 motores seleccionados
de forma aleatoria. Admisión Predictor: temperatura de admisión (° C)
Instrucciones Escape Predictor: temperatura de escape (° C)
1. Utilice Asistente > Regresión y elija Regresión múltiple AFR Predictor: relación aire-combustible.
para hallar el mejor modelo.
Golpeteo Respuesta: golpeteo medido del motor.

Duración del sueño
Ejercicio 2: Duración del sueño

Problema 4. Busque patrones poco comunes y valores atípicos en los
residuos.
Determine cuáles de los predictores incluidos en la tabla de=
la derecha están relacionados con la duración del sueño en=
las 51 especies bajo investigación. El índice de depredación= Conjunto de datos
va desde 1, el menos propenso a ser devorado, hasta 5, el= Sueño.MTW
más propenso a ser devorado. El índice de exposición durante=
el sueño va desde 1, el animal duerme en una cueva bien= Variable Descripción
protegida, hasta 5, el animal queda expuesto mientras duerme.
Especie Indicator: indica las especies animales.
Peso (Kg) Predictor: peso del animal (kg).
Datos tomados del sitio web StatLib:
Vida máx. (Años) Predictor: longevidad máxima (años).
http://lib.stat.cmu.edu/datasets/sleep
Gestación (Días) Predictor: período de gestación (días).
Instrucciones Depredación Predictor: índice de probabilidad de ser
1. Cree una gráfica de matriz y verifique las correlaciones. devorado.
2. Utilice Estadísticas > Regresión > Regresión > Mejores Exposición Predictor: índice del nivel de exposición
subconjuntos para determinar el "mejor" modelo. durante el sueño.
3. Utilice Estadísticas > Regresión > Regresión > Ajustar Sueño (Horas) Respuesta: horas que el animal duerme por
modelo de regresión para determinar los términos que día.
son significativos cuando las pruebas se realizan con un
nivel de significancia (α) = 0.05. Reduzca el modelo
incluyendo solamente los términos que tengan valores p
menores que 0.05.

1
Repaso general de experimentos
diseñados
Objetivos
• Entender la estrategia de experimentos diseñados.
• Reconocer los tipos de experimentos disponibles en Minitab.
Repaso general de experimentos diseñados

Repaso general
Repaso general
Propósito Aplicaciones de experimentos diseñados
Este curso introduce el concepto de experimentos diseñados Utilice los experimentos diseñados para:
factoriales completos y experimentos diseñados factoriales
fraccionales. Utilizando ejemplos, usted aprenderá sobre la • Determinar cuáles factores tienen un efecto significativo sobre
planificación del diseño, ejecución y análisis de los una respuesta
experimentos diseñados para identificar la configuración
óptima para un proceso. • Identificar el efecto de una interacción entre dos variables
Los experimentos diseñados consisten de series de corridas

• Optimizar el rendimiento del proceso
o pruebas en las cuales (1) las variables de entrada de un • Reducir el tiempo de desarrollo para nuevos productos
proceso se cambian simultáneamente y (2) las respuestas son
objeto de observación.
• Reducir la variación en un proceso
Utilizar este enfoque para mejorar un proceso es mucho más

• Determinar la configuración óptima de los factores, de manera
que se optimicen todas las respuestas, incluyendo seguridad
eficiente que otros métodos, tales como la experimentación y costos
de “un factor a la vez”. Con los experimentos diseñados,
utilizando una cantidad de pruebas mucho menor, pueden
estudiarse simultáneamente muchos factores, obteniéndose
al mismo tiempo estimaciones independientes de los efectos
de los factores más información valiosa acerca de las
interacciones de los factores. Sin experimentos diseñados
adecuadamente, los efectos de estas interacciones con
frecuencia se pasan por alto.

Repaso general
Directrices para usar los experimentos diseñados

Aunque los experimentos diseñados tienen un amplio rango Los diseños experimentales exitosos incorporan tanto el
de aplicaciones, considere las siguientes directrices generales: conocimiento del proceso como los procedimientos estadísticos
adecuados. El conocimiento del proceso es invaluable en las etapas
1. Plantee el problema en cuestión y defina los objetivos del de diseño, así como en la interpretación de los resultados.
estudio.
Tenga en cuenta que el diseño experimental es comúnmente un
2. Elija los factores o las variables de entrada que se método iterativo. Pocas veces se ejecuta un diseño integral grande
estudiarán y determine los rangos razonables para cada en el que se pueden sacar conclusiones definitivas. Este curso
una. utiliza un método secuencial que usted debe considerar cuando
comience un proyecto de mejora de proceso.
3. Determine las respuestas apropiadas y cómo medirlas.
4. Determine el diseño experimental apropiado.
5. Ejecute el diseño.
6. Analice estadísticamente los datos resultantes.
7. Verifique los resultados utilizando corridas de confirmación.
8. Haga recomendaciones.

Repaso general
Diseños experimentales en Minitab

Plataforma de Número de
diseño Tipo de diseño Descripción factores En Minitab
Diseños cribados Cribado Definitivo 2–48 Estadísticas > DOE >
• Identifica los efectos principales
Cribado
significativos, interacciones de dos
factores y en ciertas casos, efectos
cuadráticos
• Ejecuta los factores en 3 niveles
Plackett-Burman 2–47 Estadísticas > DOE >

Cribado
significativos

Repaso general

Diseños Factorial completo 2–15 Estadísticas > DOE >
factoriales • Mide las respuestas con todas las
Factorial
combinaciones de los niveles de los
factores
Factorial fraccionado 2–15 Estadísticas > DOE >

• Mide las respuestas para un
Factorial
subconjunto del diseño completo
original
Parcela dividida 2–7 Estadísticas > DOE >

• Modela hasta 3 factores difíciles de
Factorial
cambiar
Plackett-Burman 2–47 Estadísticas > DOE >

Factorial
significativos

Repaso general

Diseños Factorial completo
factoriales general
• Mide las respuestas con todas las
combinaciones de los niveles de los
(continuación) Estadísticas > DOE >
factores 2–15
Factorial
• Ejecuta factores en niveles de 2 a 100
Diseños de Central Compuesto Modela la curvatura en el espacio de 2–10 Estadísticas > DOE >
superficie de
• Respuesta
diseño
respuesta
• Se emplea frecuentemente después
de haber identificado los factores
“pocos vitales”
• Utilizado en experimentos
secuenciales
Box-Behnken Modela la curvatura en el espacio de 3–7 o 9–10 Estadísticas > DOE >
• Respuesta
diseño
• Se emplea frecuentemente después
de haber identificado los factores
“pocos vitales”
• Utilizado en experimentos no
secuenciales

Repaso general

Plataforma de Tipo de diseño Descripción Número de En Minitab
diseño factores
Diseños de mezcla Centroide simplex 2–10 Estadísticas > DOE > Mezcla
(diseños en los
• Organiza los puntos de una manera
uniforme sobre un simplex L
cuales los factores
son componentes • Los factores son los componentes de
de una mezcla) una mezcla
Reticular simplex 2–20 Estadísticas > DOE > Mezcla

• Parecido a los diseños centroides
• Organiza los puntos de una manera
uniforme, pero contiene más factores
• Requiere un espacio de diseño sin
restricciones
Vértices extremos 2–10 Estadísticas > DOE > Mezcla

• El diseño de mezcla más utilizado
• Se usa con espacios de diseño
restringidos
Diseños de Diseños de 2 a 5 Hasta 31, Estadísticas > DOE >

Taguchi niveles y niveles
• Diseños robustos
dependiendo Taguchi
mezclados • Utilizados para minimizar la variación del número
y reducir la sensibilidad a los factores de niveles
de ruido

Introducción a diseños
factoriales
Contenido
Introducción a diseños factoriales

Objetivos
• Crear un diseño factorial y aprender sobre los principios y las propiedades del diseño.
• Calcular e interpretar los efectos principales y las interacciones.
• Analizar un diseño factorial completo, generar gráficas e interpretar resultados.
• Verifique los supuestos del modelo utilizando gráficas de residuos.
• Identificar la configuración óptima de factores utilizando gráficas y optimización de respuestas.
En este capítulo
Ejemplos y ejercicios Propósito Página
Diseños factoriales completos
Ejemplo 1: Maximización de la adhesión de la pintura Analizar un diseño factorial completo, calcular y visualizar 13
de imprimación los efectos principales y las interacciones, así como verificar
los supuestos del modelo.


Ejemplo 1: Maximización de la adhesión de la pintura de imprimación
Un fabricante utiliza un imprimador para mejorar la adhesión Imprimación.MTW
de la pintura de vehículos. El equipo de mejoras del proceso
desea determinar el tipo de imprimación y el nivel de presión Variable Descripción
del aerosol que maximicen la adhesión.
Presión Presión del imprimador aplicada a la boquilla (310,
Recolección de datos 380 kPa)
El equipo decide ejecutar un experimento factorial completo TipoImpr Formulación del imprimador (Uno, Dos)
para probar dos niveles de presión del aerosol en cada tipo
de imprimación. Cada combinación de tipo de imprimación Adhesión Fuerza requerida para retirar la pintura del metal
y presión de aerosol se replica cuatro veces. Los operadores base (Mpa)
aplican el imprimador a una superficie de aluminio utilizando Minitab almacena las variables de diseño en las columnas
una presión de aerosol designada. Luego de pintar cada
siguientes: OrdenEst, OrdenCorrida, PtCentral y Bloques.
muestra, se aplica una capa de pintura final y se mide la fuerza
de adhesión.
También se puede usar ImprCompleto.MTW.
Herramientas
• Crear diseño factorial
• Estadísticos descriptivos
• Analizar diseño factorial
• Gráficas factoriales

Diseños factoriales
Qué son diseños factoriales Por qué utilizar diseños factoriales
Los diseños factoriales permiten estudiar simultáneamente Utilice diseños factoriales para responder a preguntas tales como:
los efectos de diversos factores en un proceso. Variar los
niveles de los factores simultáneamente en lugar de variarlos • ¿Cuáles son las variables que ejercen mayor influencia en la
respuesta?
individualmente:
• Ahorra tiempo y gastos • ¿Qué configuración de factores optimiza la respuesta?
• Revela la interacción entre los factores Por ejemplo,
Cuándo utilizar los diseños factoriales • ¿Cómo afectan la dureza del metal, la velocidad de corte y el
ángulo de corte la vida útil de una herramienta para cortar
Utilice diseños factoriales para: metales?
• Estimar eficientemente el efecto de cada factor en la • ¿Qué configuración de edulcorante, relación de almíbar a agua,
respuesta nivel de gasificación y temperatura maximiza las puntuaciones
de sabor de un nuevo refresco?
• Estimar los efectos de las interacciones entre dos o más
factores en la respuesta
• Probar la curvatura en la respuesta al incluir puntos
centrales en el diseño


Qué son diseños factoriales completos Cuándo utilizar diseños factoriales completos
Un experimento factorial completo mide todas las Minitab provee dos tipos de diseños factoriales completos:
combinaciones de los niveles de factores experimentales. Las
• Utilice un diseño factorial de dos niveles (diseño 2k) cuando
combinaciones de los niveles de factores representan las
condiciones experimentales en las cuales se miden las cada factor experimental tenga sólo dos niveles.
respuestas. Cada condición experimental es una corrida y cada • Utilice un diseño factorial completo cuando cualquier factor
medición de respuesta es una observación. Todo el conjunto experimental tenga más de dos niveles. Por ejemplo, el Factor
de corridas es el diseño. A puede tener dos niveles, el Factor B puede tener tres niveles
y el Factor C puede tener cinco niveles.
Los siguientes diagramas muestran diseños de dos y tres
factores. Cada punto representa una combinación única de Por qué utilizar diseños factoriales completos
niveles de factores. Por ejemplo, en el diseño de dos factores,
el punto en la esquina inferior izquierda representa la corrida Utilice diseños factoriales para responder a preguntas tales como:
experimental cuando el Factor A se establece en su nivel bajo
y el Factor B también se establece en su nivel bajo.
• ¿Cuáles son las variables que ejercen mayor influencia en la
respuesta?
Dos factores Tres factores • ¿Influyen en la respuesta las interacciones entre dos o más
factores?
• ¿Qué configuración de factores optimiza la respuesta?
Por ejemplo,
A
A • ¿Cómo el tipo de vidrio y el tipo de fósforo afectan el brillo de
un tubo de televisor?
C
B B
• ¿Cómo la interacción entre la temperatura y el azúcar afecta
la suavidad del chocolate?
Dos niveles del Factor A Dos niveles de cada • ¿Cuál forma de boquilla en una herramienta de corte con
Tres niveles del Factor B factor chorro de agua minimiza el tiempo que se necesita para cortar
una hoja de metal estándar?


Creación de un diseño factorial Crear diseño factorial
Con 2 factores, la única opción de diseño es un diseño factorial 1. Elija Estadísticas > DOE > Factorial > Crear diseño factorial
completo, el cual requiere 4 corridas, 1 corrida para cada
combinación de tratamiento. Replicar este diseño 4 veces da 2. Haga clic en Diseños.
como resultado 16 corridas.
3. En Número de réplicas para puntos factoriales, elija 4 y
Niveles de los factores luego haga clic en Aceptar.
Por opción predeterminada, Minitab asigna nombre a los 4. Haga clic en Factores.
factores alfabéticamente y codifica la configuración de la
siguiente manera: bajo = –1, alto = +1. En el cuadro de diálogo 5. Complete el cuadro de diálogo como se muestra a
secundario Factores, usted puede especificar la configuración continuación.
y los nombres reales de los factores.
Minitab muestra los coeficientes del modelo para las variables
de respuesta en unidades codificadas y unidades no
codificadas.

Interpretación de sus resultados

Cada columna en el diseño se identifica con su nombre.
La hoja de trabajo contiene una columna para cada factor y
columnas que contienen información del diseño que Minitab
requiere para realizar el análisis. Aunque usted puede cambiar
los valores dentro de una columna, no puede mover las
columnas sin dañar el diseño.
Si daña un diseño, vaya a Definir diseño factorial
personalizado y vuelva a definir las columnas.
Cambio de orden de presentación

Usted puede mostrar el diseño bien sea en el orden de las
corridas (predeterminado) o en orden estándar. El orden de
las corridas es aleatorio; utilícelo cuando realice el
experimento. La vista del orden estándar hace que el diseño
generado sea más fácil de entender.
Mostrar niveles de los factores Nota Minitab utiliza un generador de números aleatorios para determinar
el orden de las corridas. Aunque su orden de las corridas no coincidirá con el
Muestre los niveles de los factores como valores reales o en orden de las corridas que se muestra aquí, el orden estándar coincidirá.
unidades codificadas. Cuando se muestran en unidades
codificadas, los valores se codifican como niveles bajos y altos
(–1, 1).
Próximo paso
Utilizar Mostrar diseño para ver el diseño en el orden de
Yates (estándar) y en unidades codificadas.

Verificación de ortogonalidad
Para evaluar la ortogonalidad de un diseño, cambie la Mostrar diseño
presentación de la hoja de trabajo a unidades codificadas. El
diseño puede ser más fácil de entender en orden estándar. 1. Elija Estadísticas > DOE > Mostrar diseño.
Ventajas de un diseño ortogonal 2. Complete el cuadro de diálogo como se muestra a

continuación.
• Los términos del modelo (efectos e interacciones) se
estiman de manera independiente.
• El análisis es más sencillo porque los efectos son
independientes unos de otros. Al reducir un modelo, usted
puede retirar simultáneamente todos los términos que no
sean significativos.
Minitab y los diseños ortogonales

Usando Crear diseño factorial, Minitab genera un diseño
ortogonal por opción predeterminada. Cuando un diseño se
analiza en unidades no codificadas, es posible que deje de
ser ortogonal. Por esta razón, Minitab siempre utiliza unidades
codificadas para realizar el análisis.

Interpretación de sus resultados

Ortogonalidad
Cuando los factores incluidos en un diseño son ortogonales,
usted puede estimar los efectos de cada factor de manera
independiente.
Si dos columnas de factores son ortogonales, las siguientes
condiciones se aplican:
• La suma de cada columna es cero.
• La correlación entre las dos columnas es cero.
Orden estándar
El orden estándar de los dos factores, Presión y TipoImpr, se
muestra en la hoja de trabajo, en el lado derecho. La columna
Presión alterna entre –1 y +1; la columna TipoImpr alterna
entre dos unos negativos (–1) y dos unos positivos (+1).
Réplicas
La réplica de un experimento significa que cada combinación
de factores se ejecuta más de una vez. Este ejemplo incluye
cuatro réplicas. Las primeras cuatro filas representan una
réplica del experimento con un tratamiento por fila. Este
modelo continúa tres veces más para un total de cuatro
réplicas.

Adición de datos de respuesta

La variable de respuesta es la fuerza de adhesión de la pintura Ventana Datos
de imprimación. Para agregar la medición (respuesta) a la hoja
de trabajo, escriba los datos en una nueva columna. 1. Presione Ctrl+D para moverse hasta la ventana Datos.
Antes de ingresar los datos que se observan en la derecha, 2. Asigne a la columna C7 el nombre Adhesión.
asegúrese de que su diseño se muestre en orden estándar.
Esto asegura que los datos de Adhesión se ingresen en las 3. Escriba los siguientes valores en las filas de la 1 a la 16 de
filas apropiadas. Adhesión (C7): 4.52 4.55 5.05 4.88 4.48 4.37 4.89 4.75 4.29 4.43
5.14 4.91 4.60 4.25 4.95 4.71

Presentación del diseño

Presentación en unidades codificadas vs. unidades Mostrar diseño
no codificadas
1. Elija Estadísticas > DOE > Mostrar diseño.
Mostrar diseño muestra los datos en unidades codificadas
o en unidades no codificadas en orden estándar o en orden 2. En Unidades para factores, elija Unidades no codificadas.
de las corridas.
Minitab siempre analiza los datos en unidades codificadas,
independientemente de la presentación del diseño.
Próximo paso
Mostrar una tabla de resumen para investigar la adhesión
promedio con cada combinación de tratamientos.

Definición de efectos de factores

Antes de interpretar los resultados del análisis, debe entender Estadísticos descriptivos
los efectos de los factores.
1. Si no ingresó los datos de respuesta, abra el archivo
Muestre una tabla de resumen que contenga la adhesión Imprimación.MTW.
promedio para cada combinación de presión y tipo de
imprimación, así como la adhesión promedio general para 2. Elija Estadísticas > Tablas > Estadísticos descriptivos.
cada nivel de presión y cada tipo de imprimación.
continuación.

Definición de efectos de factores

Usted puede utilizar los valores de adhesión promedio para Estadísticos descriptivos (continuación)
calcular los efectos principales para cada factor.
4. Haga clic en Variables asociadas. En Variables asociadas,
ingrese Adhesión.
5. En Mostrar, marque Medias.


Efectos principales
Utilice la tabla de las medias para entender un efecto de factor.
Un efecto es la diferencia entre la respuesta promedio en los
niveles alto (+1) y bajo (–1) de un factor.
Los efectos principales se calculan utilizando las medias en la
columna Todo y en la fila Todo.
• El efecto principal para Presión es la respuesta media en

Presión 380 menos la respuesta media en Presión 310:
4.606 – 4.740 = –0.134
En promedio, la adhesión se reduce 0.13 con la presión
más alta.
• El efecto principal para el tipo de imprimación es la

respuesta media con el tipo de imprimación Dos menos
la respuesta media con el tipo de imprimación Uno:
4.910 – 4.436 = 0.474
En promedio, la adhesión aumenta 0.47 con el tipo de
imprimación Dos.


Efectos de interacción
Los efectos de interacción se calculan a partir de las medias
dentro de cada tratamiento. En este caso, los efectos de
interacción se calculan utilizando estas medias:
• 4.47 para 310 y Uno

• 5.01 para 310 y Dos
• 4.40 para 380 y Uno
• 4.81 para 380 y Dos
El efecto de interacción entre presión y tipo de imprimación

es:
(310:Uno + 380:Dos)/2 – (310:Dos + 380:Uno)/2
= (4.473 + 4.813)/2 – (5.007 + 4.40)/2
= –0.061
Próximo paso
Analizar los datos experimentales utilizando estos dos pasos:
1. Ajustar varios modelos para hallar uno que represente los
datos.
2. Utilizar gráficas factoriales para visualizar los efectos

principales y las interacciones, así como para hallar la mejor
configuración de factores.

Ajuste del modelo

Si usted ingresa más de una respuesta, Minitab realiza un Analizar diseño factorial
análisis separado para cada una.
1. Elija Estadísticas > DOE > Factorial > Analizar diseño
Después de elegir la respuesta, haga clic en Términos para factorial.
seleccionar el modelo.
continuación.

Ajuste del modelo

Por opción predeterminada, Minitab incluye el número Analizar diseño factorial (continuación)
máximo de términos posibles en el modelo. Estos términos
se muestran en la lista Términos seleccionados. Usted puede 3. Haga clic en Términos.
analizar el modelo elegido por Minitab o especificar un
modelo diferente. 4. Verifique que el cuadro de diálogo aparezca como se muestra
a continuación.
Selección de términos
Usted puede seleccionar los términos del modelo de dos
maneras:
• Mueva los términos deseados de la lista Términos

disponibles a la lista Términos seleccionados utilizando
las flechas o haciendo doble clic en cada término.
• Especifique los términos por orden. Por ejemplo, incluya
los términos hasta el orden 3 para ingresar los efectos
principales, las interacciones de dos factores y las
interacciones de tres factores en el modelo.

Ajuste del modelo

Para determinar si cualquiera de los términos colocados en Analizar diseño factorial (continuación)
el modelo tienen efectos significativos, utilice lo siguiente:
6. Haga clic en Gráficas.
• Valores p que se muestran en la tabla de efectos en el
7. Verifique que el cuadro de diálogo sea como se muestra a
panel output
continuación.
• Diagrama de Pareto de los efectos
Nivel de significancia (α)

En un diseño 2k, el nivel de significancia (α) es el riesgo de
concluir erróneamente que un factor tiene un efecto
significativo.
Elija un nivel de significancia (α) apropiado para los objetivos
del experimento. Cuando tome decisiones finales sobre el
proceso a partir de un DOE factorial, un nivel α bajo pudiera
ser apropiado (por ejemplo, 0.05). Los diseños factoriales
pueden cribar muchos factores y ayudar a identificar cuáles
son importantes para futuras experimentaciones. En las
aplicaciones de cribado, usted puede elegir un nivel α más
alto (por ejemplo, 0.10).


Un diagrama de Pareto de los efectos muestra cuáles términos
contribuyen más a la variabilidad en la respuesta. En este caso,
el diagrama muestra cuáles factores afectan significativamente
la adhesión y la magnitud relativa de cada efecto.
Esta gráfica muestra lo siguiente:
• Los términos de arriba abajo en orden decreciente de
importancia.
• Una línea de referencia en el nivel de significancia (α) =
0.05; cualquier barra que se extienda más allá de la línea
es un efecto significativo.
El diagrama de Pareto muestra que tanto la presión del aerosol

como el tipo de imprimación afectan significativamente la
adhesión de la pintura. La interacción entre los términos ((AB)
no es significativa.
Aunque los diagramas de Pareto muestran la magnitud de un
efecto, no indican la dirección del efecto.


Los efectos calculados anteriormente utilizando la tabla de
medias se muestran en la tabla de coeficientes. Los efectos
son:
• –0.1337 para la presión
• 0.4738 para el tipo de imprimación
• –0.0612 para la interacción de presión por tipo de
imprimación
Utilice los valores p en la tabla de coeficientes para determinar

cuáles términos son estadísticamente significativos en el nivel
de significancia (α) = 0.05:
• Presión y el tipo de imprimación son significativos (valor
p = 0.041 y valor p = 0.000).
• El efecto de interacción no es significativo (valor p = 0.315).
Próximo paso
Excluir el término de interacción y volver a ajustar el modelo.


Para retirar el término de interacción del modelo, realice uno Analizar diseño factorial
de los siguientes procedimientos:
1. Elija Estadísticas > DOE > Factorial > Analizar diseño
• En Incluir términos en el modelo hasta el orden, elija 1. factorial o presione Ctrl+E.
• Resalte AB en el cuadro de diálogo Términos 2. Haga clic en Términos.
seleccionados y haga clic en .
• Haga doble clic en AB en el cuadro Términos continuación.
seleccionados.
Minitab utiliza los términos restantes (A y B) para modelar la

variabilidad en la adhesión de la pintura.
El modelo reducido debe mantener su carácter jerárquico en
Minitab. En un modelo jerárquico, si se incluye un término de
interacción, todos los efectos principales que conforman el
término de interacción también se encuentran en el modelo.

Verificación de los supuestos del modelo

Para confirmar que el análisis es válido, verifique todos los Analizar diseño factorial (continuación)
supuestos sobre el término de error del modelo. Utilice
gráficas de residuos para verificar si los errores tienen las 5. Haga clic en Gráficas.
características siguientes:
• Distribuidos normalmente continuación.
• Aleatorios en el tiempo
Nota Por lo general, cuando utiliza DOE, usted comienza con un modelo
completo y elimina los términos que no son significativos. Si elimina del
modelo un número muy bajo de términos, los residuos podrían estar
altamente estructurados, lo que dificultaría su uso para verificar los
supuestos del modelo.


Gráfica de probabilidad normal
La gráfica de probabilidad normal debe seguir
aproximadamente una línea recta. Utilice esta gráfica para
verificar que los residuos no difieran sustancialmente de una
distribución normal.
Este patrón... Indica...

No una línea recta Los residuos no son de una
distribución normal
Curva (los residuos son de una Colas pesadas o livianas en la
distribución asimétrica) distribución
Puntos alejados de la línea Existen valores atípicos
Cambio en la pendiente Es posible que falte una
variable en el modelo
Para los datos sobre la adhesión de pintura, la gráfica de

probabilidad normal muestra que los residuos generalmente
siguen una línea recta. Presuponga que los residuos siguen
una distribución normal.
Usted también puede utilizar la gráfica de probabilidad normal
para identificar valores atípicos, los cuales son puntos que se
encuentran lejos de la mayoría de los otros puntos en la
gráfica. Para este ejemplo, la gráfica no indica valores atípicos.


Residuos vs. ajustes
Utilice la gráfica de los residuos vs. los ajustes para verificar
que los residuos se encuentran dispersos aleatoriamente
alrededor de cero.

Curvilíneo Puede faltar un término
cuadrático en el modelo
Dispersión en abanico o Varianza no constante de los
irregular de los residuos en los residuos
diferentes valores ajustados
Puntos alejados del cero en Existen valores atípicos
relación con otros puntos de
los datos
Para los datos de adhesión de pintura, la gráfica de residuos

versus la gráfica de valores ajustados muestra una dispersión
aleatoria, lo cual indica una varianza constante de los residuos.
La gráfica también indica la ausencia de valores atípicos
importantes.


Residuos vs. orden
La gráfica de los residuos vs. el orden muestra los residuos
en el orden de recolección de los datos (siempre y cuando
los datos se hayan ingresado en el mismo orden en que se
recolectaron). Si el orden de recolección de los datos afecta
los resultados, los residuos cercanos entre sí pueden estar
correlacionados y, por lo tanto, pueden no ser independientes.

Los residuos no están Los residuos no son
dispersos aleatoriamente independientes en el tiempo
alrededor de cero
Los residuos están dispersos Los residuos son
aleatoriamente alrededor de independientes
cero
Puntos alejados del cero Existen valores atípicos
Para los datos sobre adhesión de pintura, los residuos parecen

estar dispersos aleatoriamente alrededor de cero.


Los valores p bajos (0.040 y 0.000) para ambos factores indican
que la presión de aerosol y el tipo de imprimación afectan
significativamente la adhesión.
Tenga en cuenta que:
• El efecto de presión es negativo (–0.1337), porque la
adhesión de la pintura fue más alta, en promedio, a la
presión más baja.
• El efecto del tipo de imprimación es positivo (0.4738),
porque el tipo de imprimación Dos tenía una adhesión
promedio más alta que el tipo de imprimación Uno.


S
S es la desviación estándar en el modelo. S es la raíz cuadrada
del CM ajust del error residual, con frecuencia llamado MSE.
R2, R2 ajustado y R2 pronosticado

R2 es la proporción de la variabilidad en la respuesta explicada
por la ecuación de regresión. Por lo tanto, el 84.44% de la
variación en Adhesión puede ser explicado por su relación
con la presión y el tipo de imprimación.
El R2 ajustado es sensible al número de términos en el modelo
y es útil cuando se comparan modelos con diferentes números
de términos.
El R2 pronosticado refleja qué tan bien predecirá el modelo
los datos futuros.
Falta de ajuste
La tabla ANOVA incluye una prueba de falta de ajuste. La
hipótesis nula es que este modelo se ajusta a los datos de
respuesta.
El valor p (0.315) es mayor que 0.05, lo que indica que usted
no debe rechazar la hipótesis nula. El rechazo de la hipótesis
nula comúnmente indica que usted omitió términos
importantes del modelo.


Ecuación predictiva
El modelo final en unidades no codificadas es:
Adhesión = 5.332 – 0.001911 * Presión + 0.2369 * TipoImpr
Observe que para los factores de texto, el coeficiente en

unidades no codificadas es igual al coeficiente en unidades
codificadas. En este ejemplo, el tipo de imprimación Uno se
codifica como –1 y el tipo de imprimación Dos se codifica
como +1.
Observaciones poco comunes

La tabla de observaciones poco comunes indica que la
observación 3 es un valor atípico, porque su residuo está a
más de 2 desviaciones estándar de la media, que es 0. Los
valores atípicos con frecuencia ocurren en virtud de las
probabilidades, pero usted debe verificar si existe una causa
potencial.
Próximo paso
Utilizar gráficas factoriales para hallar la configuración de
factores que optimice la respuesta.

Visualización de la mejor combinación de valores de configuración

Después de elegir el modelo apropiado para los datos, utilice Gráficas factoriales
las gráficas factoriales para visualizar los resultados.
1. Elija Estadísticas > DOE > Factorial > Gráficas factoriales.

continuación.


La gráfica de efectos principales indica que:
• Una presión más baja genera una adhesión más fuerte.
• El tipo de imprimación Dos genera una adhesión más
fuerte que el tipo de imprimación Uno.
Usted debe confirmar que los efectos en la gráfica son

estadísticamente significativos. En este ejemplo, presión y tipo
de imprimación son significativos.


La gráfica de interacción muestra que, a pesar del tipo de
imprimación, una presión más baja causa una adhesión más
fuerte.
Las líneas casi paralelas sugieren que no existe interacción
entre el tipo de imprimación y la presión. El valor p en el
análisis estadístico (véase page 30) indicó que esta interacción
no es significativa.
Nota La gráfica de interacción tiene un fondo gris porque este término

no se encuentra en el modelo, como se indica en la nota al pie de página.

Visualización de la mejor combinación de valores de configuración

Para ver la respuesta para cada combinación de los niveles Gráfica de cubo
de los factores, muestre una gráfica de cubo.
1. Elija Estadísticas > DOE > Factorial > Gráfica de cubo.
2. Verifique que el cuadro de diálogo aparezca como se muestra

a continuación.


Debido a que el diseño tiene sólo dos factores, la gráfica de
cubo es un rectángulo. Al utilizar la gráfica, usted puede
visualizar con más facilidad el efecto de configurar los niveles
de ambos factores simultáneamente. La mayor adhesión
(4.97687) se espera cuando se aplica el tipo de imprimación
Dos a baja presión.

Resumen y conclusiones Para... Utilice...
El experimento indicó que la adhesión de la pintura se Evaluar la normalidad, la Gráficas de residuos
maximiza cuando se aplica el tipo de imprimación Dos con
independencia y la igualdad de
una presión de aerosol más baja.
varianza de los residuos
Para... Utilice... Visualizar los efectos principales Gráficas de efectos principales
y las interacciones de dos y de interacción
Identificar los términos Un diagrama de Pareto, la
factores
importantes en el modelo gráfica de probabilidad
normal de los efectos o los Mostrar las medias pronosticadas Gráficas de cubo
valores p en el panel de con todas las combinaciones de
salida tratamiento
Obtener información sobre los La tabla de coeficientes
términos constantes y términos Consideraciones adicionales
de bloque El equipo de calidad debe considerar el costo de cada tipo de
imprimación junto con los resultados estadísticos para asegurarse
Considerar el efecto de retirar Una prueba de falta de ajuste de que el costo del aumento de la adhesión de la pintura sea
simultáneamente dos o más justificado. Pueden elegir utilizar una configuración de factores
términos que esté por debajo de la configuración “óptima” si la cantidad
de mejoras no es suficiente para justificar un incremento sustancial
en los costos de producción.

Optimizador de respuestas
Ejemplo 2: Optimización de la adhesión de pintura
El equipo de calidad desea confirmar la mejor configuración ImprCompleto.MTW
para la presión de aerosol y el tipo de imprimación
identificados utilizando los métodos gráficos del ejemplo Variable Descripción
anterior. Para hacer esto, utilizan el optimizador de respuestas.
Presión Presión del imprimador aplicada a la boquilla
Recolección de datos (310, 380 kPa)
El equipo de calidad ejecuta un experimento factorial completo TipoImpr Formulación del imprimador (Uno, Dos)
que prueba los dos niveles de presión de aerosol en cada tipo
de imprimación. Cada combinación de tipo de imprimación Adhesión Fuerza requerida para retirar la pintura del metal
y presión de aerosol se replica cuatro veces. Los operadores base (Mpa)
aplican imprimador a una superficie de aluminio a una presión
de aerosol designada. Luego de pintar cada muestra, se aplica Minitab almacena las variables de diseño en las columnas
una capa de pintura final y se mide la fuerza de adhesión. siguientes: OrdenEst, OrdenCorrida, PtCentral y Bloques.
Herramientas
• Optimizador de respuesta

Qué es el optimizador de respuestas Cuándo utilizar el optimizador de respuestas
Muchos experimentos diseñados determinan la configuración Utilice el optimizador de respuestas para ayudar a identificar la
de factores óptima que produce el “mejor” valor para una combinación de valores de configuración de las variables de
respuesta de interés. El optimizador de respuestas utiliza el entrada que optimice una respuesta individual o un conjunto de
ajuste más reciente del modelo para calcular una solución respuestas. La optimización en conjunto debe satisfacer los
basada en criterios de deseabilidad. Una respuesta puede requisitos de todas las respuestas incluidas en el conjunto. El
minimizarse, maximizarse o centrarse en un valor objetivo. optimizador de respuestas resulta especialmente útil cuando se
desea considerar muchas respuestas.
La deseabilidad tiene un rango de 0 a 1. Un valor de 1
representa el caso ideal; 0 indica que una o más respuestas Nota Aunque la optimización numérica con análisis gráfico puede ofrecer
están fuera de los límites aceptables. A medida que la información valiosa, no sustituye la experiencia en la materia. Cuando decida
respuesta se aleja del objetivo hacia el límite superior o inferior aplicar estos métodos, asegúrese de utilizar información de respaldo relevante,
(dependiendo de la meta), la deseabilidad disminuye. principios teóricos y el conocimiento adquirido a través de la observación o
experimentos previos.
Por qué utilizar el optimizador de respuestas

Utilice el optimizador de respuestas para confirmar resultados
gráficos o para determinar la configuración óptima de factores
con base en el modelo ajustado.

Optimización de la respuesta
Utilizando el ajuste del modelo del ejemplo anterior, aplique Optimizador de respuestas
el optimizador de respuestas para determinar la mejor
configuración para el tipo de imprimación y presión de 1. Abra ImprCompleto.MTW.
aerosol. Recuerde que el modelo final contiene solo los efectos
principales para la presión y el tipo de imprimación. 2. Elija Estadísticas > DOE > Factorial > Optimizador de
respuesta.
En este ejemplo, la meta es maximizar la adhesión.
continuación.

Optimización de la respuesta
Meta • Una ponderación > 1 hace más énfasis en el objetivo
Cuando se utiliza el optimizador de respuestas, no es necesario
especificar valores en Configuración. Sin embargo, si se
Optimizador de respuestas (continuación)
desean ciertos valores o si hay múltiples respuestas, se pueden 4. Haga clic en Configuración.
ingresar números para los valores inferior, objetivo y/o
superior con el fin de refinar la optimización. 5. Complete el cuadro de diálogo como se muestra a
continuación.
Se desea que la adhesión media sea de al menos 5 y que el
valor inferior de la media de adhesión aceptable sea 4.8. A
medida que la respuesta se aleja del objetivo en
Configuración hacia el límite superior o inferior (dependiendo
de la meta), la deseabilidad disminuye.
Observe que cuando la meta se cambia a maximizar, solo se 6. Haga clic en Aceptar en cada cuadro de diálogo.
requieren los valores de deseabilidad inferior y objetivo, no
el límite superior.
Ponderación
En el enfoque de Minitab para la optimización, cada respuesta
se transforma utilizando una función de deseabilidad
específica. La ponderación determina la forma de la función
de deseabilidad para cada respuesta. Usted puede seleccionar
una ponderación de 0.1 a 10 para enfatizar o restar énfasis a
la importancia de alcanzar el valor objetivo:
• Una ponderación < 1 hace menos énfasis en el objetivo

• Una ponderación = 1 da igual importancia al objetivo y a
los límites


Deseabilidad
Minitab optimiza la deseabilidad general de adhesión
(D = 0.8844). En este caso solo existe una respuesta, de modo
que la deseabilidad general es igual a la deseabilidad
individual.
La configuración necesaria para alcanzar el valor máximo
pronosticado de Adhesión (4.9769) es:
Presión = 310
TipoImpr = Dos
Haga clic con el botón derecho en la gráfica y seleccione

Modo interactivo.. A continuación, puede mover las líneas
rojas de la gráfica utilizando el ratón, para ver cómo el cambio
de esta configuración afecta la respuesta pronosticada.
Nota Aunque Minitab utiliza el modelo para hallar la mejor respuesta

pronosticada, este resultado puede no ser el más práctico o el más
indicado en lo que respecta a costos. Usted debe utilizar el optimizador
de respuestas para determinar si configuraciones más prácticas de los
factores pueden producir resultados deseables.


Tabla de optimización de respuestas
Minitab muestra los parámetros de deseabilidad para cada
respuesta en el panel salida, así como la configuración de los
factores que optimiza la respuesta, la respuesta pronosticada
y la deseabilidad compuesta.
Intervalo de confianza
El intervalo de confianza de 95% define el rango probable de
valores para la media de población de la respuesta con cada
combinación de factores. Usted está 95% seguro de que la
media de la población de todos los especímenes rociados a
una presión de 310 con el tipo de imprimación dos tendrá
una adhesión de entre 4.8672 y 5.0865.
Intervalo de predicción
El intervalo de predicción de 95% define el rango probable
de valores para un futura observación. Usted está 95% seguro
de que un futuro espécimen que sea rociado a una presión
de 310 con el tipo de imprimación dos tendrá una adhesión
de entre 4.7009 y 5.2528.

Resumen y conclusiones Consideraciones adicionales
• Para optimizar la adhesión, utilice el tipo de imprimación • Debido a que el optimizador de respuesta utiliza el último
Dos aplicado con la presión más baja. modelo ajustado para cada respuesta, asegúrese de que el
último modelo que ajustó contenga los términos correctos.
• Niveles más altos de presión producen resultados
aceptables y pueden ser necesarios en la fase de • No hay ninguna garantía de que exista un valor óptimo único.
producción. Aunque el optimizador provee una solución, puede existir más
de un área óptima.
• La importancia relativa de cada respuesta es subjetiva. Base
esa importancia en su conocimiento práctico y técnico del
proceso.
• Ejecute corridas de confirmación para validar las conclusiones
que obtuvo con un experimento diseñado .

Preparación de un pastel
Ejercicio 3: Preparación de un pastel

Problema 5. Cree gráficas factoriales y utilice el Optimizador de respuesta
para determinar la mejor configuración para tiempo y
Un fabricante de mezclas para pastel empaquetadas debe=
determinar el tiempo de preparación y la temperatura= temperatura con el fin de obtener el contenido de humedad
recomendados para imprimirlos en las cajas. El fabricante= objetivo de 26%, con un límite inferior de 25% y un límite
desea hallar la configuración de factores que produzca un= superior de 27%.
contenido de humedad medio de 26% ± 1%.
Conjunto de datos
Pastel.MTW
Los científicos de alimentos replican un diseño factorial=
completo dos veces. Preparan todos los pasteles en un solo= Variable Descripción
horno y un solo día, de manera que no se requiere de una=
variable de bloque. Hornean los pasteles durante 30 ó 50= Temperatura Temperatura del horno (325°, 375° F)
minutos a una temperatura de 325° ó 375° F. Los científicos=
Tiempo Tiempo para hornear el pastel en minutos (30, 50
calculan el contenido de humedad midiendo la masa del=
material antes y después del horneado. minutos)
Humedad Porcentaje del contenido de humedad
Instrucciones
Minitab almacena las variables de diseño en las columnas
1. Cree un diseño factorial completo con 2 factores: tiempo
siguientes: OrdenEst, OrdenCorrida, PtCentral y Bloques.
y temperatura. Replique el diseño dos veces. La tabla de
la derecha contiene los niveles de los factores.
2. Abra Pastel.MTW, el cual contiene los datos de respuesta.
3. Ajuste un modelo apropiado a los datos.
4. Verificar los supuestos del modelo utilizando gráficas de

residuos.

© 2019 Minitab, LLC. All rights reserved. The contents of this publication may not be reproduced without permission.
Minitab®, Quality. Analysis. Results.® and the Minitab logo® are registered trademarks of Minitab, LLC, in the United States and other countries.
Additional trademarks of Minitab, LLC can be found at www.minitab.com. All other marks referenced remain the property of their respective owners.
Minitab training materials are developed specifically for use in training offered by Minitab trainers and Minitab-certified partners. When this material
is taught by trainers without Minitab certification, Minitab, LLC cannot be held responsible for the quality or content of the instruction provided.

Taller de Mejores Practicas Minitab

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

Taller de Mejores Practicas Minitab

Cargado por

Copyright:

Formatos disponibles

Mejores prácticas

Manuales de capacitación para un aprendizaje permanente

Eliminación hacia atrás

• Sincronización de la chispa Chispa Predictor: sincronización de la chispa.

Correlación y regresión múltiple

Para confirmar que el análisis es válido, verifique todos los

Correlación y regresión múltiple

Correlación y regresión múltiple

Gráfica de matriz y correlación

Variables de gráfica 2. Elija Estadísticas > Estadísticas básicas > Correlación.

4. Haga clic en Aceptar.

Correlación y regresión múltiple

Interpretación de los resultados

Nota La gráfica de matriz solo muestra las relaciones individuales, sin

Correlación y regresión múltiple

Interpretación de los resultados

Correlación y regresión múltiple

Ajuste de un modelo de regresión múltiple

2. Complete el cuadro de diálogo como se muestra a

3. Haga clic en Aceptar.

Correlación y regresión múltiple

Interpretación de los resultados

El diagrama de Pareto muestra que tanto Chispa como AFR

Correlación y regresión múltiple

Interpretación de los resultados

Correlación y regresión múltiple

Interpretación de los resultados

• FIV = 1 indica que no hay aumento.

Correlación y regresión múltiple

Interpretación de los resultados

Correlación y regresión múltiple

Reducción del modelo

2. Complete el cuadro de diálogo como se muestra a

3. Haga clic en Aceptar.

Correlación y regresión múltiple

Interpretación de los resultados

Correlación y regresión múltiple

Reducción del modelo

2. Complete el cuadro de diálogo como se muestra a

3. Haga clic en Aceptar.

Correlación y regresión múltiple

Interpretación de los resultados

R2 (R-cuad. ) y R2 ajustado (R-cuad.(ajust.) )

Correlación y regresión múltiple

Diagnósticos del modelo de residuos

• Distribuidos normalmente 2. Haga clic en Gráficas.

4. Haga clic en Aceptar en cada cuadro de diálogo.

Correlación y regresión múltiple

Interpretación de los resultados

Correlación y regresión múltiple

Consideraciones adicionales Tenga cuidado al eliminar más de un predictor a la vez. Una

Correlación y regresión múltiple

Ejercicio H: Desgaste de banda (retomado)

Recolección de datos Conjunto de datos

3. Utilice Estadísticas > Regresión > Regresión > Ajustar

Correlación y regresión múltiple

Regresión de mejores subconjuntos

• Sincronización de la chispa Chispa Predictor – sincronización de la chispa

Correlación y regresión múltiple

Regresión de mejores subconjuntos

Cuándo utilizar la regresión de mejores Por ejemplo,

Correlación y regresión múltiple

Elección de un modelo apropiado