Seis Sigma

1
23
45
UNIDAD IV
0011 0010 1010 1101 0001 0100 1011
Determinar las Variables
Significativas

4/09/22 09:53 AM 1
 Contenido
0011 0010 1010 1101 0001 0100 1011

4.1 Teorema del límite central

23
4.2 Pruebas de Hipótesis e intervalos de confianza
4.2.1 Para una media
1
45
4.2.2 Para la diferencia de medias
4.2.3 Para proporciones
4.2.4 Para más de dos proporciones
4.2.5 Para varianzas
4.3 Diseño y análisis de experimentos
4.3.1 Análisis de varianza ANOVA
4/09/22 09:53 AM 2
 4.2.1 Para una media
4.2.2 Para la diferencia de medias
4.2.3 Para proporciones
4.2.4 Para más deContenido
dos proporciones
4.2.5 Para varianzas
0011 0010 1010 1101 0001 0100 1011

4.3 Diseño y análisis de experimentos

23
4.3.1 Análisis de varianza ANOVA

1
4.3.2 ANOVA de un factor fijo

45
4.3.3 Pruebas de comparación de medias
4.3.4 Suposiciones del ANOVA
4.3.5 ANOVA con bloques
k
4.3.6 Diseños factoriales 2
k-p
4.3.7 Diseños fraccionados 2
4.4 Aplicación de un diseño fraccionado para disminuir el desperdicio

4/09/22 09:53 AM 3
 4.1 Teorema del Límite Central
0011 0010 1010 1101 0001 0100 1011

• Suponga que se toman muestras de tamaño

23
suficientemente grande y que se calculan las

1
45
medias de dichas muestras. Sin importar cuál
sea la distribución original (unidades
individuales). La distribución de las medias
de dichas muestras será normal con:
2
2 
 x  E( x )    
x
n
4/09/22 09:53 AM 4
 4.1 Teorema del Límite Central
0011 0010 1010 1101 0001 0100 1011
Distribuciones originales Distribución de sus medias

1
23
?

4/09/22 09:53 AM
45
Distribución Normal

Representación gráfica del TLC

5
 4.2 Pruebas de hipótesis
e intervalos
0011 0010 1010 1101 0001 0100 1011
de confianza
• Hipótesis Estadística. Es una afirmación o conjetura

23
respecto a una o más poblaciones.

1
• Hipótesis Nula. Establece que no hay diferencia significativa

45
entre el valor supuesto y el valor verdadero del parámetro, se
representa por H0:  = 0.
• Hipótesis Alternativa. El rechazo de la hipótesis nula da
como resultado la aceptación de una hipótesis alternativa, que se
representa por H1 y que admite la posibilidad de que el verdadero
valor del parámetro sea diferente, mayor que o menor que el valor
supuesto 0 .
4/09/22 09:53 AM 6
 4.2 Pruebas de hipótesis
e intervalos de confianza
0011 0010 1010 1101 0001 0100 1011

• Error tipo I. Consiste en rechazar la hipótesis nula

1
23
cuando es verdadera. P(Error Tipo I ) = 

45
• Error Tipo II. Consiste en aceptar la hipótesis nula
cuando en realidad es falsa. P(Error Tipo II ) = 

• Potencia de la prueba. Es la probabilidad de no

cometer error tipo II = 1 - 

4/09/22 09:53 AM 7
 4.2 Pruebas de hipótesis
e intervalos de confianza
0 0 1 1Procedimiento
0 0 1 0 1 0 1 0 1 1 0 1 0 0 0general
1 0 1 0 0 1 0 1Para
1 Pruebas de Hipótesis
i. Establecer las Hipótesis Nula y Alternativa.

23
ii. Seleccionar el Estadístico de Prueba adecuado.

1
iii. Establecer la Regla de Decisión para el nivel de significancia

45
seleccionado (  ).
iv. Evaluar el estadístico de prueba para los valores observados
en la muestra.
v. Tomar una Decisión: Rechazar o No rechazar la hipótesis
Nula.
vi. Conclusión: escribir en lenguaje común la consecuencia del
rechazo o no rechazo de la hipótesis nula.

4/09/22 09:53 AM 8
 4.2 Pruebas de hipótesis
e intervalos de confianza
0011 0010 1010 1101 0001 0100 1011
• Pruebas de dos Extremos: H 0 :    0 vs H 1 :   0

23
Región de

1
Región de NO Rechazo Región de
Rechazo Rechazo

45
Normal Distribution
0.4 Mean,Std. dev.
0,1
Regla de decisión:
1-
d e n s ity

0.3

 x  C1

0.2

0.1 Rechazar H 0 si  ó
0  x C
-5 -4
/2
-3 -2 -1 0 1 2
/2
3 4 5  2
x
C1 0 C2

4/09/22 09:53 AM 9
 4.2 Pruebas de hipótesis
e intervalos de confianza
0011 0010 1010 1101 0001 0100 1011
• Pruebas de Extremo Izquierdo: H 0 :   0 vs H 1 :   0
Región de

23
Región de NO Rechazo

1
Rechazo

45
Normal Distribution
0.4 Mean,Std. dev.
0,1

1-
d e n s ity

0.3

0.2

0.1

0
-5 -4 -3 -2 -1 0 1 2 3 4 5
 x

C1 0
Regla de decisión: Rechazar H 0 si x  C 1
4/09/22 09:53 AM 10
 4.2 Pruebas de hipótesis
e intervalos de confianza
0011 0010 1010 1101 0001 0100 1011
• Pruebas de Extremo Izquierdo: H 0 :   0 vs H 1 :   0
Región de

23
NO Rechazo Región de

1
Rechazo

45
Normal Distribution
0.4 Mean,Std. dev.
0,1

1-
d e n s ity

0.3

0.2

0.1

0
-5 -4 -3 -2 -1 0

x
1 2
/2 3 4 5

0 C2
Regla de decisión: Rechazar H 0 si x  C 1
4/09/22 09:53 AM 11
 4.3 Diseño y Análisis de
Experimentos
0011 0010 1010 1101 0001 0100 1011
• 4.3.1 Análisis de varianza ANOVA

23
• Análisis de varianza: es una técnica mediante la

1
45
cual la variación total presente en un conjunto de datos
se divide en varias componentes, cada una de las cuales
tiene asociada una fuente de variación específica, de
manera que en el análisis es posible conocer la
magnitud de las contribuciones de cada fuente de
variación a la variación total.

4/09/22 09:53 AM 12
 4.3 Diseño y Análisis de Experimentos

0011 0010 1010 1101 0001 0100 1011

• 4.3.2ANOVA de un factor fijo

23
Fuentes de Sumas de Grados de Cuadrados

1
Variación Cuadrados Libertad medios
f0

45
a y i2 y 2 SC CM
Tratamientos SC    a1 CM 
n N a1
i 1 ˆ 2
SC E
Error SC E  SCT  SC E N a ˆ 2  CM E 
N a

a n y 2
Total SCT    y i2 j 
N
N 1
i 1 j 1

4/09/22 09:53 AM 13
 4.3 Diseño y Análisis de Experimentos

0011 0010 1010 1101 0001 0100 1011

• 4.3.3 Pruebas de comparación de medias

23
 Método de Scheffé para Comparación de
Contrastes

1
45
 Método de la Mínima Diferencia Significativa
 Prueba de Rango Múltiple de Duncan
 Prueba de Newman – Keuls
 Prueba de Tukey

4/09/22 09:53 AM 14
 4.3 Diseño y Análisis de Experimentos

0011 0010 1010 1101 0001 0100 1011

• 4.3.4 Suposiciones del ANOVA

23
1) Normalidad, requiere que los valores de Y estén

1
distribuidos normalmente en cada valor de X.

45
2) Homocesdasticidad, requiere que la variación alrededor de
la línea de regresión sea constante para todos los valores de
X.
3) Independencia del error, requiere que el error (la
diferencia entre un valor observado y un valor estimado) es
independiente de cada valor de X.
4) Linealidad, establece que la relación entre las variables es
lineal.
4/09/22 09:53 AM 15
 4.3 Diseño y Análisis de Experimentos

4.3.5 ANOVA en Bloques

0011 0010 1010 1101 0001 0100 1011

Fuentes de Grados de Cuadrados f0 Pvalue

Sumas de Cuadrados

23
Variación Libertad Medios

1
CM 

45
k yi2y2
Tratamientos SC    k-1 CM P( f > f0 )
i1 b N CM E
k yi2y2 CM B
Bloques SC B  
i1 k

N
b-1 CMB
CM E
P( f > f0 )

Error SCE = SCT - SC- SCB (k – 1)(b – 1) CME

2
k
yb
Total SCT    yi2j    N- 1
i 1 j1 N
4/09/22 09:53 AM 16
 4.3 Diseño y Análisis de Experimentos
4.3.6 Diseños factoriales 2k
0011 0010 1010 1101 0001 0100 1011

• Factoriales 2k completos: diseño que

1
23
estudia k factores con dos niveles cada uno,

45
y donde se evalúan los 2k posibles
tratamientos.
• Diseño factorial 22 : modelo que estudia el
efecto de dos factores considerando dos
niveles en cada uno.
4/09/22 09:53 AM 17
 4.3 Diseño y Análisis de Experimentos

0 0 1 1 0 0 1 0 1 0 1 0 1 1 0 1 0 0 0 1 0 1 0 0 1 021 1
Diseño factorial 2 .Representación gráfica

23
(-1, 1) (1, 1)

1
b ab

45
Factor B

(1) a
(-1, -1) (1, -1)
Factor A
4/09/22 09:53 AM 18
 4.3 Diseño y Análisis de Experimentos
Diseño factorial 22. Cálculo de los Efectos
0011 0010 1010 1101 0001 0100 1011

• Efecto de un factor

23
a  ab b  (1) 1

1
Efecto A    a  ab  b  (1)

45
2n 2n 2n
b  ab a  (1) 1
Efecto B    b  ab  a  (1)
2n 2n 2n
ab  (1) a  b 1
Efecto AB    ab  (1)  a  b
2n 2n 2n

4/09/22 09:53 AM 19
 4.3 Diseño y Análisis de Experimentos

0 0 1 1 0 0 1 0 1 0 1 0 1 1 0 1 0 0 0 1 0 1 Diseño
00 1011 factorial 22
• Hipótesis:

1
23
H 0 : Efecto A  0

45
H 1 : Efecto A  0

H 0 : Efecto B  0
H 1 : Efecto B  0

H 0 : Efecto AB  0
H 1 : Efecto AB  0

4/09/22 09:53 AM 20
 ANOVA para el diseño factorial 22
Grados de
0 0 1 1FV
0 0 1 0 1 0 1 0 1 1 0Sumas
1 0 0 0 1de0 1Cuadrados
00 1011
Libertad
CM f0 Pvalue
[a  ab  b  (1)]2 CM A

23
Efecto A SC A  1 CMA P ( f  f0 )
n2 2 CM E

1
45
[b  ab  a  (1)]2 CM B
Efecto B SC B  1 CMB P ( f  f0 )
n2 2 CM E

[ab  (1)  a  b]2 CM AB

P ( f  f0 )
Efecto AB SC AB  1 CMAB CM E
n2 2

Error SCE = SCT – SCA – SCB – SCAB 4(n – 1) CME

2 2 n
y2 
Total SCT  
i 1 j1 l 1
yi2jl  2
n2
n22 - 1
4/09/22 09:53 AM 21
 Diseño Factorial 22. Ejemplo
Integrador
Diseño y Datos
0011 0010 1010 1101 0001 0100 1011

A: Broca B: Veloc. A B AB Vibración Totales

1
23
45
1/16 40 - - + 18.2 18.9 12.9 14.4 64.4 = (1)

1/8 40 + - - 27.2 24.0 22.4 22.5 96.1 = a

1/16 90 - + - 15.9 14.5 15.1 14.2 59.7 = b

1/8 90 + + + 41.0 43.9 36.3 39.9 161.1 = ab

4/09/22 09:53 AM 22
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011

23
Estimated effects for Vibracion
--------------------------------------
1
45
average = 23.8312 +/- 0.611191
A:Broca = 16.6375 +/- 1.22238
B:Velocidad = 7.5375 +/- 1.22238
AB = 8.7125 +/- 1.22238
--------------------------------------

4/09/22 09:53 AM 23
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011

Analysis of Variance for Vibracion

23
-------------------------------------------------------------------------------

1
-
Source Sum of Squares Df Mean Square F-Ratio P-

45
Value
-------------------------------------------------------------------------------
-
A:Broca 1107.23 1 1107.23 185.25
0.0000
B:Velocidad 227.256 1 227.256 38.02
0.0000
AB 303.631 1 303.631 50.80
0.0000
Total error 71.7225 12 5.97688
-------------------------------------------------------------------------------
-
Total (corr.) 1709.83 15
4/09/22 09:53 AM 24
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011
Regression coeffs. for Vibracion
---------------------------------------------------------------------

23
constant = 23.055

1
A:Broca = -96.24

45
B:Velocidad = -0.372
AB = 5.576
---------------------------------------------------------------------

Vibracion = 23.055 - 96.24*Broca - 0.372*Velocidad +

5.576*Broca*Velocidad

4/09/22 09:53 AM 25
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011

Standardized Pareto Chart for Vibracion

1
23
45
A:Broca +
-

AB

B:Velocidad

0 3 6 9 12 15

4/09/22 09:53 AM
Standardized effect 26
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011
Main Effects Plot for Vibracion

23
33

1
45
30
Vibracion

27
24
21
18
15
0.0625 0.125 40 90
Broca Velocidad
4/09/22 09:53 AM 27
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011

Interaction Plot for Vibracion

1
23
44

45
39 Velocidad=90
Vibracion

34
29
24 Velocidad=40
19
Velocidad=40
Velocidad=90
14
0.0625 0.125
Broca
4/09/22 09:53 AM 28
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011
Estimated Response Surface

1
23
45
54
Vibracion

44

34

24
90
80
14 70
60
62 50
82 102 122 142
(X 0.001)
40
Velocidad
Broca

4/09/22 09:53 AM 29
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011
Optimize Response
-----------------

23
Goal: minimize Vibracion

1
Optimum value = 14.925

45
Factor Low High Optimum
--------------------------------------------------------------
-
Broca 0.0625 0.125 0.0625

Velocidad 40.0 90.0 90.0

4/09/22 09:53 AM 30
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011
Square Plot for Vibracion

23
90.0
14.925 40.275

1
45
Velocidad

16.1 24.025
40.0
0.0625 0.125
Broca

4/09/22 09:53 AM 31
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011
Residual Plot for Vibracion

23
4

1
45
2
residual

-2

-4
12 22 32 42 52

predicted
4/09/22 09:53 AM 32
 Diseño Factorial 22. Ejemplo
Integrador
0011 0010 1010 1101 0001 0100 1011Normal Probability Plot
99.9

23
99

1
95

45
percentage

80
50
20
5
1
0.1
-4 -2 0 2 4

RESIDUALS
4/09/22 09:53 AM 33
 Diseño Factorial 23

• Con este modelo se estudian tres factores en dos niveles

0011 0010 1010 1101 0001 0100 1011
cada uno
(-1, 1, 1) (1, 1, 1)

1
23
(-1, -1, (1, -1, 1)

45
1)
Factor C

(-1, 1, -1)
(1, 1, -1)
B
to r
c
Fa
(-1, -1, -1) (1, -1, -1)
Factor A
4/09/22 09:53 AM 34
 Diseño Factorial 23
Tabla de signos del diseño factorial 23
0011 0010 1010 1101 0001 0100 1011
Totales A B C AB AC BC ABC

23
(1) - - - + + + -

1
a + - - - - + +

45
b - + - - + - +
ab + + - + - - -
c - - + + - - +
ac + - + - + - -
bc - + + - - + -
4/09/22 09:53 +
abc AM + + + + + +
35
 Análisis del Diseño Factorial 23
• Hipótesis:
0011 0010 1010 1101 0001 0100 1011

H 0 : Efecto A  0 H 0 : Efecto AB  0

23
H 1 : Efecto A  0 H 1 : Efecto AB  0

1
45
H 0 : Efecto AC  0
H 0 : Efecto B  0 H 1 : Efecto AC  0
H 1 : Efecto B  0
H 0 : Efecto BC  0
H 1 : Efecto BC  0
H 0 : Efecto C  0
H 0 : Efecto ABC  0
H 1 : Efecto C  0
H 1 : Efecto ABC  0

4/09/22 09:53 AM 36
 Análisis del Diseño Factorial 23

Contraste A  a  ab  ac  abc  (1)  b  c  bc 

0011 0010 1010 1101 0001 0100 1011

Contraste B  b  ab  bc  abc  (1)  a  c  ac 

1
23
Contraste C  c  ac  bc  abc  (1)  a  b  ab

45
Contraste AB  ab  b  a  abc  (1)  bc  ac  c 

Contraste AC  (1)  a  b  ab  c  ac  bc  abc 

Contraste BC  (1)  a  b  ab  c  ac  bc  abc 

Contraste ABC  abc  bc  ac  c  ab  b  a  (1)

4/09/22 09:53 AM 37
 Análisis del Diseño Factorial 23
0011 0010 1010 1101 0001 0100 1011 Contraste A
Efecto A 
n2 k - 1

1
23
Contraste EFECTO  2

45
SC EFECTO  k
n2
2
2 2 2 n
y
SC T    y
i 1 j1 l 1 m1
2
ijlm 
n2

k

4/09/22 09:53 AM 38
 ANOVA para el diseño 23
FV SC GL CM f0 Pvalue
0011 0010 1010 1101 0001 0100 1011
Efecto A SCA 1 CMA CMA /CME P(f > f0 )

Efecto B SCB 1 CMB CMB /CME P(f > f0 )

1
23
Efecto C SCC 1 CMC CMC /CME P(f > f0 )

45
Efecto AB SCAB 1 CMAB CMAB /CME P(f > f0 )

Efecto AC SCAC 1 CMAC CMAC /CME P(f > f0 )

Efecto BC SCBC 1 CMBC CMBC /CME P(f > f0 )

Efecto ABC SCABC 1 CMABC CMABC /CME P(f > f0 )

Error SCE 2 (n – 1)
3 CME
4/09/22 09:53 AM 39
Total SCT n23 – 1)
 Diseño Factorial General 2k
Notación
Tratamiento A B C D
de Yates
0 0 1 1 0 0 1 0 1 0 1 0 1 110 1 0 0 0 1 0 1(1)
00 1011 - - - -
k=1 2 a + - - -
3 b - + - -

23
k =2 4 ab + + - -

1
5 c - - + -
6 ac + - + -

45
7 bc - + + -
k =3 8 abc + + + -
9 d - - - +
10 ad + - - +
11 bd - + - +
12 abd + + - +
13 cd - - + +
14 acd + - + +
15 bcd - + + +
k=4 16 abcd + + + +

4/09/22 09:53 AM 40
 Diseño Factorial General 2k
Con el diseño factorial completo 2k se pueden estudiar en total
0 0 12
0 0 1 1 los 1 0efectos
0 k-1 1 0 1 1 0 1 0siguientes:
001 0100 1011

k
   k ,

23
efectos principales
 1

1
45
k k! k ( k  1)
    , interacciones dobles
 2  2! ( k  2 )! 2

k k!
   , interacciones triples
 3 3! ( k  3 )!

k
   1, interacción de los k factores
4/09/22 09:53 AM k  41
 Diseño Factorial General 2k
Estimación de contrastes, efectos y sumas de cuadrados:
0011 0010 1010 1101 0001 0100 1011

[Contraste ABC  K]
Efectos ABC  K 

23
n2 k - 1

1
45
[Contraste ABC  K] 2
SC ABC  K 
n2 k

n2k 2
y
SCT  
i1
y i2   k
n2

4/09/22 09:53 AM 42
 Diseño Factorial 2k
0 0 1 1 0Diseño
0 1 0 1 0 1 0 1 1 0 1Réplicas
0 0 0 1 0 1 0Recomendadas
0 1011 Número de Corridas

22 3o4 12, 16

1
23
23 2 16

45
24 1o2 16, 32

25 fracción 25-1 o 1 16, 32

26 fracción 26 -2 o fracción 26-1 16, 32

27 fracción 27 - 3 o fracción 27- 2 16, 32

4/09/22 09:53 AM 43
 Diseño Factorial 2k No Replicado
• Una sola replica del factorial 2k completo es una
0011 0010 1010 1101 0001 0100 1011
estrategia adecuado cuando se tienen cuatro o más

23
factores, considerando que a partir de k = 4 se

1
comienza tener mucha información con el diseño

45
factorial completo.
• Esta información extra se refleja en que los efectos
de interés primario, como lo son los efectos
principales y las interacciones dobles, se estiman
con gran precisión.
4/09/22 09:53 AM 44
 Diseño Factorial 2k No Replicado
La construcción de la suma de cuadrados del error para el
0 0 1 1 0 0 ANOVA
1 0 1 0 1 0 1 de
1 0 1 un 0 1 0 0 1 0 1 12k con un sola réplica se realiza a
0 0 0 1factorial

través de los pasos siguientes:.

23
1. Se puede suponer de antemano que las interacciones de

1
45
tres o más factores no son significativas y enviarlas
directamente al error.
2. Se utilizan técnicas gráficas, tabulares y numéricas para
decidir cuales de los efectos principales, interacciones
dobles y triples se pueden enviar al error. Con los efectos
excluidos se obtiene una suma de cuadrados del error, y
con ella se construye la tabla del ANOVA.
4/09/22 09:53 AM 45
 Diseño Factorial 2k No Replicado

¿Cómo decidir cuáles efectos mandar al

0011 0010 1010 1101 0001 0100 1011

error?

1
23
45
 Gráfico de efectos en papel normal (Daniel’s
plot). Gráfico que permite visualizar cuáles
efectos pueden ser significativos; entre más se
aleje un punto de la línea , más importante será
el correspondiente efecto

4/09/22 09:53 AM 46
 Diseño Factorial 2k No Replicado

0011 0010 1010 1101 0001 0100 1011

¿Cómo decidir cuáles efectos

1
23
mandar al error?

45
 Diagrama de Pareto de efectos. Gráfico
de barras que representa los efectos
ordenados en forma descendente de
acuerdo con su magnitud absoluta

4/09/22 09:53 AM 47
 Diseño Factorial 2k No Replicado

0011 0010 1010 1101 0001 0100 1011

¿Cómo decidir cuáles efectos

23
mandar al error?

1
45
 Colapsación o proyección del diseño.
Consiste en eliminar completamente del
análisis un factor, con lo que el diseño 2k
original se convierte en un diseño con un
factor menos (2k-1) y con el doble de
repeticiones en cada tratamiento.
4/09/22 09:53 AM 48
 Factoriales 2k con Punto al Centro

0 0 1Punto
1 0 0 1 0 1 0 1al
0 1 1 0Centro.
1 0 0 0 1 0 1 0 0 1 0Tratamiento
formado por la
11

combinación del nivel intermedio o medio de

23
todos los factores. Hay dos razones por las que es

1
deseable correr el punto central con cierto número

45
de réplicas:
1. Obtener grados de libertad adicionales para el
error en la tabla del AVOVA, sin perjudicar el
balance en la estimación de los efectos de interés,
2. Detectar la presencia de curvatura en al menos
uno de los factores objeto de estudio,( factores
cuantitativos).
4/09/22 09:53 AM 49
 Factoriales 2k en Bloques

0011 0010 1010 1101 0001 0100 1011

 El uso Adecuado de bloques incrementa la
precisión del experimento, además de ser un

1
23
medio de darle un rango de validez mayor al

45
estudio: se tienen conclusiones válidas dentro de
distintos bloques (días, máquinas, material, tipo
de producto, etc.), que son inevitables y que
están siempre en el proceso.

4/09/22 09:53 AM 50
 Factoriales 2k en Bloques

0 0 11.
1 0 0 1No
0 1 es
0 1 0posible
1 1 0 1 0correr
0 0 1 0 1 el
0 0 factorial
1011 completo 2k en el mismo día, ya sea
por lo lento de las corridas o del proceso de medición, o por la

23
cantidad de corridas.

1
2. Cuando un lote de material no alcanza para hacer todas las corridas

45
experimentales y se sospecha que las diferencias entre lotes podían
sesgar los resultados, entonces es necesario repartir adecuadamente
las corridas experimentales en varios lotes.

3. Cuando no es posible contar durante el experimento completo 2k con

el mismo operador o con el mismo instrumento de medición, y se
sospecha que estos pueden influir en el desempeño del proceso.

4/09/22 09:53 AM 51