Diseño de experimentos y probabilística

Universidad de Guanajuato

Diseño Factorial Fraccional (2K-P)

Almonaci Muñiz Dolores Azucena, Campos Vega Christian Arturo, Cárdenas Pérez Efrén, Galván Rentería
Emilio, Huerta Flores Daniel Gustavo, Reyes Sánchez Carolina, Vargas Hernández Bibiana
Universidad de Guanajuato, División de Ingenierías Campus Irapuato Salamanca DICIS,
Un diseño factorial fraccional se puede definir como el nivel de interacciones que se presentan en la estimación
de efectos, dando una idea de que tan bien pueden estimarse los efectos potencialmente importantes mediante
el diseño.

En el presente documento es aplicado este tipo de diseño en base a la experimentación con helicópteros de
papel. Los resultados obtenidos del estudio permiten realizar conclusiones del comportamiento del sistema
ante los diferentes factores ensayados y, de igual forma, predecir su funcionamiento según el caso.

El objetivo primordial del análisis es encontrar los diferentes factores que permitirían optimizar el
funcionamiento del dispositivo.

Índice de Términos – Diseño factorial fraccional, matriz codificada

II. DESARROLLO DEL EXPERIMENTO
I. INTRODUCCIÓN
El objetivo del experimento fue determinar que parámetros de
diseño en un helicóptero de papel son determinantes con el

L a metodología del diseño de experimentos estudia cómo

objetivo de diseñar un helicóptero que se mantenga en vuelo
por un mayor lapso de tiempo. La Figura 1 es una
representación gráfica del diseño de los helicópteros donde se
realizar comparaciones lo más homogéneas posibles y como
elegir los experimentos adecuados, para aumentar, en especifican algunos de los factores de diseño que se analizaran
consecuencia, la probabilidad de detectar cambios o identificar en este estudio.
variables influyentes. Cuando exista mucha variabilidad entre
resultados (un gran error experimental) sólo detectaremos
como influyentes aquellos tratamientos que produzcan
cambios muy grandes con relación al error experimental.
En estudios exploratorios en la industria, donde se intenta
estudiar el efecto simultáneo de muchos factores, los
experimentos factoriales se encuentran con dos tipos de
dificultades: la primera que el número de experimentos
elementales puede ser muy alto, por ejemplo un diseño 26
requiere 64 observaciones; la segunda es que generalmente
sólo unos pocos de los efectos estudiados son activos, siendo
la mayoría de las interacciones de orden elevado cero o muy
próximas a cero, con lo que parte de los datos del experimento
se utilizan únicamente, para estimar el error experimental, en
lugar de estimar parámetros relevantes.

Un método estadístico de gran utilidad son los diseños

fraccionados 2^(k-p), donde k=factores y p=es la fracción.
Este método es muy utilizado debido a que reduce tiempo y
recursos al estudiar interacciones de mayor importancia de un
diseño experimental completo. Estos son diseños en los que
únicamente un subconjunto (o fracción) del factorial completo
es analizado, ya sea la mitad, o un cuarto del diseño, por
ejemplo. Sin embargo, esto de experimentar una fracción se
hace porque no siempre es posible llevar a cabo el diseño
factorial completo, porque el presupuesto no alcanza, porque
el tiempo no es suficiente, o por otros motivos.[2]

Figura 1. Diseño de helicóptero de papel.

La creación del experimento, realizar los modelos, la
recolección de datos y realizar los lanzamientos tomó
aproximadamente 2 horas. El orden de las corridas fue
completamente aleatorio y fue tomado del software Minitab
19.
La misma persona fue encargada de realizar todos los
lanzamientos, así se garantizaba que cada lanzamiento tuviera
la misma posición de lanzamiento. Tres personas estuvieron
contabilizando el tiempo vuelo para cerciorarse de que la
medición fue correcta.

Además de los parámetros de lanzamiento propios de la III. ANÁLISIS DEL EXPERIMENTO

catapulta, existen más factores que pueden intervenir en el
En la tabla 1 se presentan los parámetros de diseño elegidos
tiempo de vuelo del helicóptero.
para analizar en este diseño factorial fraccional. Son seis los
Los parámetros de lanzamiento seleccionados para este factores que se desean estudiar, para un diseño factorial
análisis son los siguientes: completo, se necesitarían 64 tratamientos, sin embargo, en este
estudio se desprecian las interacciones de orden mayor igual a
 Tipo de papel 3, por lo tanto, el valor 𝑝 correspondería a 3.
 Largo del ala
 Ancho del cuerpo 26−3 = 23
 Largo del cuerpo
Se necesitaron un total de ocho tratamientos para realizar el
 Número de clips
diseño de experimento, y se realizaron 3 replicas de cada
 Forma del ala
tratamiento, en total se realizaron 24 lanzamientos.
Los parámetros de diseño correspondientes al ancho del ala y
Tabla 1. Distancia horizontal del proyectil con diferentes configuraciones
la distancia entre el ala y el cuerpo fueron constates para todos
los helicópteros realizados. Para este caso de estudio, sus
efectos no fueron considerados. Parámetros Etiqueta Nivel bajo (-1) Nivel alto (+1)

Tipo de papel A Bond Cartulina

El factor que no fueron directamente controlado durante el
experimento fue las condiciones ambientales. Para minimizar Largo del ala B 50 mm 100 mm
los efectos de estos factores en la respuesta se tomaron las Ancho del cuerpo C 20 mm 35 mm
siguientes precauciones: Largo del cuerpo D 50 mm 100 mm
No. de clips E 2 3
El experimento fue realizado en el edificio principal de la
división de Ingenierías de la Universidad de Guanajuato, el Forma del ala F plana inclinada 45°
hacia arriba
cual se puede considerar como un cuarto cerrado, por lo tanto,
las condiciones debidas al viento se mantuvieron constantes
durante todo el experimento, por este motivo se considera que
los efectos del viento son un factor aleatorio y no tienen un En la tabla 2 se presentan los datos obtenidos de las tres replicas para
efecto estadístico. cada combinación. En la tabla 3 se muestra la matriz codificada
utilizada para realizar el experimento en el software Minitab.

Matriz diseñada para el experimento del helicóptero

Tipo de papel Largo del Ancho del Largo del No. de Forma del ala Tiempo
ala cuerpo cuerpo clips de vuelo
1 Bond 50 mm 20 mm 100 mm 3 inclinada 45° hacia arriba 1.3
2 Cartulina 50 mm 35 mm 50 mm 3 plana 2.3
3 Bond 50 mm 35 mm 100 mm 2 plana 2.85
4 Bond 50 mm 20 mm 100 mm 3 inclinada 45° hacia arriba 1.33
5 Bond 100 mm 20 mm 50 mm 3 plana 4.56
6 Bond 100 mm 20 mm 50 mm 3 plana 4.08
7 Bond 50 mm 20 mm 100 mm 3 inclinada 45° hacia arriba 1.42
8 Bond 100 mm 20 mm 50 mm 3 plana 4.57
9 Bond 50 mm 35 mm 100 mm 2 plana 2.65
10 Cartulina 50 mm 35 mm 50 mm 3 plana 2.37
11 Bond 100 mm 35 mm 50 mm 2 inclinada 45° hacia arriba 1.78
12 Bond 100 mm 35 mm 50 mm 2 inclinada 45° hacia arriba 2.4
13 Bond 100 mm 35 mm 50 mm 2 inclinada 45° hacia arriba 1.82
14 Cartulina 50 mm 20 mm 50 mm 2 inclinada 45° hacia arriba 1.57
15 Cartulina 100 mm 20 mm 100 mm 2 plana 3.82
16 Cartulina 100 mm 35 mm 100 mm 3 inclinada 45° hacia arriba 2
17 Cartulina 50 mm 20 mm 50 mm 2 inclinada 45° hacia arriba 1.64
18 Cartulina 100 mm 35 mm 100 mm 3 inclinada 45° hacia arriba 2.22
19 Cartulina 50 mm 35 mm 50 mm 3 plana 2.2
20 Cartulina 100 mm 35 mm 100 mm 3 inclinada 45° hacia arriba 1.82
21 Cartulina 100 mm 20 mm 100 mm 2 plana 3.82
22 Cartulina 100 mm 20 mm 100 mm 2 plana 3.85
23 Cartulina 50 mm 20 mm 50 mm 2 inclinada 45° hacia arriba 1.56
24 Bond 50 mm 35 mm 100 mm 2 plana 2.72

Matriz codificada diseñada para el experimento del helicóptero

Tipo de Largo del Ancho del Largo del No. de Forma del Tiempo de
papel ala cuerpo cuerpo clips ala vuelo
-1 -1 -1 1 1 1 1.3
1 -1 1 -1 1 -1 2.3
-1 -1 1 1 -1 -1 2.85
-1 -1 -1 1 1 1 1.33
-1 1 -1 -1 1 -1 4.56
-1 1 -1 -1 1 -1 4.08
-1 -1 -1 1 1 1 1.42
-1 1 -1 -1 1 -1 4.57
-1 -1 1 1 -1 -1 2.65
1 -1 1 -1 1 -1 2.37
-1 1 1 -1 -1 1 1.78
-1 1 1 -1 -1 1 2.4
-1 1 1 -1 -1 1 1.82
1 -1 -1 -1 -1 1 1.57
1 1 -1 1 -1 -1 3.82
1 1 1 1 1 1 2
1 -1 -1 -1 -1 1 1.64
1 1 1 1 1 1 2.22
1 -1 1 -1 1 -1 2.2
1 1 1 1 1 1 1.82
1 1 -1 1 -1 -1 3.82
1 1 -1 1 -1 -1 3.85
1 -1 -1 -1 -1 1 1.56
-1 -1 1 1 -1 -1 2.72
 A. Análisis con Minitab 12 2.400 2.000 0.400 2.70 R

Una vez resuelto de manera manual se presentan los datos

obtenidos a través del Software Minitab:
Regresión factorial: Tiempo de vuelo vs. Tipo de
papel, Largo del ala, Ancho del cuerpo, Largo del
cuerpo, No. de clips, Forma del ala
Tabla 3. Coeficientes codificados
La tabla de Ajustes y diagnósticos para observaciones poco
comunes arroja dos valores los cuales son datos atípicos, estos
se podrán observar más claramente en la gráfica de
normalidad.

EE del
B. Ecuación de regresión
Término Efecto Coef coef. Valor T Valor p FIV
Constante 2.5271 0.0370 68.32 0.000 Un análisis de regresión genera una ecuación para describir la
Tipo de papel -0.1925 -0.0962 0.0370 -2.60 0.019 1.00 relación estadística entre uno o más predictores y la variable
Largo del ala 1.0692 0.5346 0.0370 14.45 0.000 1.00 de respuesta, esto permite predecir nuevas observaciones. La
Ancho del cuerpo -0.5325 -0.2662 0.0370 -7.20 0.000 1.00 regresión lineal generalmente utiliza el método de estimación
Largo del cuerpo -0.0875 -0.0438 0.0370 -1.18 0.254 1.00
No. de clips -0.0258 -0.0129 0.0370 -0.35 0.731 1.00
de mínimos cuadrados ordinarios, del cual se obtiene la
Forma del ala -1.5775 -0.7888 0.0370 -21.32 0.000 1.00 ecuación al minimizar la suma de los residuos al cuadrado. [2]
Tipo de papel*Forma del 0.3192 0.1596 0.0370 4.31 0.001 1.00
ala

Tabla 4. Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
0.181200 97.89% 96.97% 95.25%

El valor R2 muestra que el modelo explica un 97.89% de la

varianza en la distancia, lo que indica que el modelo se ajusta
extremadamente bien a los datos.

Todos los FIV son pequeños, lo que indica que los términos en
el modelo no están correlacionados. [1]
Tabla 5. Análisis de Varianza Minitab Figura 7. Diagrama de Pareto.

Fuente GL SC Ajust. MC Ajust. Valor F Valor p El diagrama de Pareto permite identificar visualmente los
Modelo 7 24.3746 3.4821 106.05 0.000 efectos importantes y comparar la magnitud relativa de estos.
Lineal 6 23.7634 3.9606 120.63 0.000 Los factores se ordenan de mayor a menor importancia, en
Tipo de papel 1 0.2223 0.2223 6.77 0.019
este caso la combinación de segundo orden (tipo de papel y
Largo del ala 1 6.8587 6.8587 208.89 0.000
Ancho del cuerpo 1 1.7013 1.7013 51.82 0.000 forma del ala) es significativa, así como cuatro de los 6
Largo del cuerpo 1 0.0459 0.0459 1.40 0.254 factores considerados; el factor de mayor significancia es la
No. de clips 1 0.0040 0.0040 0.12 0.731 forma del ala y los dos parámetros que no son significativos
Forma del ala 1 14.9310 14.9310 454.75 0.000
Interacciones de 2 1 0.6112 0.6112 18.62 0.001
son largo del cuerpo y No. de clips. Dichas observaciones
términos concuerdan con lo concluido al comparar el valor p con α. Al
Tipo de papel*Forma del 1 0.6112 0.6112 18.62 0.001 eliminar los factores que no son significativos de la ecuación
ala
Error 16 0.5253 0.0328
de regresión esta queda de la siguiente forma:
Total 23 24.8999
Tiempo de vuelo = 𝟐. 𝟓𝟐𝟕𝟏 − 𝟎. 𝟎𝟗𝟔𝟐 𝑻𝒊𝒑𝒐 𝒅𝒆 𝒑𝒂𝒑𝒆𝒍
+ 𝟎. 𝟓𝟑𝟒𝟔 𝑳𝒂𝒓𝒈𝒐 𝒅𝒆𝒍 𝒂𝒍𝒂
En la tabla Análisis de varianza se puede apreciar que los − 𝟎. 𝟐𝟔𝟔𝟐 𝑨𝒏𝒄𝒉𝒐 𝒅𝒆𝒍 𝒄𝒖𝒆𝒓𝒑𝒐
términos lineales Largo del cuerpo y No. de clips no son − 𝟎. 𝟕𝟖𝟖𝟖 𝑭𝒐𝒓𝒎𝒂 𝒅𝒆𝒍 𝒂𝒍𝒂
significativos ya que su valor de p supera al nivel de + 𝟎. 𝟏𝟓𝟗𝟔 𝑻𝒊𝒑𝒐 𝒅𝒆 𝒑𝒂𝒑𝒆𝒍 ∗ 𝑭𝒐𝒓𝒎𝒂 𝒅𝒆𝒍 𝒂𝒍𝒂
significancia de 0.05. El resto de los parámetros y la
interacción de segundo orden que se tiene si son parámetros
significativos.
Tabla 6. Ajustes y diagnósticos para observaciones poco comunes

Tiempo Resid
Obs de vuelo Ajuste Resid est.
6 4.080 4.403 -0.323 -2.19 R
 C. Análisis de Residuales.
Figura 8. Análisis de residuales.
-Residuos vs Ajustes. – sirve para comprobar el supuesto de
que los residuos están distribuidos aleatoriamente y tienen una
varianza constante. Lo ideal sería que los puntos estuvieran
ubicados de manera aleatoria a ambos lados de 0, sin patrones
reconocibles en los puntos como podemos observar en el
gráfico anterior; cabe resaltar que se observan dos datos
atípicos los cuales son reconocibles ya que dichos puntos son
mucho más largos que el resto. Al descartar dichos puntos se
puede apreciar una mayor cercanía en los datos, sin embargo,
esta varia a lo largo de la prueba indicando que la varianza no
es constante. [3]
-Histograma de Residuos. - se ilustra la frecuencia con que
se repite un residuo, como podemos ver se tiene un pico en 0.0
que es donde hubo más recurrencia, los datos se dispersan en
torno a 0.3 donde no hubo recurrencia alguna.
-Residuos vs. Orden de Distribución. - sirve 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 como es el caso del grafico anterior, los
residuos siguen un patrón aleatorio indicando una
independencia entre sí. Se puede observar claramente los dos
datos atípicos que se mencionaron con anterioridad, estos son
los dos picos más alejados del conjunto de datos.
Figura 9. Análisis de normalidad.
Se tiene una lista de datos que arroja la prueba de normalidad
Anderson Darling además del gráfico correspondiente, a
continuación, se desglosará cada uno.
La media describe la muestra con un solo valor que representa
el centro de los datos (en este caso de los residuos) se obtuvo
un valor de -3.60822e-15.
La desviación estándar es la medida de dispersión más común,
que indica qué tan dispersos están los datos con respecto a la
media. Una mayor desviación estándar de la muestra indica
que los datos están más dispersos alrededor de la media. Para
este caso se tiene una desviación estándar de 0.1551, se podría
decir que dicho valor al ser relativamente pequeño indica poca
dispersión alrededor de la media.
El tamaño de la muestra N es el número total de observaciones
en la muestra. Por lo general con un tamaño de muestra grande
la prueba tiene más potencia para detectar una diferencia entre
los datos y la distribución normal. Lo ideal es usar 20 o más
observaciones, en este caso se usaron 24 por lo que, se puede
decir que la prueba permite observar claramente el
comportamiento de los datos.
El estadístico de bondad de ajuste de Anderson-Darling (AD)
mide el área entre la línea ajustada (basada en la distribución
normal) y la función de distribución empírica (que se basa en
los puntos de los datos). Ya que el valor AD es mayor que el
valor p podemos decir que los datos no siguen una distribución
normal; sin embargo, hace falta comparar p con el nivel de
significancia para corroborarlo.
El valor p es una probabilidad que mide la evidencia en contra
de la hipótesis nula. Un valor p más pequeño proporciona una
evidencia más fuerte en contra de la hipótesis nula la cual dice
que los datos siguen una distribución normal. Puesto que el
valor p es 0.238, que es mayor que el nivel de significancia de
0.05, la decisión es que no se puede rechazar la hipótesis nula,
por lo tanto, los datos tienen un comportamiento normal.
Además, se pueden apreciar claramente los dos valores
atípicos que se mencionaron en un inicio, regularmente estos
datos se eliminan. [4]
D. Efectos principales e interacciones
Figura 10. Gráfica de cubo con el promedio de los efectos
principales.
Para los datos sobre tiempo de vuelo, el cubo muestra todas las
combinaciones de los valores de configuración de los factores
para los seis factores y la media ajustada de cada combinación.
Se usan las medias ajustadas de la gráfica de cubo para evaluar
las predicciones del modelo en todos los puntos del diseño.
Por ejemplo, la combinación: largo del ala 1, ancho del cuerpo
-1, No. de clips -1, largo del cuerpo -1, forma del ala -1 y tipo
de papel -1 se asocia a la media ajustada más alta del valor de
tiempo de vuelo (4.42917).
Figura 11. Gráfica de efectos principales.
En la gráfica de efectos principales cuando una línea es
horizontal no está presente un efecto principal, pero si no lo es
si existe un efecto principal. En la gráfica siguiente se puede
notar que ninguna línea es horizontal por lo que se puede
asumir que en todas existe un efecto principal, esto quiere
decir que la media de la respuesta no es igual en todos los
niveles de los factores. Mientras más inclinada sea la
pendiente de la línea, mayor será la magnitud del efecto
principal.
Del modelo factorial se sabe que la interacción y todos los
factores a excepción del No. de clips y el largo del cuerpo
serán estadísticamente significativos. De la gráfica notamos
que al pasar de un nivel a otro en los casos del largo del ala y
forma del ala el tiempo de vuelo aumentará
significativamente; para el largo del ala se tiene un aumento
del nivel inferior al nivel superior y en la forma del ala se da a
la inversa, el aumento es del nivel superior al inferior. Ya que
los efectos de interacción entre el tipo de papel y la forma del
ala son significativos, no se puede evaluar los efectos
principales sin considerar los efectos de interacción. [5]
Los puntos centrales quedaron separados de las líneas de
efectos principales por lo que se puede decir que el
comportamiento no se da de forma lineal.
Figura 12. Gráfica de interacción.
La Gráfica de interacción sirve para mostrar cómo la relación
entre la variable de respuesta y un predictor depende del valor
de un segundo predictor. Si las líneas son paralelas no hay
interacción; por otro lado, las líneas no paralelas si tienen una
interacción. Mientras menos paralelas sean las líneas, mayor
será la fuerza de la interacción. [5]
En la gráfica siguiente, las líneas no son paralelas. Este efecto
de interacción indica que la relación entre el tipo de papel y el
tiempo de vuelo dependen de la forma del ala. Por ejemplo, si
se utiliza la forma del ala -1.0 y el tipo de papel -1.0 se tiene
asociado con el tiempo de vuelo medio ajustado más alto. Los
resultados del diseño factorial indican que la interacción es
significativa.
E. Superficie de Respuesta.
La gráfica de superficie sirve para observar cómo se
relacionan los valores de respuesta ajustados con dos variables
continúas basándose en una ecuación del modelo. Una gráfica
de superficie es una gráfica de malla tridimensional que se
utiliza para establecer valores de respuesta y condiciones
operativas deseables. En los ejes X y Y se colocan los
predictores y una superficie continua representa los valores de
respuesta ajustados en el eje Z. [6]
En las gráficas siguientes se muestra la relación de los factores
que resultaron significativos de acuerdo con el diseño
factorial, en la gráfica de Tiempo de vuelo vs. Forma del ala,
Tipo de papel se puede observar que existe una curvatura lo
que indica la presencia de interacciones, esto coincide con lo
discutido anteriormente. El resto de las gráficas no presentan
dicho comportamiento por lo que no se tiene interacción
alguna.
a)
b) f)

Figura 13. Gráficas de Superficie.

I. CONCLUSIONES
El diseño de experimentos es una herramienta muy útil para
resolver problemáticas en la industria contribuyendo al ahorro
de recursos y al control de procesos. Como ingenieros el saber
manejar apropiadamente herramientas computacionales que
contemplen el diseño de experimentos representa un plus que
pocos profesionistas pueden aportar al ámbito laboral.

Por otro lado, al concluir el análisis factorial fraccional

presentado en este documento se pueden rescatar los
siguientes puntos:
c)
Se utilizaron seis factores en la prueba del helicóptero de
papel, de los cuales dos no fueron significativos (No. de clips
y largo del cuerpo). La interacción de segundo orden entre el
tipo de papel y la forma del ala también fue estadísticamente
significativa.
Los datos presentaron un comportamiento normal a pesar de
haberse presentado dos valores atípicos. Se recomienda hacer
un nuevo análisis eliminando dichos datos, también se sugiere
buscar los motivos que llevaron a tales discrepancias para
evitar repetirlo en futuras pruebas.

Se presento interacción entre la forma del ala y el tipo de papel

indicando que la relación entre el tipo de papel y el tiempo e
d) vuelo depende de la forma del ala. Del análisis factorial se
sabe que dicha interacción es significativa por lo que se debe
tomar en cuenta para analizar los efectos principales.

Por último, debido a la naturaleza del diseño factorial

fraccional se puede presentar confusión en los efectos de los
factores y las interacciones ya que algún efecto no se puede
separar, por lo tanto, se recomienda prestar especial atención a
este detalle al realizar conclusiones.

II. BIBLIOGRAFÍA
[1] “Ejemplo de Analizar diseño factorial - Minitab”.
https://support.minitab.com/es-mx/minitab/20/help-and-how-
to/statistical-modeling/doe/how-to/factorial/analyze-factorial-
design/before-you-start/example/ (consultado nov. 06, 2022).
e)
[2] “Tipos de análisis de regresión - Minitab”.
https://support.minitab.com/es-mx/minitab/21/help-and-how-
to/statistical-modeling/regression/supporting-
topics/basics/types-of-regression-analyses/ (consultado oct.
22, 2022).

[3] “Gráficas de residuos para Ajustar modelo de

regresión - Minitab”. https://support.minitab.com/es-
mx/minitab/20/help-and-how-to/statistical-
modeling/regression/how-to/fit-regression-model/interpret-
the-results/all-statistics-and-graphs/residual-plots/ (consultado
oct. 22, 2022).

[4] “Interpretar todos los estadísticos y gráficas para

Prueba de normalidad - Minitab”.
https://support.minitab.com/es-mx/minitab/20/help-and-how-
to/statistics/basic-statistics/how-to/normality-test/interpret-the-
results/all-statistics-and-graphs/ (consultado oct. 22, 2022).

[5] “Interpretar los resultados clave para Gráficas

factoriales - Minitab”. https://support.minitab.com/es-
mx/minitab/20/help-and-how-to/statistical-modeling/using-
fitted-models/how-to/factorial-plots/interpret-the-results/key-
results/ (consultado nov. 06, 2022).

[6] “Gráficas de contorno y gráficas de superficie 3D -

Minitab”. https://support.minitab.com/es-mx/minitab/20/help-
and-how-to/statistical-modeling/using-fitted-
models/supporting-topics/graphs/contour-plots-and-3d-
surface-plots/ (consultado oct. 22, 2022).