Experimentos

2x2
 Experimentos 2 x 2
PROPOSITO:
Introducir el concepto de Diseño de Experimentos (DDE) como un
medio para estudiar múltiples “X” y para cuantificar su efecto sobre
la respuesta “Y”. En este capítulo se discutirán los DDE 2 x 2 - con
dos factores (“X”) en dos niveles.

OBJETIVOS:
• Reconocer la ventaja del DDE sobre los experimentos “Improvisados”.

• Repasar varios ejemplos de diseños experimentales 2 x 2 (la lavadora

de eje horizontal, el helicóptero y el centro de atención telefónica a
clientes).

• Usar Minitab para analizar gráfica y analíticamente los factoriales 2 x 2

de los DDE.
 Diseño de Experimentos: Arreglos ‘Factoriales’
Dados: X1 = Temperatura X2 = Concentración Y = Rendimiento

Enfoque Experimental Posible : Cambiar solamente la temperatura (registrar Y), entonces

cambiar solamente la concentración (registrar Y).
Problema: los efectos de ambas “X” cambiando simultáneamente no pueden ser estimados.
Enfoque Mejor : Cambiar la temperatura y la concentración por separado y en combinación.
Este método proporciona una manera de cuantificar el efecto de la ‘interacción’ al cambiar más
de una variable a laNotación
vez. de Yates

Concentración Agregar el 4° punto da:

ab
alta B bX O • El doble de las comparaciones en temperatura

• El doble de las comparaciones en concentración

baja (1) X aX • Una forma de revisar las interacciones (Consistencia de

Efectos)
A
baja alta Estudiar varias variables al mismo tiempo tiene la ventaja de:
Temperatura • Iterar para lograr las respuestas más rápidamente
(diseños más eficientes)
Los Diseños de Experimentos • Habilitar para buscar relaciones entre las variables
(DDE) pueden usarse para independientes (interacciones)
estudiar de manera eficiente • Disminuir la variación en las estimaciones de los efectos
varias variables • Reducir los costos de experimentación
simultáneamente
Ejemplo 1: La Lavadora de Eje Horizontal
Escenario:
Se ha desarrollado un nuevo diseño para una lavadora, y varios prototipos han
sido fabricados. Nos gustaría efectuar un experimento para cuantificar el efecto
del tiempo de lavado y el volumen de agua sobre la limpieza de la ropa.
X1: Tiempo de lavado, en minutos Nivel 1: 10 minutos Nivel 2: 20 minutos
X2: Cantidad de agua, en galones Nivel 1: 4 galones Nivel 2: 8 galones
Y : “Brillantez” de la ropa (la medición del brillo o limpieza)
Diseño“Factorial” : Un diseño experimental en el cual son probadas todas
las combinaciones de factores en todos los niveles.
Existen dos “X” en dos niveles cada uno, así que hay un total de 4 combinaciones posibles(Cada
réplica del diseño 22 tiene 4 combinaciones) :
X1 X2 Notación Yates
Baja 10 Baja 4 (1)
Alta 20 Baja 4 a
Baja 10 Alta 8 b
Alta 20 Alta 8 ab
Repetiremos cuatro réplicas del diseño, para un total de 16 ‘corridas’ del diseño. Esto nos
dará más datos para valores fijos en cada corrida(experimento) y nos dará más confianza en
los resultados.
 Ejemplo 1: La Lavadora de Eje Horizontal
(Respuesta Y = “Brillantez”) NOTA: un mayor cambio en brillantez = ropa más limpia
Modelo lineal del diseño 22 Yijk =  + i + j + ()ij + ijk i = 1,2; j = 1,2 , k = 1,...,n

Tiempo de Lavado Cantidad de Cambio en la

Corrida (minutos) Agua (gal)
1 10
2 10
3 10
4 10
5 10
6 10
7 10
8 10
9 20
10 20
11 20
12 20
Brillantez
Una gráfica de las respuestas
4 20.4 contra las dos variables
4 19.3 independientes es:
4 17.6 cantidad de agua (gal)
4 16.3 9.7 15.0
8 16.4 53.2 24.0 69.8
14.8 15.6
8 9.7
12.3 15.2
8 16.4
Total por combinación
8 14.8
20.4 17.4
8 12.3
4 19.3 73.6 17.7 78.7
17.6 23.2
4 17.4 16.3 20.4
4 17.7
4 23.2 10 20 tiempo de lavado (min)
4 20.4

13 20 8 15.0
14 20 8 24.0
15 20 8 15.6
16 20 8 15.2

* Ver Apéndice para generar esta gráfica en Minitab

 Evaluación de los Resultados Experimentales
• Después de correr el experimento, tenemos 4 respuestas para cada combinación de las “X”.

• La información puede ponerse en forma de matriz, donde cada ‘celda’ en la tabla representa
una combinación de las “X”.

• Para cada celda, el promedio y la desviación estándar puede ser calculado de las 4 respuestas.

Valores Promedio (desviación estándar en paréntesis)

tiempo (minutos)
10 20 promedio por nivel

8 13.3 17.4 15.4

(2.93) (4.37)
Cantidad de
agua (gal)
18.4 19.7 19.0
4 (1.81) (2.71)

15.8 18.6 17.2

Promedio por nivel
Gran promedio

Sería útil tener una desviación estándar “total” que tomara en cuenta el hecho de que algunas
combinaciones de las “X” tienen más influencia que otras. Esta se conoce como la “desviación
estándar ponderada”, y será usada en el análisis experimental :

Desv. Est. Ponderada = Sp = (n1 - 1)s12 + (n2-1)s22 + (n3 -1)s32 + (n4 - 1)s42 = 3.09
n1 + n2 + n3 + n4 - 4
Evaluación de los Resultados Experimentales (cont.)
Diferencias
Veamos las diferencias en la “Y” entre las celdas. ¿Existen diferencias que
aparenten ser significativas?
tiempo (minutos)
10 20 promedio

4.1
8 13.3 17.4 15.4
Cantidad de
5.1 2.3 3.6
agua (gal)
4 18.4 19.7 19.0
1.3

promedio 15.8 18.6 17.2

2.8

• El rendimiento a los 20 minutos es aproximadamente 3 unidades de brillantez más alta que a

los 10 minutos.
• El rendimiento a los 4 galones es aproximadamente 4 unidades de brillantez más alta que a
los 8 galones.
• 10 minutos con 8 galones nos dio el rendimiento más bajo.
• 20 minutos con 4 galones nos dio el rendimiento más alto.
Evaluación de los Resultados Experimentales (cont.)
Hay 3 gráficas que se usan para el análisis de Arreglos Factoriales:
• Gráficas de Efectos Principales - el efecto de cada “X” individual sobre la “Y”
(usando valores promedio de las respuestas).
• Gráficas de Interacción - los efectos combinados de dos “X” al cambiar
simultáneamente.
• Gráficas de Cubo - la respuesta promedio “Y” en cada combinación de las “X”.

Gráfica de Efectos Principales

Rendimiento de lavado 19.0
19 18.6
Interpretación: El
Gran Tiempo y el Agua
promedio parecen tener un
17 = 17.2 efecto sobre
el Rendimiento de
Lavado (debido a la
15.8 pendiente
15 15.4
pronunciada en las
líneas de la gráfica).
10 20 4
tiempo (minutos) cantidad de agua 8(galones)
 Interacción (sinergia, inconsistencia)
Una interacción significa que el efecto de una variable está influenciada por el
nivel de otra variable. El efecto de una variable NO es consistente para todos los
niveles de las otras variables.
Y H X2 = alta Y H H X2 = alta

H
L X2 = baja
L X2 = baja

L L

baja alta X1
baja alta X1
No interacción(líneas paralelas) Interacción(Moderada)

Y
H
L X2 = baja
Las interacciones pueden
cubrir (esconder) Efectos
L H X2 = alta Principales.
Si existe una Interacción,
baja alta X1 entonces grafícala para
interpretar sus efectos.
Interacción(Significativa)
Gráfica de Interacción - La Lavadora de Eje Horizontal
Una Gráfica de Interacción compara el efecto de dos “X” cambiando simultáneamente. El eje
“Y” siempre es la respuesta; una “X” se muestra sobre el eje X y la otra “X” está incluida en
el cuerpo de la gráfica . . .

Cambio en la brillantez
Interpretación:
• 20 minutos de tiempo de
19.7 20 minutos
20 lavado casi siempre nos da un
mejor rendimiento de lavado,
sin importar los galones de
18 17.4
18.4 agua utilizados

16 10 minutos • A los 10 minutos de tiempo

de lavado, 4 galones dan una
mejora significativa en el
14 13.3 rendimiento de lavado
comparado con 8 galones
4 8
galones

Usar las Gráficas de Interacción para ver si existe alguna

relación entre las “X” que podría cambiar la respuesta “Y”
Evaluación de los Resultados Experimentales (cont.)
• Una Gráfica de Cubo muestra las respuestas promedio (valores “Y”) para cada
combinación de las “X”.

• Las esquinas del cubo se conocen como “Puntos Factoriales”.

NOTA: para dos variables solamente, el “cubo” es realmente un cuadrado.

Gráfica de Cubo
X = 13.3 X = 17.4
8

galones

X = 18.4 X = 19.7
4
10 tiempo (min) 20

Interpretación:
• La máxima brillantez (19.7) ocurre con un tiempo de lavado de 20 minutos y 4 galones de
agua. Este es el conjunto óptimo (es la respuesta más prometedora dentro del rango estudiado)

condiciones, basándose en el experimento.

• La mínima brillantez (13.3) ocurre con un tiempo de lavado de 10 minutos y 8 galones de agua.
Evaluación de los Resultados Experimentales (cont.)
Veamos una forma matemática de evaluar los resultados experimentales :
INTERVALOS DE CONFIANZA

Un Intervalo de Confianza proporciona un rango de valores factibles para los

Efectos Principales y las Interacciones. Está basado en la diferencia de los
resultados promedio (valores “Y”) del nivel bajo al nivel alto.
Si las respuestas en los niveles alto y bajo son las mismas, la diferencia
deberá ser “0”.

Ho: la respuesta no es diferente conforme va cambiando la “X” del nivel

bajo hacia el alto.
Ha: la respuesta es diferente conforme la “X” cambia del nivel bajo hacia el
alto.
Grados de Libertad
Los Grados de Libertad (gl) de un experimento diseñado reflejan la cantidad de
información disponible para sacar conclusiones estadísticas. Para nuestro ejemplo:

• Cada celda tiene 4 puntos de datos (n = 4). gl = n - 1, así que gl celda = 3

• Existen 4 totales de celdas, así que:

- gl para el experimento = (3 glcelda )(4celdas) = 12
 Intervalos de Confianza (95%)
( x1- x2)  t(4(n-1) gl, 0.025) * sp * sqrt(4/N)

n es el número de corridas en cada celda (número de réplicas del diseño) ( 4 )

N es el número total de corridas ( 16 )
Para 4 (4 -1) = 12 grados de libertad, t12,.025 = 2.179
Tiemp
o
(18.6 - 15.8) +/- 2.179 * 3.09 * sqrt( 4 / 16) = 2.8 +/- 3.4
Galones
(19.0 - 15.4) +/- 2.179 * 3.09 * sqrt( 4 / 16) = 3.6 +/- 3.4

Estimación del efecto de interacción :

tiempo (minutos)
10 20 Promedio de celdas “A“ contra promedio
de celdas “B”.
13.3 17.4
8 B A Interacción:
(17.9 -16.5) +/- 2.179 * 3.09 * sqrt(4 /16) = 1.4 +/- 3.4
número de
galones
4 A B 19.7 17.4 + 18.4 _ 13.3 + 19.7
18.4 2 2
Interpretación de los Intervalos de Confianza
Tiempo: 2.8 +/- 3.4Rango de Intervalo: -0.6 a 6.2
Debido a que el “0” está incluido en el Intervalo de Confianza, no podemos afirmar
que exista una diferencia en la respuesta del nivel bajo al nivel alto.
El Tiempo no es una “X” estadísticamente significativa.

Galones: 3.6 +/- 3.4 Rango de Intervalo: 0.2 a 7.0

Debido a que el “0” NO está incluido en el Intervalo de Confianza, podemos decir
con 95% de confianza que el número de galones desde 4 hasta 8 galones
efectivamente tiene un impacto estadísticamente significativo sobre la “Y”.
¡ ‘Galones’ es una de las Pocas “X” Vitales!

Interacción: 1.4 +/- 3.4 Rango de Intervalo : -2.0 a 4.8

Debido a que el “0” está incluido en el Intervalo de Confianza, no podemos
afirmar que “Y” cambia como resultado de las interacciones entre las “X”.
Las interacciones NO son estadísticamente significativas.

En la lavadora de eje horizontal se debe enfocar sobre

‘Galones’ como una de las Pocas “X” Vitales que
controlan la brillantez (limpieza) de la ropa.
 Usar Minitab para Analizar Gráficamente Los Diseños
Factoriales: La Lavadora de Eje Horizontal
Permita que Minitab genere nuestro DDE 2 x 2 : Stat>DOE>Create Factorial Design . . .

Ya que tenemos 2 niveles para cada variable Tiempo y

Agua (las “X”), seleccionar ‘2-level factorial’

Hacer click en ‘Designs. . .’

Tuvimos 4 resultados para cada

combinación de las “X”. Usar el
menú de cascada para seleccionar ‘4’
para ‘Number of replicates’.

Hacer click en ‘OK’ una vez

Análisis Minitab de La Lavadora de Eje Horizontal (cont.)
De la caja de diálogo principal, hacer click en ‘Factors. . .’ para establecer los nombres y
niveles para las “X”:

Marcar en
‘Factors.

Introducir los nombres de los factores (‘Time’ y

‘Gallons’) y sus respectivos niveles de prueba,
como se muestra.

Hacer click en ‘OK’, y luego click en

‘Options’ de la caja de diálogo principal

Para nuestro ejercicio en clase SOLAMENTE,

desactivar la selección ‘Randomize runs’
(¡Siempre efectúa corridas aleatorias en tus
DDE!)
Hacer doble click en ‘OK’
Análisis Minitab de La Lavadora de Eje Horizontal (cont.)
Busca en la Ventana Data (‘CTRL-d’) - ¡Tu diseño ha aparecido! Teclear los resultados de
Brillantez (Reflectance) como se muestra en la Columna C7:

Orden
Estándar de
Yates
(1)
a
b
ab

Seleccionar
Stat>DOE>Factorial Plots . . .
Para generar las gráficas de Efectos
Principales, de Interacción y de Cubo
 Análisis Minitab de La Lavadora de Eje Horizontal (cont.)

Marca en las 3 cajas de

selección para las Gráficas

Marca en ‘Setup. . .’ para cada

una de las 3 Gráficas. Marca
en ‘OK’ después de completar
cada caja de sub-diálogo.
NOTA: Las tres cajas de
sub-diálogo deberán
contener las mismas
entradas -Respuestas:
Reflectance (Brillantez)
Factores ‘Seleccionados’:
‘Time’(Tiempo) y ‘Gallons’
(Galones) -- (usar la tecla
de doble flecha para La doble
seleccionar ambos). flecha
seleccio
na todos
Una vez completadas los
las tres cajas de Factores.
diálogo ‘Setup’,
marca en ‘OK’ en la
caja de diálogo
principal para generar
las gráficas.
 ¿Cómo se interpretan las Gráficas de Efectos Principales?
• Mientras más inclinada esté la línea, mayor será el “efecto” sobre la respuesta Y
dentro del rango probado (Recuerde que Y = Brillantez, lo equivalente a limpieza).

• La Brillantez aumenta conforme el tiempo de lavado aumenta de 10 a 20 minutos.

• La Brillantez disminuye conforme el volumen de agua aumenta de 4 galones a 8

galones (¡ropa más limpia, con menos agua!).
 Aquí está la Gráfica de Interacción:

20 minutos

10 minutos

¿Cómo interpretar la Gráfica de Interacción?

• Primero, recuerda que el eje Y siempre es la Respuesta (‘Brillantez’, en este caso). Minitab
traza la media de la respuesta en el eje Y. El eje X es ‘Gallons’, y las dos barras dentro de la
gráfica representan a ‘Time’, en los niveles bajo y alto.

• Si NO hay interacción, las dos líneas estarán paralelas. A mayor diferencia en las pendientes,
mayor interacción (pero no necesariamente significativa).

• La cantidad de agua parece generar más diferencia a los 10 minutos de tiempo de lavado (la
diferencia en brillantez con los 4 galones es mayor a los 10 minutos que a los 20 minutos).

• La ropa siempre está más limpia (mayores valores de brillantez) usando 4 galones de agua en
lugar de 8 galones de agua.
 Aquí está la Gráfica de Cubo:

b ab

B
¿Cómo
interpretar Valor Y máximo
la Gráfica
(1) a
de Cubo?

A
La Gráfica Cubo es la más directa y clara de las gráficas de análisis de DDE -
¡Simplemente selecciona el mejor punto de operación! En este caso, los valores de
brillantez más elevados son mejores (ropa más limpia), así que el mejor punto de la
operación está en 4 galones y 20 minutos de tiempo de lavado.

NOTA: La Gráfica de Cubo también puede darte una indicación de dónde correr el
próximo experimento - ¿tal vez mayores tiempos de lavado (>20 minutos) y menos
agua (<4 galones)?
 Otro método de análisis en MINITAB - numérico….

Otra opción para analizar nuestro experimento 2x2 es usar la opción “Analyze
Factorial Design” en el menú DOE……
Este método se volverá más importante conforme los diseños experimentales sean
más complejos. Sin embargo, SIEMPRE vea las gráficas primero...
 Análisis Numérico (cont….)
Selecciona:
Stat>DOE>Analyze Factorial Design
para analizar tu experimento “con números” además de las gráficas.
Selecciona:
La respuesta es reflectancia (“reflectance”) en nuestro experimento
Marca OK.
 Análisis Numérico (cont….)
Fractional Factorial Fit
Estimated Effects and Coefficients for ref (coded units) P< .05….
Term Effect Coef StDev Coef T P
Constant 17.206 0.7743 22.22 0.000 Significativos
time 2.712 1.356 0.7743 1.75 0.105
gallons -3.662 -1.831 0.7743 -2.37 0.036
time*gallons 1.438 0.719 0.7743 0.93 0.372

Analysis of Variance for ref (coded units)

Source DF Seq SS Adj SS Adj MS F P
Main Effects 2 83.086 83.086 41.543 4.33 0.038
2-Way Interactions 1 8.266 8.266 8.266 0.86 0.372
Residual Error 12 115.098 115.098 9.591
Pure Error 12 115.097 115.097 9.591
Total 15 206.449

Unusual Observations for ref

Obs ref Fit StDev Fit Residual St Resid
8 24.0000 17.4500 1.5485 6.5500 2.44R
R denotes an observation with a large standardized residual
Estimated Coefficients for ref using data in uncoded units

Resultados similares con Como usamos ajustes reales para

las gráficas y el análisis Term Coef
Constant 25.100 el Tiempo y los Galones, podemos
numérico estadístico…. obtener coeficientes estimados de
time -0.160
¡Recuerde!, como en gallons -1.994 Función de Transferencia . Estos
time*gallons 0.072 coeficientes no se obtienen sí usa
ANOVA, p < .05 ¡indica
significancia estadística! ajustes discretos de los factores.
Por ANOVA BALANCEADA puede observar el % de variabilidad explicada por
cada efecto factorial al dividir su correspondiente suma de cuadrados entre la
suma total de cuadrados y multiplicar por 100.
 Ejercicio en Clase: El Experimento
del Helicóptero

Objetivo:
Estimar los efectos de la longitud del ala y el número de clips sobre
el tiempo de vuelo de un helicóptero de papel.

¿Cuáles son las variables independientes?

¿Cuáles son las variables dependientes?

 Ejemplo 2: El Experimento del Helicóptero
Variables Independientes :
X1: Longitud del ala (3.0 pulgadas y 4.5 pulgadas)
X2: Número de clips (1 ó 2)
Variable Dependiente :
Y: Tiempo de vuelo
La matriz de prueba debe generarse antes de iniciar el experimento. Vamos a ‘replicar’ el
experimento, haciendo dos corridas para cada combinación de las “X” (re-ajustaremos
el proceso completamente, entonces correremos el experimento una vez más. Esto
maximiza la variación entre las corridas).
La matriz se muestra abajo:

Longitud # de Tiempo 1 Tiempo 2 Tiempo 3 Mediana del

Corrida del Ala Clips (segs) (segs) (segs) Tiempo (segs) Usar el valor de la
‘Mediana’ porque este
1 3.0 2
no está influenciado
2 3.0 1 por lecturas de tiempo
extremas
3 4.5 1

4 4.5 2

5 3.0 1
Réplicas de El orden de las corridas 1 a la 4
6 3.0 2 las Corridas contienen todas las combinaciones.
Estas 4 están enlistadas en un orden
7 4.5 1
aleatorio.
8 4.5 2
Las corridas 5 a la 8 contienen las
réplicas de las corridas. Estas 4 están
Valores Promedio (desviación estándar en paréntesis)
longitud de ala (pulgadas)
3.0 4.5 promedio

2
número de
clips

promedio

Desv. Est. Ponderada = Sp = (n1 - 1)s12 + (n2-1)s22 + (n3 -1)s32 + (n4 - 1)s42
=
n1 + n2 + n3 + n4 - 4
Gráfica de Efectos Principales

tiempo (segs)

3.0 4.5 1 2
longitud de ala (pulgadas) número de clips

¿Interpretación?
 Gráfica de Interacción
tiempo (segs)

¿Interpretación?

3.0 4.5
Longitud del ala (pulgadas)
Gráfica de Cubo
2

número
de ¿Interpretación?
clips

1
3.0 4.5
Longitud del ala
 Intervalos de Confianza (95%)
(X1 - X2 ) +/- t( 4(n-1) gl , .025) * sp * sqrt (4 / N ) Desviación Estándar Ponderada

‘n’ es el número de corridas en cada celda ( 2 )

‘N’ es el número total de muestras ( 8 )
4 / N = 1 / (N / 2) + 1 / ( N / 2)
Para 4 (2 -1) = 4 grados de libertad, t(4, .025) = 2.776
Longitud de ala:
Número de clips:

Estimar el efecto de interacción :

longitud de ala (pulgadas)

3.0 4.5

2 B A Promedio de celdas “A”

contra promedio de
número de celdas “B”.
clips
1 A B

Interacción:
¿Cuáles factores (las “X”) son Vitales? ¿La interacción es significativa?
 Ejercicio en Clase: Analizar los Datos del Helicóptero
usando Minitab
Limpiar las ventanas Minitab usando el comando File>New...>Minitab Project (¡No guardes nada!)

• Generar el diseño usando Stat>DOE>Create Factorial Design.

• Número de réplicas = 2.
• Registrar la mediana de los tiempos de vuelo en la columna C7.

Una vez
capturados los
datos puede
analizar por
ANOVA
BALANCEADA
para
aprovechar las
réplicas.

Usar Gráficas de Efectos Principales, Gráficas de Interacción y Gráficas de Cubo para

analizar los datos:
• ¿Qué factor(es) es(son) más importante(s)?

• ¿Cuáles son los mejores niveles de los factores que maximizan el tiempo de
vuelo?
• ¿Existen algunas interacciones? Si es así, ¿Cómo las interpreta?
Ejemplo 3: (¡Es ficticio!) Centro de Atención Telefónica a Clientes
Respuesta Y = # Promedio de Llamadas /Día
Escenario: Una empresa importante ha diseñado un experimento para probar la influencia de
dos diferentes programas de capacitación en dos diferentes centros de atención telefónica a
clientes. Tres empleados en cada ubicación han participado en cada corrida (24 personas en
total), y el estudio se efectuó durante un período de cuatro semanas.
Objetivo del Experimento: Cuantificar la influencia de la ubicación del centro de atención
y la cantidad de capacitación sobre el número promedio de llamadas atendidas por día.
“Y” : número promedio de llamadas atendidas por día
“X1”: # de semanas de capacitación (baja = 2 semanas, alta = 4 semanas)
“X2”: Ubicación del centro (baja = North Dakota, alta = Texas)
corrida # sems. de Capac. ubicación del centro # prom.llamadas/día

1 2 NDak 60
Réplica 1

2 4 NDak 72

3 2 Tex 54

4 4 Tex 68

5 2 NDak 52
Réplica 2

6 4 NDak 83

7 2 Tex 45

8 4 Tex 80
Generar el Diseño en Minitab:
Stat>DOE>Create Factorial Design

Llenar la caja de diálogo como se muestra:

Seleccionar ‘2’ en ‘replicates’

Hacer click en ‘OK’ una vez para regresar

a la caja de diálogo principal. . .
Marca en el botón ‘Factors’ de
la caja de diálogo principal
Introducir los encabezados de
columna y los valores de nivel
baja/alta como se muestra:

Para el Ejercicio en Clase, desactivar la

caja ‘Randomize runs’

Hacer doble click en ‘OK’

Ventana Data:

Teclear los
valores para la
Respuesta (“Y”)
en la columna C7,
como se muestra
 Gráfica de las respuestas contra las
variables independientes

Ubicación del Centro

Tex 54 68
45 80

NDak 60 72
52 83

2
# Semanas de Capacitación
4

(NOTA: Minitab puede generar tablas de datos como esta. Ver el

Apéndice para más detalles)
 Generar las Gráficas DDE
Stat>Doe>Factorial Plots...
Selecciona las 3 Gráficas Factoriales:

Volver a Setup para requerir cada

una de las 3 gráficas usando ‘Aver
Calls/Day’ (Prom. Llamadas/Día)
como la Respuesta, y seleccionar
ambos factores usando la tecla de
doble flecha (>>).

Hacer click en ‘OK’ de la

caja de diálogo principal
para generar las gráficas . . .
 Gráfica de Efectos Principales:

Interpretación:

‘Weeks Training’ (Semanas de Capacitación) aparenta tener

más influencia en la “Y” que ‘Location’ (Ubicación), dentro
del rango estudiado.
 Gráfica de Interacción :

Interpretación:
Hay líneas paralelas, así que no hay interacción.

• NDak siempre está mayor que Tex en el número promedio de llamadas.

• Capacitación de 4 semanas siempre está más alto en el número promedio de

llamadas que Capacitación de 2 semanas.
 Gráfica de Cubo:

Seleccionar las condiciones

con el más alto # promedio
de llamadas.

También podemos calcular los Intervalos de Confianza para

cada “X” y la interacción entre ellas. . .
 Intervalos de Confianza:
Intervalos de Confianza (95%)
(X1 - X2 ) +/- t( 4(n-1) gl , .025) * sp * sqrt (4 / N )

‘n’ es el número de corridas en cada celda ( 2 )

‘N’ es el número total de muestras ( 8 )
4/N = 1 / (N / 2) + 1 / ( N / 2)
Para 4 (2 -1) = 4 grados de libertad, t(4, .025) = 2.776

# de Semanas de Capacitación:
(76 - 53) +/- 2.776 * 7.16 * sqrt( 4 / 8) = 23 +/- 14
¡Es Significativa! (‘0’ NO está en el Intervalo de Confianza)
Ubicación del Centro:
(67 - 62) +/- 2.776 * 7.16 * sqrt( 4 / 8) = 5 +/- 14
No se puede afirmar significancia (‘0’ está en el Intervalo de Confianza)
Interacción
(65 - 64) +/-
: 2.776 * 7.16 * sqrt( 4 / 8) = 1 +/- 14
74 + 56 _ 50 + 78

2 2
No se puede afirmar significancia (‘0’ está en el Intervalo de Confianza)
Efectúe el análisis por ANOVA BALANCEADA para calcular el % de variabilidad
explicada por cada efecto factorial y la no explicada a partir del error experimental.
Ejemplo 3: Centro de Atención Telefónica al Cliente (cont.)
Conclusiones

• El más alto número promedio de llamadas se tomó en el centro de atención de

Dakota del Norte, después de un programa de capacitación de 4 semanas. Por
las gráficas, parece que el programa de capacitación de 4 semanas
efectivamente mejora el número de llamadas atendidas; de los cálculos del
Intervalo de Confianza, podemos decir esto con un 95% de confianza. Sin
embargo, parece no haber una mayor diferencia entre los centros de atención
en sí, con base en ambos: las gráficas y los cálculos del Intervalo de Confianza.
• Observando las Gráficas de Efectos Principales, parece que la mayor
diferencia en la respuesta se debe a la influencia del programa de capacitación
que al centro de atención telefónica (esta conclusión puede obtenerse viendo el
alcance del Efecto Principal - la longitud de la línea cubre un rango más amplio
de la respuesta para las Semanas de Capacitación que para Ubicación del
Centro)
• Es posible que un programa de capacitación óptimo pudiera desarrollarse con
una duración de entre 2 y 4 semanas. Un experimento adicional podría ser
apropiado para probar esta teoría. . .
 Conceptos Clave:Experimentos 2 x 2
• Los Diseños de Experimentos (DDE) son muy eficientes - varias variables (las “X”) son
cambiadas simultáneamente, y los efectos de cada una sobre la respuesta “Y” son
evaluados. Los DDE permiten hacer la estimación de los efectos de interacción causados
por las “X” cambiando en combinación.

• Los Diseños Factoriales son DDE donde cada variable es estudiada en un número
específico de niveles - los diseños factoriales 2 x 2 usan dos variables “X” en dos niveles
(bajo y alto).

• Tres gráficas se utilizan para analizar los DDE factoriales: Gráficas de Efectos
Principales, Gráficas de Interacción y Gráficas de Cubo.

• La magnitud relativa de los Efectos Principales puede tomarse en cuenta al comparar las
pendientes de las líneas. Una inclinación mayor significa un efecto mayor sobre la “Y” -
dentro de la región que está siendo estudiada.
• Las interacciones dentro de la región de prueba no son significativas si las líneas son
paralelas.

• Las Gráficas de Cubo muestran las respuestas en todas las combinaciones de las “X”.
Seleccionar la combinación de las “X” que optimiza la respuesta (“Y”).

• Los DDE demuestran la ‘robustez’ de un proceso efectuando pruebas a lo largo de un rango

amplio de las “X”.

• Los DDE proporcionan un enfoque sistemático para comprobar cuáles de sus potenciales
“X” Vitales son las Pocas Vitales.
Apéndice
 Generar Tablas de Datos en Minitab:
Las Tablas de Datos generalmente son útiles para visualizar diferencias muy obvias.
Usaremos el comando “Cross Tabulation” para generar tablas de datos de los datos
originales, al igual que las medias y las desviaciones estándar.
Stat>Tables>Cross Tabulation Abrir el Archivo:
Crosstab.mtw

NOTA: ¡El orden es importante!

La primera variable = filas en la tabla
La segunda variable = columnas en la tabla

Hacer click en
‘Summaries . . .’ Introducir ‘Reflect’ como
la Variable Asociada
Hacer doble click en ‘OK’
 Los datos aparecen en la Ventana Session:

Regresar a la caja de diálogo “Cross Tabulation” usando las teclas ‘Ctrl e’. De la caja de
diálogo principal, seleccionar “Summaries. . .” Ahora puede generar una tabla que muestra
las medias de los datos.
 Para generar una tabla
de Desviaciones
Estándar, teclear ‘Ctrl e’,
y llenar la caja de sub-
diálogo ‘Summaries. . .”
como se muestra:
Seleccionar
“No
variables”
Hacer un click en “OK”,
para regresar a la caja de
diálogo principal. ¡Hay que
dar un paso más antes de
generar la tabla de
Desviación Estándar final!
Hacer click en “Options”
para llamar otra caja de
sub-diálogo. Esta se
empleará para decirle a
Minitab que no totalice las
filas y columnas para la
desviación estándar (sumar
las desviaciones estándar
algebraicamente no tiene
importancia - no tiene
sentido matemático)
Hacer doble
click en “OK”
para ver la
salida de la
ventana
Session
 Distribución T
gl 60.0% 70.0% 80.0% 90.0% 95.0% 97.5% 99.0% 99.5% Nivel de
1 0.325 0.727 1.376 3.078 6.314 12.706 31.821 63.657 Confianza
2 0.289 0.617 1.061 1.886 2.920 4.303 6.965 9.925
3 0.277 0.584 0.978 1.638 2.353 3.182 4.541 5.841 (1 - 
4 0.271 0.569 0.941 1.533 2.132 2.776 3.747 4.604
5 0.267 0.559 0.920 1.476 2.015 2.571 3.365 4.032

6 0.265 0.553 0.906 1.440 1.943 2.447 3.143 3.707

7 0.263 0.549 0.896 1.415 1.895 2.365 2.998 3.499
8 0.262 0.546 0.889 1.397 1.860 2.306 2.896 3.355
9 0.261 0.543 0.883 1.383 1.833 2.262 2.821 3.250
10 0.260 0.542 0.879 1.372 1.812 2.228 2.764 3.169

11 0.260 0.540 0.876 1.363 1.796 2.201 2.718 3.106

12 0.259 0.539 0.873 1.356 1.782 2.179 2.681 3.055
13 0.259 0.538 0.870 1.350 1.771 2.160 2.650 3.012
14 0.258 0.537 0.868 1.345 1.761 2.145 2.624 2.977
15 0.258 0.536 0.866 1.341 1.753 2.131 2.602 2.947

16 0.258 0.535 0.865 1.337 1.746 2.120 2.583 2.921

17 0.257 0.534 0.863 1.333 1.740 2.110 2.567 2.898
18 0.257 0.534 0.862 1.330 1.734 2.101 2.552 2.878
19 0.257 0.533 0.861 1.328 1.729 2.093 2.539 2.861
20 0.257 0.533 0.860 1.325 1.725 2.086 2.528 2.845

21 0.257 0.532 0.859 1.323 1.721 2.080 2.518 2.831

22 0.256 0.532 0.858 1.321 1.717 2.074 2.508 2.819
23 0.256 0.532 0.858 1.319 1.714 2.069 2.500 2.807
24 0.256 0.531 0.857 1.318 1.711 2.064 2.492 2.797
25 0.256 0.531 0.856 1.316 1.708 2.060 2.485 2.787

26 0.256 0.531 0.856 1.315 1.706 2.056 2.479 2.779

27 0.256 0.531 0.855 1.314 1.703 2.052 2.473 2.771
28 0.256 0.530 0.855 1.313 1.701 2.048 2.467 2.763
29 0.256 0.530 0.854 1.311 1.699 2.045 2.462 2.756
30 0.256 0.530 0.854 1.310 1.697 2.042 2.457 2.750

40 0.255 0.529 0.851 1.303 1.684 2.021 2.423 2.704

60 0.254 0.527 0.848 1.296 1.671 2.000 2.390 2.660
120 0.254 0.526 0.845 1.289 1.658 1.980 2.358 2.617
inf 0.253 0.524 0.842 1.282 1.645 1.960 2.326 2.576