CENTRO DE ENSEÑANZA TÉCNICA INDUSTRIAL

PLANTEL TONALÁ
PROBABILIDAD Y ESTADÍSTICA II.
EXPERIMENTO 22 (EJEMPLO INTEGRADOR)
ALMA LIZETTE VARELA AHUMADA
REGISTRO: 21310031. 4°A
FECHA DE ENTREGA: 30 DE MAYO DE 2023
Desarrolla en forma extensiva (planteamiento, cálculos, análisis, gráficas y
conclusiones) el ejemplo integrador del diseño factorial 2^2 que se expone en la
bibliografía del curso.

Experimento 22: ejemplo integrador

Ahora interesa estudiar el efecto del tamaño de broca (factor A) y de la velocidad (factor
B) sobre la vibración de la ranuradora (respuesta Y). Para ello, se decide utilizar un
diseño factorial 22 con cuatro réplicas, lo cual da un total de 4 × 22 = 16 corridas del
proceso, que se realizan en orden aleatorio. El tamaño de la broca se prueba en 1/16 y
en 1/8 de pulgada y la velocidad en 40 y 90 revoluciones por segundo, según se
describe en la siguiente tabla:

En la tabla 6.3 se muestra el diseño factorial utilizado en sus unidades originales, que
son las que se necesitan al momento de hacer las pruebas o co rridas del proceso.
También se muestra la notación (+, –), y los datos obtenidos en las 16 pruebas.
En la última columna se muestra el total por tratamiento utilizando la notación de Yates.
La aplicación en este ejemplo de los principios básicos del diseño de experimentos se
aprecia en el hecho de que se aleatorizaron las 16 corridas del proceso y se hicieron
cuatro repeticiones de cada tratamiento; además, se supone que todo el experimento
se corre en igualdad de circunstancias con respecto al resto de factores no estudiados
(principio de bloqueo), es decir, los factores controlables no incluidos en el estudio se
mantienen lo más fijo posible durante la realización de las pruebas.
La representación geométrica del experimento se muestra en la figura 6.3. Observe la
relación entre las unidades originales y las unidades codifica das, así como el
significado de la notación de Yates.
Las preguntas principales que se quieren responder con el experi mento son: ¿la
velocidad y el tamaño de la broca afectan la vibración de la ranuradora? Si la afectan,
¿cómo es tal efecto y cuál combinación de velo cidad y tamaño de broca minimiza la
vibración?, ¿cuál es la vibración esperada en las condiciones óptimas?, ¿se cumplen
los supuestos del modelo?

Efectos estimados. De acuerdo con las relaciones (6.1), (6.2) y (6.3), y con la últi-
ma columna de la tabla 6.4, los efectos estimados están dados por:

Se observa que el efecto del tamaño de broca (factor A) es prácticamente el doble de

los otros dos, pero falta investigar si alguno es estadísticamente significativo.
Análisis de varianza. Las sumas de cuadrados (SC) de los efectos se calcula a
partir de sus contrastes (ecuaciones 6.6, 6.7 y 6.8) como,

La suma de cuadrados totales es:

y tiene 15 grados de libertad, mientras que la suma de cuadrados del error se calcula
por diferencia como,

y le quedan 15 – 3 = 12 grados de libertad. El análisis de varianza se mues tra en la

tabla 6.4. De acuerdo con la columna para el valor-p, cuyas entradas son menores que
0.05, se rechazan las tres hipótesis nulas H0 : efecto A = 0, H0 : efecto B = 0 y H0 :
efecto AB = 0, y se concluye que HA : efecto A π 0, HB : efecto B π 0 y HAB : efecto AB
π 0, respectivamente, con a = 0.05. Esto es, se acepta que sí hay efecto de A, B y AB,
es decir, los tres efectos están activos o son significativos. El valor-p de magnitud tan
pequeña para los tres efectos nos muestra que la conclusión es contundente y que
prácticamente no se corre ningún riesgo de rechazar en falso. Del valor de F0 se
aprecia que el efecto más importante es el del factor A.
Interpretación y conclusiones. Antes de comenzar a interpretar las gráficas de los
efectos que hayan resultado significativos en el análisis de varianza, debemos tener
presente lo siguiente: que el objetivo es minimi zar la vibración de la ranuradora y que
las interacciones tienen prioridad con respecto a los efectos principales. En este caso, y
de acuerdo con la ANOVA, tanto los dos efectos principales (broca y velocidad) como el
efecto de inter acción (broca × velocidad) tienen un efecto significativo sobre la
vibración de la ranuradora. Puesto que sólo se estudian dos factores, toda la
información relevante del experimento se encuentra en la gráfica de la interacción
(figura 6.4 a). De esta figura se observa algo de la física del proceso: se puede afirmar
que cuando la broca se encuentra en su nivel bajo, la velocidad no afecta de manera
significativa la vibración, por el contrario, cuando la broca se encuentra en su nivel alto,
la velocidad tiene un efecto considerable sobre la vibración. En otras palabras, al estar
la broca en su nivel bajo, la vibración será baja sin importar la velocidad. Si bien, es
cierto que es razo nable pensar que a mayor velocidad y a menor tamaño de broca la
vibra ción sea menor, ésta es una conclusión a posteriori. Después de que ocurre
siempre es posible encontrar una explicación razonable del hecho, pero lo interesante
sería decirlo antes de observar el fenómeno y luego corrobo rar que en realidad se
pensaba lo correcto. Pero, si lo que se quiere es minimizar la vibración, entonces se
puede utilizar el tratamiento (A–, B+) o el (A–, B–), ya que ambos logran prácticamente
los mismos resultados, por lo que la decisión de cuál de los dos utilizar se puede hacer
con otros criterios, por ejemplo el tiempo de ciclo o el tiempo de vida del equipo. Si por
alguna razón se tuviera que trabajar con la broca en nivel alto, entonces se debe
trabajar a velocidad baja para que no se incremente tanto la vibración.
Con la interpretación hecha de la gráfica de interacción ya se tiene mucho conocimiento
sobre el proceso, cosa que no se hubiese logrado si sólo nos hubiéramos limitado a
interpretar los efectos principales de la figura 6.4b), de la cual se desprende que no se
debe aumentar la velocidad, ni el tamaño de broca y que, por lo tanto, si se quiere
minimizar la vibración forzosamente se debe utilizar la combinación (A–, B–). Es
evidente que esta conclusión es más pobre que las que se obtuvieron del análisis de la
gráfica de interacción. Cuando hay interacción, las conclusiones que se obtienen a
partir de los efectos principales no siempre son ciertas. En general sólo se interpretan
los efectos principales de aquellos factores que no interactúan con ningún otro.
La comparación de lo que se logró entender con la interacción permi te destacar una
vez más la importancia de ésta en los procesos, y recordar que con experimentación de
prueba y error o moviendo un factor a la vez, prácticamente nunca se logrará captar el
efecto de interacción. Por el con trario, el diseño estadístico de experimentos permite
detectar y entender los efectos de interacción cuando los hay.
Modelo de regresión. Es útil ajustar un modelo de regresión (ver capítulo 11) a los
datos experimentales con la finalidad de predecir el valor de Y en diferentes valores de
los factores estudiados. Por ejemplo, en el caso del problema de la ranuradora, con el
uso de valores codificados para los dos factores (xl y x2), como se muestra en la tabla
6.3, el modelo de regresión ajustado que describe el comportamiento de la vibración
sobre cualquier punto está dado por:

donde Yˆ es la respuesta predicha en el punto (xl y x2), con xl = A : broca y x2 = B :

velocidad. En el caso de diseños 2k, los coeficientes del modelo de regresión son
iguales a los efectos estimados que resultaron significativos divididos entre dos. Así, por
ejemplo, de acuerdo con (6.9), el coeficiente de xl es igual al efecto de A/2 = (16.64/2).
Esta división entre dos se hace para lograr una esca la unitaria, que es la escala usual
en regresión. Los efectos originales no se encuentran en una escala unitaria, dado que
el ancho de la región experimental es de dos unidades codificadas. El término
independiente bˆ = 23.83 es la media global Y–••• de todos los datos y representa la
vibración predicha en el centro de la región experimental (xl = 0, x2 = 0) (véase figura
6.5).

La predicción del comportamiento de la vibración sobre la combinación de niveles que

se quiera dentro de la región experimental se puede realizar con el modelo ajustado
dado por la ecuación (6.12), evaluando el punto en la ecuación. La precisión de la
predicción obtenida depende de la calidad del ajuste del modelo. A continuación vemos
cómo medir la calidad del ajuste.
Coeficientes de determinación, R2 y R2aj . Dos de los estadísticos más útiles para
medir la calidad global del modelo de regresión múltiple es el coeficiente de
determinación (R2) y el coeficiente de determinación ajustado (R2 aj), que se obtienen
a partir del ANOVA de la siguiente manera:

Nótese que estos coeficientes comparan la variabili dad explicada por el modelo frente
a la variación total, cuantificadas a través de la suma de cuadrados (SC) o por el
cuadrado medio (CM). De esta forma, para interpretar estos coeficientes se cumple que
0.0 ≤ R2aj ≤R2 ≤ 100.0 y cuantifican el porcentaje de variabilidad presente en los datos y
que es ex plicado por el modelo; por ello, son deseables valores próximos a 100. En
general, para fines de predicción se recomienda un coeficiente de de terminación
ajustado de al menos 70%. Cuando hay muchos factores se prefiere el estadístico R 2aj
en lugar del R2, puesto que este último se incrementa de manera artificial con cada
término que se agrega al modelo, aunque sea un término que no contribuya en mucho a
la explicación de la respuesta. En cambio, el R 2aj incluso baja de valor cuando el
término que se agrega no aporta mucho.
Para el modelo de la vibración (experimento de la ranuradora) es directo calcular estos
coeficientes a partir de la tabla 6.4:

De esta manera, de acuerdo con R 2aj, el modelo ajustado de la expresión (6.12) explica
94.76% de la variabilidad de la vibración observada en el experimento (algo similar nos
dice el R2). Esto significa que los factores estudiados (tipo de broca y velocidad de la
ranuradora), junto con su in teracción, son responsables o explican un alto porcentaje
de la variabilidad observada en la variable de respuesta (vibración).
De esta manera, el efec to atribuible a factores no estudiados, ya sea que se hayan
mantenido en un nivel fijo o que hayan tenido pequeñas variaciones, más el efecto de
errores experimentales, fueron pequeños en comparación con el efecto de los factores
estudiados.
En caso de que R2aj o R2 hayan sido pequeños, esto indicaría que el efecto o
variabilidad atribuible a los factores estudiados es pequeña en comparación con el resto
de la variación observada en el experimento. Un R 2 bajo puede deberse a una o varias
de las siguientes razones:
• Los factores estudiados, por sí solos no tienen la suficiente influencia para explicar las
variaciones observadas en la variable de respuesta.
• Los niveles de los factores estudiados son demasiado estrechos, por lo que el efecto
sobre la variable de respuesta al cambiar de un nivel a otro es demasiado pequeño.
• Otros factores no estudiados en el experimento no se mantuvieron suficientemente
fijos, por lo que al tener variaciones durante el expe rimento causaron mucha variación
experimental.
• Los errores experimentales y los errores de medición fueron altos. Se debe tener la
precaución de analizar cuáles de las razones anterio res influyeron para tener
coeficientes de determinación bajos; es decir, no se debe caer en el error de desechar
el experimento y creer que “no sirvió”. En general, los experimentos generan
información que debe utilizarse para plantear conjeturas y estudios experimentales
nuevos.
BIBLIOGRAFÍA
Gutiérrez, H., de la Vara, R. (2008). Análisis y diseño de experimentos. Segunda
edición. McGRAW-HILL/INTERAMERICANA EDITORES, S. A. de C.V. México, D.F.