TRABAJO FINAL

SILVIA JULIANA ARIZA GARCIA LAURA MILENA RUEDA LOPEZ JOSSE MIGUEL URRUTIA LOZANO MARIA CAMILA DELGADO NAVARRO

UNIVERSIDAD INDUSTRIAL DE SANTANDER FACULTAD DE INGENIERIAS FISICO-MECANICAS ESCUELA DE ESTUDIOS INDUSTRIALES Y EMPRESARIALES INGENIERIA INDUSTRIAL BUCARAMANGA 2013

TRABAJO FINAL

SILVIA JULIANA ARIZA GARCIA LAURA MILENA RUEDA LOPEZ JOSSE MIGUEL URRUTIA LOZANO MARIA CAMILA DELGADO NAVARRO

Trabajo de consulta para optar a la Materia Estadstica III

Director Olmedo Gonzales Herrera Ingeniero Industrial

UNIVERSIDAD INDUSTRIAL DE SANTANDER FACULTAD DE INGENIERIAS FISICO-MECANICAS ESCUELA DE ESTUDIOS INDUSTRIALES Y EMPRESARIALES INGENIERIA INDUSTRIAL BUCARAMANGA 2013

TABLA DE CONTENIDO

INTRODUCCION

El campo de la estadstica tiene que ver con la recopilacin, presentacin, anlisis y uso de datos para tomar decisiones y resolver problemas. Toda persona recibe informacin en forma de datos a travs de diferentes medios de comunicacin. A menudo es necesario es necesario obtener una conclusin a partir de la informacin contenida en los datos. El conocimiento de la estadstica tiene importancia en diferentes campos de la ciencia, por eso el conocimiento de la estadstica y la probabilidad puede constituirse en una herramienta importante para ayudar a disear nuevos productos y sistemas, a mejorar los existentes y a disear, desarrollar y mejorar los procesos de produccin. Al pasar de los tiempos los investigadores han tenido la necesidad de valorar e interpretar los datos de una manera eficiente, y por eso hoy en da se utilizan software estadsticos que ayudan al analices e interpretacin de datos de la ms rpida posible.

1. EJERCICIOS DE CLASE RESUELTOS CON EL SOFTWARE MINITAB

1.1.

Modelo lineal estadstico para el diseo de un factor sin restricciones en la aleatorizacin

Ejemplo Usted es el ingeniero de produccin de una planta que fabrica una pieza utilizada en el sector automotriz el ingeniero quiere establecer si existe diferencia significativa entre la produccin promedio de los 3 turnos. ( ) ( ) ( )

Para el efecto selecciona aleatoriamente a 15 trabajadores los cuales son asignados al azar a cada uno de los turnos para tomar son asignados nmeros de unidades fabricadas en cada jornada encontrndose los siguientes resultados. ( 56 60 50 65 64 ) ( 48 61 48 52 46 ) ( 55 60 44 46 55 )

Si efectuar los anlisis respectivos y enuncie conclusiones en los trminos tcnicos del problema. Resuelto por el software MINITAB
ANOVA unidireccional: TURNO 1. TURNO 2. TURNO 3
Fuente Factor Error Total GL 2 12 14 SC 190,0 478,0 668,0 MC 95,0 39,8 F 2,38 P 0,134

S = 6,311

R-cuad. = 28,44%

R-cuad. (Ajustado) = 16,52% ICs de 95% individuales para la media basados en Desv.Est. Agrupada -----+---------+---------+---------+---(---------*----------) (---------*---------)

Nivel TURNO 1 TURNO 2

N 5 5

Media 59,000 51,000

Desv.Est. 6,164 6,000

TURNO 3

52,000

6,745

(----------*---------) -----+---------+---------+---------+---48,0 54,0 60,0 66,0

Desv.Est. agrupada = 6,311 Agrupar informacin utilizando el mtodo de Tukey TURNO 1 TURNO 3 TURNO 2 N 5 5 5 Media 59,000 52,000 51,000 Agrupacin A A A

Las medias que no comparten una letra son significativamente diferentes. Intervalos de confianza simultneos de Tukey del 95% Todas las comparaciones en parejas Nivel de confianza individual = 97,94% Se rest TURNO 1 a: TURNO 2 TURNO 3 Inferior -18,641 -17,641 Centro -8,000 -7,000 Superior 2,641 3,641 ---+---------+---------+---------+-----(------------*------------) (------------*-------------) ---+---------+---------+---------+------16,0 -8,0 0,0 8,0

Se rest TURNO 2 a: TURNO 3 Inferior -9,641 Centro 1,000 Superior 11,641 ---+---------+---------+---------+-----(------------*-------------) ---+---------+---------+---------+------16,0 -8,0 0,0 8,0

Grficas de residuos para TURNO 1. TURNO 2. TURNO 3

Grficas de residuos para TURNO 1. TURNO 2. TURNO 3

Grfica de probabilidad normal
99 10 90 50 10 1 -10 0 Residuo 10

vs. ajust es

Porcentaje

Residuo

5 0 -5 -10 50 52 54 56 Valor ajustado 58

Hist ograma
3

Frecuencia

2 1 0

-10

-5

0 Residuo

10

Planteamiento de la hiptesis

Regla de decisin Analizando el valor P se encuentra que es esta valor es mayor que el nivel se significancia ( ), por lo tanto no se rechaza la hiptesis nula es decir no hay diferencia significativa entre los rendimientos promedios. Al efectuar la prueba Tukey se reitera que no hay diferencia entre las medias de dichos tratamientos.

1.2.

Modelo lineal estadstico para el diseo de bloques

Ejemplo Un supervisor de produccin quiere comparar los tiempos medios para montar un equipo electrnico segn tres diferentes mtodos de montaje A1, A2, A3. Se escogieron a 6 montadores para el experimento. Se mand a cada persona montar el equipo con cada mtodo y se registraron los tiempos de montaje (en minutos) para cada uno. Se distribuyeron aleatoriamente los mtodos de montaje en sucesin para cada montador. Los datos se encuentran en la tabla. Haga la prueba utilizando
Secuencia de montaje A1 A2 A3 Montador 1 20,2 23,7 21,4 2 22,6 24,1 23 3 19,2 22,6 22,9 4 22,5 24,3 22 5 18,7 20,2 19,8 6 21,5 21,5 20,1

Resuelto por el software MINITAB

Modelo lineal general: Tiempo de montaje vs. Secuencia de mon. Montador
Factor Secuencia de montaje Montador Tipo fijo fijo Niveles 3 6 Valores A1. A2. A3 1. 2. 3. 4. 5. 6

Anlisis de varianza para Tiempo de montaje, utilizando SC ajustada para pruebas Fuente Secuencia de montaje Montador Error Total S = 0,990454 GL 2 5 10 17 SC Sec. 11,6100 26,6650 9,8100 48,0850 SC Ajust. 11,6100 26,6650 9,8100 MC Ajust. 5,8050 5,3330 0,9810 F 5,92 5,44 P 0,020 0,011

R-cuad. = 79,60%

R-cuad. (Ajustado) = 65,32%

Observaciones inusuales de Tiempo de montaje Obs 9 Tiempo de montaje 22,9000 Ajuste 21,4167 EE de ajuste 0,6603 Residuo 1,4833 Residuo estndar 2,01 R

R denota una observacin con un residuo estandarizado grande.

Grficas de residuos para Tiempo de montaje

Grficas de residuos para Tiempo de montaje
Grfica de probabilidad normal
99 90 50 10 1 -2 -1 0 Residuo 1 2 1

vs. ajust es

Porcentaje

Residuo

0 -1 18,0 19,5 21,0 22,5 Valor ajustado 24,0

Hist ograma
4,8 1

vs. orden

Frecuencia

Residuo
-1,5 -1,0 -0,5 0,0 0,5 Residuo 1,0 1,5

3,6 2,4 1,2 0,0

0 -1 2 4 6 8 10 12 14 Orden de observacin 16 18

Planteamiento de la hiptesis 1 No hay diferencia significativa entre los tiempos promedios vs secuencia de montaje. Si hay diferencia significativa entre los tiempos promedios vs secuencia de montaje.

 Planteamiento de la hiptesis 2 No hay diferencia significativa entre los tiempos promedios vs montador. Si hay diferencia significativa entre los tiempos promedios vs montador. Regla de decisin Al analizar los valores P de los factores del experimento se encuentra que estos son menores al nivel de significancia . tiempos promedios vs secuencia de montaje. tiempos promedios vs montador.

Por lo tanto se rechaza las anteriores hiptesis nulas y se da crdito a la hiptesis alternativa, es decir si existe diferencia significativa entre al menos en dos tiempos medios para montar un equipo electrnico.

1.3.

Modelo lineal estadstico para el cuadro latino

Ejemplo Un educador desea llevar a cabo un experimento para determinar la efectividad de cinco mtodos diferentes de enseanza sobre un concepto matemtico a un grupo de estudiantes. El investigador desea eliminar el efecto que pueda causar tanto el uso de diferentes profesores como el periodo del da en que se imparte la enseanza a un nivel de confianza del 95%, los puntajes obtenidos del rendimiento de los estudiantes se presentan en la siguiente tabla.

HORA DEL DIA 1 2 3 4 5 9 A.M E 80 B 75 C 75 D 99 A 62 10 A.M D 90 E 91 A 79 C 79 B 85 11 A.M C 66 A 71 B 74 E 91 D 96 2 P.M A 64 D 90 E 78 B 81 C 61 4 P.M B 58 C 67 D 80 A 73 E 85

PROFESOR

Resuelto por el software MINITAB

Modelo lineal general: Rendimiento vs. Profesor. Hora del da.
Factor Profesor Hora del da Metodo de enseanza Tipo fijo fijo fijo Niveles 5 5 5 Valores 1. 2. 3. 4. 5 2. 4. 9. 10. 11 1. 2. 3. 4. 5

Anlisis de varianza para Rendimiento, utilizando SC ajustada para pruebas Fuente Profesor Hora del da Metodo de enseanza Error Total S = 5,12185 GL 4 4 4 12 24 SC Sec. 429,20 441,20 1836,80 314,80 3022,00 SC Ajust. 429,20 441,20 1836,80 314,80 MC Ajust. 107,30 110,30 459,20 26,23 F 4,09 4,20 17,50 P 0,026 0,023 0,000

R-cuad. = 89,58%

R-cuad. (Ajustado) = 79,17%

Grficas de residuos para Rendimiento

Grficas de residuos para Rendimiento
Grfica de probabilidad normal
99 8 4 90

vs. ajust es

Porcentaje

Residuo
-10 -5 0 Residuo 5 10

50 10 1

0 -4 -8 60 70 80 Valor ajustado 90 100

Hist ograma
6,0 8 4

vs. orden

Frecuencia

Residuo
-8 -6 -4 -2 0 Residuo 2 4 6

4,5 3,0 1,5 0,0

0 -4 -8 2 4 6 8 10 12 14 16 18 20 Orden de observacin 22 24

Planteamiento de la hiptesis 1 No hay diferencia significativa entre el rendimiento vs profesor. Si hay diferencia significativa entre el rendimiento vs profesor. Planteamiento de la hiptesis 2 No hay diferencia significativa entre el rendimiento vs hora del da.

Si hay diferencia significativa entre el rendimiento vs hora del da. Planteamiento de la hiptesis 3 No hay diferencia significativa entre el rendimiento vs mtodo de enseanza. Si hay diferencia significativa entre el rendimiento vs mtodo de enseanza. Regla de decisin Al analizar los valores P de los factores del experimento se encuentra que estos son menores al nivel de significancia . Rendimiento vs profesor. Rendimiento vs hora del da. Rendimiento vs mtodo de enseanza.

Por lo tanto se rechaza las anteriores hiptesis nulas y se da crdito a la hiptesis alternativa, es decir que la variabilidad producto del factor profesor y factor hora del da, existen diferencias significativas entre la efectividad promedio en el rendimiento de los 5 tratamiento (mtodos de enseanza).

1.4. Ejemplo

Modelo lineal estadstico para el cuadro grecolatino

Un ingeniero sospecha que los sitios de trabajo usados por los cuatro operadores pueden representar una fuente adicional de variacin. Es posible introducir un ), y realizar otro experimento, de donde cuarto factor, el sitio de trabajo ( resulta el cuadrado grecolatino siguiente. Analizar los datos de este experimento (utilizar ) y sacar conclusiones.
Orden de ensamble 1 2 3 4 OPERADOR 1 2 3 4

Resuelto por el software MINITAB

Modelo lineal general: tiempo de en vs. Orden de ens. Operador.

Factor Orden de ensamble Operador Metodo de ensamble Sitio de Trabajo Tipo fijo fijo fijo fijo Niveles 4 4 4 4 Valores 1. 2. 3. 1. 2. 3. 1. 2. 3. 1. 2. 3. 4 4 4 4

Anlisis de varianza para tiempo de ensamble, utilizando SC ajustada para pruebas Fuente Orden de ensamble Operador Metodo de ensamble Sitio de Trabajo Error Total S = 3,02765 GL 3 3 3 3 3 15 SC Sec. 0,500 19,000 95,500 7,500 27,500 150,000 SC Ajuste. 0,500 19,000 95,500 7,500 27,500 MC Ajust. 0,167 6,333 31,833 2,500 9,167 F 0,02 0,69 3,47 0,27 0,996 0,616 0,167 0,843 P

R-cuad. = 81,67%

R-cuad. (Ajustado) = 8,33%

Grficas de residuos para tiempo de ensamble

Grficas de residuos para tiempo de ensamble
Grfica de probabilidad normal
99 2 1 0 -1 -4 -2 0 Residuo 2 4 8 10 12 Valor ajustado 14 16 90 50 10 1

vs. ajust es

Porcentaje

Hist ograma
4 2 1 0 -1 -1,5 -1,0 -0,5 0,0 0,5 Residuo 1,0 1,5 2,0
1 2 3 4 5 6

Residuo

vs. orden

Frecuencia

2 1 0

Residuo

10 11 12 13 14 15 16

Orden de observacin

Planteamiento de la hiptesis 1

No hay diferencia significativa entre el tiempo de ensamble vs orden de ensamble. Si hay diferencia significativa entre el tiempo de ensamble vs orden de ensamble. Planteamiento de la hiptesis 2 No hay diferencia significativa entre el tiempo de ensamble vs operador. Si hay diferencia significativa entre el tiempo de ensamble vs operador. Planteamiento de la hiptesis 3 No hay diferencia significativa entre el tiempo de ensamble vs mtodo de ensamble. Si hay diferencia significativa entre el tiempo de ensamble vs mtodo de ensamble. Planteamiento de la hiptesis 4 No hay diferencia significativa entre el tiempo de ensamble vs sitio de trabajo. Si hay diferencia significativa entre el tiempo de ensamble vs sitio de trabajo. Regla de decisin Al analizar los valores P de los factores del experimento se encuentra que estos son mayores al nivel de significancia . tiempo de ensamble vs orden de ensamble tiempo de ensamble vs operador. Tiempo de ensamble vs mtodo de ensamble. Tiempo de ensamble vs sitio de trabajo.

Por lo tanto no se rechaza las anteriores hiptesis nulas y no se da crdito a la hiptesis alternativa, es decir que la variabilidad producto del orden de ensamble,

operador, mtodo de ensamble y trabajo, existen diferencias significativas entre los tiempos promedio de ensamble de los 4 tratamientos.

1.5.

Modelo estadstico del diseo factorial para dos factores

Ejemplo Una compaa manufacturera utiliza tres mquinas diferentes, operadas por tres trabajadores distintos. La compaa desea determinar si las diferencias en el nmero de productos defectuosos que producen los trabajadores y las diferencias en el nmero de productos defectuosos que salen de las maquinas son significativas. Adems se desea probar si existe algn efecto de interaccin entre los trabajadores y las mquinas. Para probar la hiptesis nula segn la cual no existe diferencia en el rendimiento de los trabajadores ni en el rendimiento de las mquinas, ni efectos de interaccin, se hace que cada trabajador opere la respectiva maquina en dos das distintos. Los resultados se ofrecen la tabla, y los diversos valores necesarios para probar la hiptesis se calculan a continuacin.
MAQUINAS C1 R1 R2 R3 10 13 13 16 9 14 TRABAJADORES C2 14 16 19 27 11 17 C3 18 22 14 18 14 17

Resuelto por el software MINITAB

Diseo factorial de mltiples niveles
Factores: Corridas base: Bloques base: 2 9 1 Rplicas: Total de corridas: Total de bloques: 2 18 1

Nmero de niveles: 3. 3

Modelo lineal general: Numero de defectuosos vs. Mquinas. Trabajador

Factor Maquinas Trabajador

Tipo fijo fijo

Niveles 3 3

Valores R1. R2. R3 C1. C2. C3

Anlisis de varianza para Nmero de defectuosos, utilizando SC ajustada para pruebas Fuente Maquinas Trabajador Maquinas*Trabajador Error Total S = 3,23179 GL 2 2 4 9 17 SC Sec. 52,33 90,33 81,33 94,00 318,00 SC Ajust. 52,33 90,33 81,33 94,00 MC Ajust. 26,17 45,17 20,33 10,44 F 2,51 4,32 1,95 P 0,136 0,048 0,187

R-cuad. = 70,44% Coef 15,6667 -0,167 2,167 -3,167 1,667 -0,833 -2,167 -0,167 3,500

R-cuad. (Ajustado) = 44,16% SE Coef 0,7617 1,077 1,077 1,077 1,077 1,523 1,523 1,523 1,523 T 20,57 -0,15 2,01 -2,94 1,55 -0,55 -1,42 -0,11 2,30 P 0,000 0,880 0,075 0,016 0,156 0,598 0,189 0,915 0,047

Trmino Constante Maquinas R1 R2 Trabajador C1 C2 Maquinas*Trabajador R1 C1 R1 C2 R2 C1 R2 C2

Medias de cuadrado mnimo para Nmero de defectuosos Error Estndar de la media 1,319 1,319 1,319 1,319 1,319 1,319 2,285 2,285 2,285 2,285 2,285 2,285 2,285 2,285 2,285

Maquinas R1 R2 R3 Trabajador C1 C2 C3 Maquinas*Trabajador R1 C1 R1 C2 R1 C3 R2 C1 R2 C2 R2 C3 R3 C1 R3 C2 R3 C3

Media 15,50 17,83 13,67 12,50 17,33 17,17 11,50 15,00 20,00 14,50 23,00 16,00 11,50 14,00 15,50

Grficas de residuos para Nmero de defectuosos

Grficas de residuos para Numero de defectuosos

Grfica de probabilidad normal
99
Porcentaje

vs. ajustes
5,0 2,5
Residuo

90 50 10 1 -5,0 -2,5 0,0 Residuo 2,5 5,0

0,0 -2,5 -5,0

10

15 Valor ajustado

20

Histograma
4,8
Frecuencia Residuo

vs. orden
5,0 2,5 0,0 -2,5 -5,0

3,6 2,4 1,2 0,0 -4 -2 0 Residuo 2 4

6 8 10 12 14 Orden de observacin

16

18

Planteamiento de hiptesis 1. Efecto de la maquina sobre el nivel de defectuosos. No hay efecto de la maquina sobre el nivel de defectuosos. Si hay efecto de la maquina sobre el nivel de defectuosos. Regla de decisin Al analizar el valor de P se encuentra que este es mayor al nivel de significancia ( ), por lo tanto no se rechaza la hiptesis nula y no se puede dar crdito a la hiptesis alternativa, es decir que no hay efecto de la maquina sobre el nivel de defectuosos. 2. Efecto del trabajador sobre el nivel de defectuosos No hay efecto del trabajador sobre el nivel de defectuosos. Si hay efecto del trabajador sobre el nivel de defectuosos. Regla de decisin Al analizar el valor de P se encuentra que este es menor al nivel de ), por lo tanto se rechaza la hiptesis nula y se significancia (

puede dar crdito a la hiptesis alternativa, es decir que si hay efecto del trabajador sobre el nivel de defectuosos. 3. Efecto de la interaccin (maq)(trabajador) sobre el nivel de defectuosos. No hay efecto de la interaccin sobre el nivel de defectuosos. Si hay efecto de la interaccin sobre el nivel de defectuosos. Regla de decisin Al analizar el valor de P se encuentra que este es mayor al nivel de significancia ( ), por lo tanto no se rechaza la hiptesis nula y no se puede dar crdito a la hiptesis alternativa, es decir que no hay efecto de la interaccin (maq)(trabajador) sobre el nivel de defectuosos.

2. 2.1 DISEOS FACTORIALES FRACCIONADOS Cuando el nmero de factores de un diseo factorial se incrementa, el nmero de corridas necesarias para realizar una rplica completa del diseo rebasa con rapidez los recursos de la mayora de los experimentadores. Si el experimentados puede suponer razonablemente que ciertas interacciones de orden superior son insignificantes es posible obtener informacin de los efectos principales y las interacciones de orden inferior corriendo nicamente una fraccin del experimento factorial completo. Estos diseos factoriales fraccionados se encuentran entre los tipos de diseos de uso ms generalizado en el diseo de productos y procesos y en el mejoramiento de procesos. El uso exitoso de los diseos factoriales fraccionados se basa en tres ideas clave: 1. El principio de efectos esparcidos o escasez de efectos: cuando hay varias variables, es posible que el sistema o proceso est dominado principalmente por algunos de los efectos principales y las interacciones de orden inferior. 2. La propiedad de proyeccin: los diseos factoriales fraccionados pueden proyectarse en diseos ms fuertes (ms grandes) en el subconjunto de los factores significativos. 3. Experimentacin secuencial: es posible combinar las corridas de dos (o ms) diseos factoriales fraccionados para ensamblar secuencialmente un diseo ms grande para estimar los efectos de los factores y las interacciones de inters.
La fraccin un medio del diseo Considere una situacin en la que tres factores, cada uno con dos niveles, son de inters, pero los experimentadores no estn en posicin de correr las =8 combinaciones de tratamientos. Sin embargo, pueden llevar a cabo cuatro corridas. Esto sugiere una fraccin un medio de un diseo . Puesto que el diseo contiene combinaciones de tratamientos, es comn llamar diseo a una fraccin un medio del diseo Suponga que se seleccionan cuatro combinaciones de tratamientos a, b, c y abc como la fraccin un medio con la que se trabajar.

En la prctica, no importa cul de las dos fracciones se usa, ambas pertenecen a la misma familia, es decir, las dos fracciones un medio forman un diseo completo. La fraccin un cuarto del diseo Para un nmero moderadamente grande de factores, con frecuencia son tiles fracciones menores del diseo .

Considere una fraccin un cuarto del diseo comn llamarlo diseo factorial fraccionado
El diseo factorial fraccionado

. Este diseo contiene

corridas y

general

A un diseo factorial fraccionado que contiene corridas se le llama fraccin 1/ del diseo . O de manera ms simple diseo factorial fraccionado . En estos diseos deben seleccionarse p generadores independientes. La relacin de definicin de este diseo se compone de los p generadores elegidos y sus interacciones generalizadas. La estructura de los alias puede encontrarse multiplicando la columna de cada efecto por la relacin de definicin. Cada efecto tiene alias. Un criterio razonable es seleccionar los p generadores para que el diseo resultante tenga la resolucin ms alta posible. En ocasiones, la resolucin por s sola no es suficiente para distinguir entre los diseos.
Ejemplo: Un diseo usado para mejorar un proceso. Se investigaron cinco factores en un proceso de manufactura de un circuito integrado en un diseo con el objetivo de mejorar el rendimiento del proceso. Los cinco factores fueron A=ajuste de apertura (pequea, grande), B=tiempo de exposicin (20% abajo del nominal, 20%

arriba del nominal), C=tiempo de desarrollo (30s, 45s), D=tamao de la mscara (pequea, grande) y E=tiempo de grabado (14.5min, 15.5min). La relacin de definicin del diseo es I=ABCDE. Por consiguiente, todos los efectos principales son alias de una interaccin de cuatro factores, y cada una de las interacciones de dos factores son alias de una interaccin de tres factores. Por lo tanto el diseo es de resolucin V. Se esperara que este diseo proporcionara excelente informacin respecto de los efectos principales y las interacciones de dos factores. La tabla 8-6 contiene las estimaciones de los efectos, las sumas de cuadrados y los coeficientes del modelo de regresin para los 15 efectos de este experimento. En la figura 8-6 se presenta la grfica de probabilidad normal de las estimaciones de los efectos de este experimento. Los efectos principales de A, B y C y la interaccin AB son grandes. En la tabla 8-7 se resume el anlisis de varianza de este experimento, la suma de cuadrados del modelo es y esto explica ms de 99% de la variabilidad total del rendimiento. En la figura 8-7 se presenta la grfica de probabilidad normal de los residuales

Y la figura 8-8 es una grfica de los residuales contra los valores predichos. Ambas grficas son satisfactorias. Los tres factores A, B y C tienen efectos positivos grandes. La interaccin apertura-tiempo de exposicin o AB se grafica en la figura 8-9. Esta grfica confirma que el rendimiento es ms alto cuando tanto A como B estn en el nivel alto.

El diseo se reducir a dos rplicas de un diseo en tres cualesquiera de los cinco factores originales. La figura 8-10 es una grfica de cubo en los factores A, B y C con los rendimientos promedio superpuestos en los ocho vrtices. Es evidente por la inspeccin de la grfica de cubo que los rendimientos ms altos se consiguen con A, B y C en el nivel alto. Los factores D y E tienen un efecto pequeo sobre el rendimiento promedio del proceso y pueden ajustarse en los valores que optimicen otros objetivos (como el costo).

2.2 DISEO CON SUPERFICIE DE RESPUESTA La metodologa de superficies de respuesta, o MSR, es una coleccin de tcnicas matemticas y estadsticas tiles en el modelado y el anlisis de problemas en los que una respuesta de inters recibe la influencia de diversas variables y donde el objetivo es optimizar esta respuesta. Por ejemplo, suponga que un ingeniero qumico quiere encontrar los niveles de temperatura ( ) y presin ( ) que maximicen el rendimiento (y) de un proceso. El rendimiento del proceso es una funcin de los niveles de la ( ) temperatura y la presin, por ejemplo, donde representa el ruido o error observado en la respuesta. Si la respuesta esperada se denota por ( ) ( ) ( ) se le llama , entonces a la superficie representada por superficie de respuesta. Por lo general la superficie de respuesta se representa grficamente como en la figura ). Para ayudar a visualizar la 11-1, donde se grafica contra los niveles de ( forma de una superficie de respuesta, con frecuencia se grafican los contornos de la superficie de respuesta, como se muestra en la figura 11-2. En la mayora de los problemas MSR, la forma de la relacin entre la respuesta y las variables independientes es desconocida. Por lo tanto, el primer paso de la MSR es

encontrar una aproximacin adecuada de la verdadera relacin funcional entre y el conjunto de variables independientes. Por lo general se emplea un polinomio de orden inferior en alguna regin de las variables independientes, entonces la funcin de aproximacin es el modelo de primer orden .

Si hay curvatura en el sistema, entonces debe usarse un polinomio de orden superior, tal como el modelo de segundo orden

En casi todos los problemas MSR se usa uno de estos modelos, o ambos. Desde luego, es probable que un modelo polinomial sea una aproximacin razonable de la verdadera relacin funcional en el espacio completo de las variables independientes, pero para una regin relativamente pequea suelen funcionar bastante bien. El mtodo de mnimos cuadrados se usa para estimar los parmetros de los polinomios de aproximacin. Despus se realiza el anlisis de la superficie de respuesta utilizando la superficie ajustada. Si la superficie ajustada es una aproximacin adecuada de la verdadera funcin de la respuesta, entonces el anlisis de la superficie ajustada ser un equivalente aproximado para el anlisis del sistema real. Los parmetros del modelo pueden estimarse de manera ms eficiente cuando se emplean los diseos experimentales apropiados para recolectar los datos. Los diseos para ajustar superficies de respuesta se denominan diseos de superficie de respuesta. Cuando se selecciona un diseo de superficie de respuesta, algunas de las caractersticas deseables en el diseo son las siguientes:

1. Proporciona una distribucin razonable de los puntos de los datos (y en consecuencia informacin) en toda regin de inters. 2. Permite que se investigue la adecuacin del modelo, incluyendo la falta de ajuste. 3. Permite que los experimentos se realicen en bloques. 4. Permite que los diseos de orden superior se construyan secuencialmente. 5. Proporciona una estimacin interna del error. 6. Proporciona estimaciones precisas de los coeficientes del modelo. 7. Proporciona un buen perfil de la varianza de prediccin en toda la regin experimental. 8. Proporciona una robustez razonable contra los puntos atpicos o los valores faltantes. 9. No requiere un gran nmero de corridas. 10. No requiere demasiados niveles de las variables independientes. 11. Asegura la simplicidad del clculo de los parmetros del modelo.

Diseos para ajustar el modelo de primer orden: Suponga que quiere ajustarse el modelo de primer orden en k variables

Hay una clase nica de diseos que minimizan la varianza de los coeficientes de regresin . Se trata de los diseos de primer orden ortogonales. Un diseo de primer orden es ortogonal si todos los elementos que estn fuera de la diagonal de la matriz (XX) son cero. Esto implica que la suma de los productos cruzados de las columnas de la matriz X sea cero. La clase de los diseos de primer orden ortogonales incluye los factoriales y las fracciones de la serie en las que los efectos principales no son alias entre si. El diseo no permite la estimacin del error experimental a menos que se hagan rplicas de algunas corridas, un mtodo comn de incluir las rplicas en el diseo es aumentar el diseo con varias observaciones en el centro (el punto ). La adicin de puntos centrales al diseo no influye en las , pero la estimacin de se convierte en el gran promedio de todas las observaciones. Adems, la adicin de puntos centrales no altera la propiedad de ortogonalidad del diseo. Otro diseo de primer orden ortogonal es el diseo simplex. El diseo simplex es una figura de lados regulares con vrtices en dimensiones. Por lo tanto, el diseo simplex para es un tringulo equiltero, y para es un tetraedro regular.

Diseos para ajustar el modelo de segundo orden:

El diseo central compuesto o DCC es la clase ms popular de diseos usados para ajustar estos modelos. En general, el DCC consta de un factorial (o de un factorial fraccionado de resolucin V) con corridas, 2k corridas axiales y corridas centrales. Hay dos parmetros en el diseo que deben especificarse: la distancia de las corridas axiales al centro del diseo y el nmero de puntos centrales .

Existen muchos otros diseos de superficie de respuesta que en ocasiones son tiles en la prctica. Para dos variables, podran usarse diseos compuestos de puntos cuya separacin en un crculo es igual y que forman polgonos regulares. Puesto que los puntos del diseo son equidistantes del orgen, a estos arreglos con frecuencia se les llama diseos equirradiales. Otros diseos tiles incluyen el diseo compuesto pequeo, el cual consiste en un factorial fraccionado en el cupo de resolucin III y las corridas axiales y centrales usuales, y la clase de los diseos hbridos. Estos diseos pueden ser de valor considerable cuando es importante reducir el nmero de corridas tanto como sea posible.

Se dice que un diseo de superficie de respuesta se forma de bloques ortogonales si se divide en bloques tales que sus efectos no afecten las estimaciones de los parmetros del modelo de superficie de respuesta. Para hacer la formacin de bloques ortogonales de un diseo de segundo orden, deben identificarse dos condiciones: 1. Cada bloque debe ser un diseo ortogonal de primer orden:

2. La fraccin de la suma de cuadrados total para cada variable con que contribuye cada bloque, debe ser igual a la fraccin de las observaciones totales que estn contenidas en el bloque:

En general, el diseo central compuesto siempre puede construirse para hacer la formacion de bloques ortogonales en dos bloques.

Ejemplo: Un experimentador est intentando optimizar la formulacin de una pintura automotriz de recubrimiento total. Se trata de productos complejos que tienen requerimientos muy especficos. El cliente quiere quela dureza Knoop exceda de 25 y que el porcentaje de slidos est debajo de 30. El recubrimiento es una mezcla de tres componentes, que consiste en un monmero ( ), un entrelazador ( ) y una resina ( ). Existen restricciones sobre las proporciones de los componentes:

El resultado es la regin de experimentacin restringida ilustrada en la figura 11-36.

La figura 11-39 es una grfica de superposicin de las dos superficies de respuesta, donde se muestra el contorno de la dureza Knoop de 25% y el contorno de 30% para los slidos. La regin factible para este producto es el rea sin sombrear cerca del centro de la grfica. Evidentemente, existen varias elecciones para las proporciones del monmero, el entrelazador y la resina que satisfaga los requirimientos de desempeo.

Lauraaaa

DISEO EN PARCELAS DIVIDIDAS

Este es un diseo experimental combinado que resulta til cuando al estudiar simultneamente varios factores, alguno o algunos de ellos deben ser aplicados sobre unidades experimentales relativamente grandes, pudindose aplicar el otro o los otros en unidades experimentales menores, dentro de las unidades mayores. El caso ms sencillo es aqul en el que se tienen slo dos factores, asignando los niveles de uno de ellos a las unidades mayores y los niveles del otro a las subunidades. A las unidades experimentales mayores suele llamrseles parcelas grandes o parcelas principales y a las unidades experimentales menores se le llama subparcelas o subunidades. Se debe notar que adems de que los niveles de los diferentes factores son asignados a unidades experimentales de diferentes tamaos, est implcito tambin un nmero diferente de repeticiones. El nmero de repeticiones para el factor asignado a las subunidades es (ab), siendo a el nmero de repeticiones del factor asignado a las unidades principales y a su nmero de niveles. El factor correspondiente a las parcelas principales puede asignarse a stas utilizando cualquiera de los esquemas de aleatorizacin bsicos: Completamente al Azar, en Bloques al Azar o en Cuadro Latino. El factor correspondiente a las subparcelas se asigna al azar dentro de cada parcela principal; en tal sentido, las parcelas principales son anlogas a bloques, solo que por asignarse a stas los niveles de un efecto _jo y por existir repeticiones de las mismas, es posible evaluar tanto los efectos principales del factor asignado a las mismas como su posible interaccin con el otro factor. En adelante nos concentraremos en el caso ms sencillo de un Diseo en Parcelas Divididas, es decir aquel con slo dos factores. Todos los resultados obtenidos son generalizables a casos ms complejos en los que los tratamientos asignados a las unidades principales, a las subunidades o a ambas estn comformados a su vez por las combinaciones de los niveles de dos o ms factores. Supngase que se quiere realizar un experimento que involucre dos factores: el primero con tres niveles y el segundo con dos, as: El factor B con 3 niveles b1; b2; b3 y el factor C con 2 niveles c1; c2 respectivamente. Se muestran a continuacin posibles esquemas de aleatorizacin considerando los diseos ms comunes (Completamente Aleatorizado, Bloques Completamente Aleatorizados y Cuadrados Latinos), suponiendo que ambos factores tienen igual importancia relativa y que se desean evaluar tanto sus efectos principales como su posible interaccin, es decir, descartando la opcin de tomar alguno de stos como factor de bloqueo. Para facilitar la ilustracin de los posibles esquemas de aleatorizacin, se considerarn slo dos repeticiones, excepto donde el diseo exige tantas repeticiones como tratamientos (Cuadro Latino).

Cuadro 1: Diseo Completamente al Azar b2c2 b2c1 b1c1 b2c1 b1c1 b1c2 b3c1 b1c2 b3c1 b3c2 b2c2 b3c2 Cuadro 2: Diseo en Bloques Completos al Azar Bloque I Bloque II b1c2 b1c1 b3c1 b3c2 b2c2 b1c2 b1c1 b2c2 b2c1 b3c1 b3c2 b2c1 Cuadro 3: Diseo Cuadro Latino b1c1 b2c1 b3c2 b2c2 b1c2 b3c1 b3c2 b2c2 b1c2 b3c1 b1c1 b2c1 b2c1 b3c2 b2c2 b1c2 b3c1 b1c1 b3c1 b1c1 b2c1 b3c2 b2c2 b1c2 b2c2 b1c2 b3c1 b1c1 b2c1 b3c2 b1c2 b3c1 b1c1 b2c1 b3c2 b2c2

Es importante aclarar que la igual importancia relativa entre los dos factores a la que se hace referencia anteriormente tiene que ver bsicamente con el hecho de que ninguno de stos se tome como factor de bloqueo. Hay que anotar, sin embargo, que slo bajo los tres primeros esquemas de aleatorizacin, los factores son tratados de la misma manera, es decir que son asignados a unidades del mismo tamao y cuentan con el mismo nmero de repeticiones. Esta situacin es diferente en el Diseo en Parcelas Divididas, pues dado que el factor asignado a las subparcelas cuenta con mayor nmero de repeticiones, sus efectos son estimados con mayor precisin. CUANDO SE PUEDE USAR EL DISEO EN PARCELAS DIVIDIDAS. Se recomienda el uso del diseo en los siguientes casos: 1. Cuando uno de los factores, por su naturaleza, exige parcelas relativamente grandes, por ejemplo, sistemas de labranza, de irrigacin, distancias entre surcos, niveles de luz o de temperatura; mientras que el otro factor permite su aplicacin sobre unidades experimentales ms pequeas como variedades, distancia entre plantas, dosis de fertilizantes, etc.

Cuadro 4: Diseo en Parcelas Divididas con el factor A asignado a las parcelas principales, distribuido completamente al azar. c1 c2

b3| c c b1| c c b2| c b1| c c b2| c c b3| c

2 1 2 1 1 2 2 1

1 2

Cuadro 5: Diseo en Parcelas Divididas con el factor A asignado a las parcelas principales,distribuido en Bloques Completos al Azar.

2. Cuando los niveles de un factor requieren de gran cantidad de material experimental por U.E. frente a otros factores. Como ejemplo podemos tener las siguientes situaciones: uso de riego, mtodos de aplicacin de fertilizantes, etc., seran ms factibles usarlos como parcela principal que como subparcela. 3. Cuando se desea incorporar algn factor adicional, y as el alcance de la investigacin sera mayor, como ejemplo de esta situacin, si se desea incorporar ciertos fungicidas, para incrementar el alcance de la investigacin se puede proponer variedades que presenten diversos tipos de resistencia a las enfermedades. En este caso el uso de variedades como parcela principal dara ms proyeccin al experimento. 4. Tiene gran utilidad cuando se desea que ciertos factores sean medidos con mayor precisin que otros, en este caso se elige como subparcelas los factores que se desea estudiar con mayor precisin.

MODELO DE UN DISEO EN PARCELAS DIVIDIDAS Para el caso de unidades arregladas en bloques completamente al azar

Ntese que el error de la parcela completa corresponde a la interaccin AB, y el error de la subparcela es la interaccin de los tres factores ABC. La suma de cuadrados de estos factores se calcula como un anlisis de varianza de tres factores sin rplicas.

Las hiptesis a probar Las hiptesis a probar a. Para el tratamiento principal o parcela completa (factor B) H0 : _j = 0, para todo j = 1; b H1 : _j = 0, para algn j = 1; b b. Para el tratamiento de la subparcela (factor C) H0 : k = 0, para todo k = 1; c H1 : k = 0, para algn k = 1; c c. Para las interacciones entre las parcelas completas y subparcelas BC H0 : (_)jk = 0, para todo j = 1; b, k = 1; c H1 : (_)jk = 0, para algn j = 1; b, k = 1; c

Anlisis de Varianza Cuadro 6: ANVA para el diseo en parcelas divididas

Donde: Para la parcela completa

Ejemplo 1 Considere un fabricante de papel que est interesado en tres mtodos diferentes para preparar la pulpa y en cuatro diferentes temperaturas de coccin. Desea estudiar el efecto que estos dos factores tienen sobre la resistencia a la tensin del papel. Cada rplica del experimento factorial requiere 12 observaciones y el experimentador a decidido utilizar tres rplicas. Sin embargo, en la planta piloto solo se puede llevar a cabo 12 ensayos diarios por lo que debe realizar una rplica diaria durante tres das, y considerar los das o las rplicas como bloques. Los datos aparecen en la siguiente tabla: Cuadro 7: Datos de resistencia a la tensin del papel

Las hiptesis sern: a. Para el tratamiento principal o parcela completa: mtodo de preparacin (factor B) H0 : _j = 0, para todo j = 1; 3 H1 : _j = 0, para algn j = 1; 3 b. Para el tratamiento de la subparcela: temperatura (factor C) H0 : k = 0, para todo k = 1; 4 H1 : k = 0, para algn k = 1; 4

b. Para el tratamiento de la subparcela: temperatura (factor C) H0 : k = 0, para todo k = 1; 4 H1 : k = 0, para algn k = 1; 4

c. Para las interacciones entre el mtodo de preparacin y la temperatura BC

H0 : (_)jk = 0, para todo j = 1; 3, k = 1; 4 H1 : (_)jk = 0, para algn j = 1; 3, k = 1; 4 El ANVA se muestra en la siguiente tabla: Cuadro 8: ANVA para el ejemplo de la resistencia del papel

Para el tratamiento principal Mtodo de preparacin (factor B) tenemos que hay suficiente evidencia para decir que no hay homogeneidad entre los mtodos de preparacin. Para la temperatura (factor C) obtuvimos que hay evidencia significativa para decir que hay diferencias en este factor. Para la interaccin entre el mtodo de preparacin y la temperatura no hay diferencia significativa entre estos tratamientos. As podemos ver que el mtodo de preparacin y la temperatura tienen influencia en la resistencia del papel. Tambin podemos observar que el CMEABC = 4; 2361 es menor comparado con el CMEAB = 9; 0694; esto es porque frecuentemente las sub parcelas son mas homogneas que las parcela completas, por lo cual es ms recomendable ubicar en las subparcelas el factor ms importante.

Silvia DISEO DE MEDIDAS REPETIDAS

El diseo de medidas repetidas es una extensin del diseo de bloques, en que el sujeto sustituye al bloque y acta de control propio. Con este formato, los sujetos de la muestra reciben todos los tratamientos y repiten medidas o registros de respuesta; asimismo, la comparacin de los tratamientos es intra-sujeto. De este modo, el uso del procedimiento de medidas repetidas proporciona un control ms efectivo de las fuentes de variacin extraas asociadas, por lo general, a las caractersticas individuales; es decir, se consigue una reduccin de la variancia del error. Esto es as porque, al actuar el sujeto de bloque, la variabilidad debida a las diferencias individuales es eliminada del error. De este modo, el diseo de medidas repetidas una estructura ms potente que los diseos completamente aleatorizados. Efectos de orden Los efectos de orden (order effects) se derivan de la propia estructura del diseo de medidas repetidas, y deben ser neutralizados para que confundan los efectos de los tratamientos. Tipos de efectos de orden Efecto de perodo: Los efectos de perodo ocurren cuando, independientemente del tratamiento aplicado, el sujeto responde al perodo o posicin que, en la secuencia, ocupa el tratamiento (perodo de administracin). Cabe, por lo tanto, la posibilidad de que el sujeto responda mejor al perodo que al tratamiento en s mismo. Cuando esto ocurre, el efecto de perodo confunde la accin del tratamiento Efecto residual: El efecto residual, conocido por error progresivo, se caracteriza por la persistencia de la accin de un tratamiento ms all del perodo o tiempo de aplicacin. Representa tanto la progresiva acumulacin tanto de los efectos facilitadores de la respuesta (efecto de la prctica, aprendizaje, etc.) como de los efectos obstaculizadores (como la fatiga mental, cansancio fsico, etc.). Clasificacin del diseo en funcin de los factores Diseos de medidas repetidas Simple (SxA) Factorial (SxAxB, SxAxBxC, etc.)

Clasificacin del diseo en funcin de los grupos De un grupo o muestra (SxA) Multimuestra (S(A)xB) Diseo de medidas repetidas simple de un grupo El diseo simple de medidas repetidas es prototpico en esa clase de experimentos, al incorporar la estrategia de comparacin intra-sujeto. Lindquist (1953) se refiere a estas estructuras como diseos de Tratamientos x Sujetos, ya que los sujetos se cruzan o combinan con los tratamientos. As mismo, es un diseo simple o unifactorial porque slo se evala la accin de una variable independiente o de tratamientos. La principal ventaja del diseo, dada su especial disposicin, es la posibilidad de extraer del error una de sus fuentes de variacin ms importante: la variacin atribuida a las diferencias individuales. Estructura del diseo La estructura el diseo de medidas repetidas simple es similar al formato factorial de dos variables independientes. A diferencia del diseo factorial, la variable de sujetos no es manipulada ya que se trata de un pseudo-factor. La variable de tratamientos est manipulada por del experimentador y es considerada como un autntico factor. Supngase, por ejemplo, que la variable sujetos, simbolizada por S, acta a n valores, y que el factor A -variable de tratamiento-, a a valores que son aplicados, de forma secuencial, a los sujetos de la muestra. Ntese la similitud entre este diseo y el diseo bifactorial dado que, analticamente, la variable de sujetos acta como si fuera un factor. La diferencia estriba slo en la naturaleza y objetivo de las dos variables. La variable S representa la variabilidad entre sujetos y no es, por lo tanto, un factor manipulado sino de control. La variable A es una dimensin de variacin manipulada por el investigador. El propsito del experimento sigue siendo el anlisis del posible impacto de la variable de tratamiento sobre la variable de respuesta. Con este formato, no slo se controlan las diferencias individuales, por el pseudofactor de sujetos, sino que se minimiza la variancia del error al sustraer una de sus principales fuentes. As, el diseo de medidas repetidas simple es el procedimiento ms eficaz para probar el efecto del tratamiento. Al controlar las diferencias interindividuales, este diseo es, tambin, un potente procedimiento de anlisis, porque al reducir el error

se aumenta la precisin y efectividad en probar los efectos de la variable de tratamiento. Formato del diseo de medidas repetidas. Diseo de medidas repetidas simple, S x A.

Formatos del diseo de medidas repetidas: Diseo de medidas repetidas de cuadrado latino, S x A

Formatos del diseo de medidas repetidas: Diseo de medidas repetidas factorial, S x A x B.

Caso paramtrico. Ejemplo

Modelo de prueba de hiptesis Paso 1. Se asume, por hiptesis de nulidad, que los efectos de los tratamientos son nulos. Es decir, H0: 1 = 2 = 3 Paso 2. Segn la hiptesis experimental o hiptesis de efectividad se asume que, uno o ms tratamientos o efectos es significativo (distinto de cero). En trminos estadsticos se afirma que: H1: 1 2, o 1 3, o 2 3 H1: por lo menos una desigualdad Paso 3. Se asume un modelo ANOVA de aditividad. El estadstico de la prueba es la F normal, a un nivel de significacin de = 0.05. El tamao de la muestra experimental es N = n = 3. Paso 4. El clculo del valor emprico de F se realiza a partir de la correspondiente matriz de datos, una vez ejecutado el experimento.

ANOVA de medidas repetidas MODELO ESTRUCTURAL MODELO ADITIVO

Descripcin y supuestos Yij = la puntuacin del i sujeto bajo la j condicin experimental o tratamiento = la media global de todos los datos del experimento sujeto

i = i = el efecto asociado al isimo

j = j = el efecto de jsimo nivel de la variable de tratamiento A ij = el error experimental asociado al i sujeto bajo el j tratamiento Asimismo, para que el modelo sea vlido, se asume que: a) i NID(0,) b) ij NID(0,) c) = 11' + I Clculo de las sumas de cuadrados SCtotal = SCsuj. + SCtrat. + SCsuj.xtrat. Con los datos del ejemplo, se tiene: SCtotal = [(3.8) + (4.4) + ... + (3)] [(36)/9] = 16.16 SCsuj. = [(9.9)/3 + (11.7)/3 + (14.4)/3] [(36)/9] = 3.42 SCtrat. = [(15.1)/3 + (13.1)/3 + ... + (7.8)/3] [(36)/9] = 9.49 SCsuj.xtrat. = SCtotal SCsuj. SCtrat = 16.16 3.42 9.49 = 3.25 CUADRO RESUMEN DEL ANOVA: DISEO MEDIDAS REPETIDAS

Paso 5. Dado que el valor emprico de F es menor que el terico, se acepta la hiptesis de nulidad relativa a la variable de sujetos y a la de tratamiento, a un nivel del riesgo del cinco por ciento.

DISEO FACTORIAL GENERAL 3K

Este diseo es una variacin del diseo 2k y son muy tiles como las que se emplean cuando todos los factores actan a tres niveles. En los ltimos aos se ha observado un creciente inters por algunas de las ideas del profesor genechi taguchi acerca del diseo experimental y su aplicacin al mejoramiento de la calidad. Este es un diseo que consta de k factores con tres niveles cada uno. Los factores y las interacciones se representan mediante letras maysculas. Los tres niveles de los factores pueden referirse como nivel inferior, intermedio y superior. Estos niveles se representan mediante los dgitos 0 (nivel inferior), 1 (intermedio) y 2 (superior). Cada combinacin de tratamientos de un diseo 3k se presenta mediante k dgitos, donde el primero incida el nivel de a, el segundo seale al nivel de b, ..... y el k-simo dgito, el nivel del factor k. Por ejemplo, es un diseo 32 el 00 representa la combinacin de tratamientos, en la que tanto el factor a como el b estn en el nivel inferior, y el 01 representa la combinacin de tratamientos que corresponde al factor a en el nivel inferior y a b en el nivel intermedio. En ste, el sistema de notacin que se prefiere usar es el de + - en virtud de que facilita la interpretacin geomtrica del diseo y de que es directamente aplicable al modelado por regresin, la formacin de bloques y la construccin de factoriales fraccionarios.

La adicin de un tercer nivel permite modelar con una relacin cuadrtica la relacin entre la respuesta y cada factor. DISEO 32 El diseo ms simple es el 32 que consta de dos factores con tres niveles cada uno. Como hay 32 = 9 combinaciones de tratamientos, existen 8 grados de libertad entre ellas, los efectos principales a y b tienen dos grados de libertad cada uno, y la interaccin ab tiene cuatro grados de libertad. Si hay n rplicas habr un total de n32 - 1 grado de libertad, correspondiendo para el error 32(n-1) grados de libertad. DISEO 33 Si se supone que se estn estudiando tres factores (a, b, c) y que cada factor tiene tres niveles acomodados en un experimento factorial. este es un diseo 33. las 27 combinaciones tienen 26 grados de libertad.

Ejemplo: La salida mxima de voltaje de un tipo particular de bateria, se piensa que puede ser influenciado por el material usado en los platos y por la temperatura en la localizacin en la cual la batera es colocada. Se hacen cuatro replicas en el experimento en un experimento factorial, para tres tipos de temperatura y tres materiales. Los resultados son: factor (b) temperatura factor (a) 1 130 155 30 40 20 70 998

material

74 2 150 159 3 138 168 1738

180 188 126 110 160

80 136 106 174 150 1291

75 122 115 120 139

82 25 58 96 82 770

58 70 45 104 60 1300

1501

3799

Primero se hace la suma de los cuadrados de todas las muestras, menos la suma del total de renglones y columnas, entre la multiplicacin de renglones de columnas * # de muestras n=4 a=3 b=3

Despus se hace la suma de los totales al cuadrado del factor, a:

Ahora se hace la suma de los totales al cuadrado del factor, b:

Ahora sumamos las cuatro muestras de cada combinacin y las evaluamos igual. eso es la suma de cuadrados de la interseccin ab ejemplo: 130+155+74+180 =539

Por ltimo la sumatoria de los cuadrados de los errores

Se deben sacar los cuadrados medios de los dos factores as como de la interaccin y errores de la siguiente manera:

Quedando la tabla anova de la siguiente manera: fuentes variacion tipo de mat. de suma cuadrados 10683.72 de grados libertad 2 de cuad. medios 5341.86 fo

7.91 > 3.35 28.97 3.35 >

temperatura

39118.72

19559.36

iteraccion error total

9613.77 18230.75 77646.96

4 27 35

2403.44 675.21

3.56 > 2.73

La grfica del tipo de material - temperatura es la siguiente: