MINITAB FINAL

Factorial de 2 niveles (generadores predeterminados): Este es el tipo más común y simple.

Se utiliza cuando cada factor (variable independiente) tiene solo dos niveles (por ejemplo,
alto y bajo, MAXIMO Y MINIMO). Los generadores son reglas matemáticas que determinan las
combinaciones de niveles de los factores.

• Cada fila representa un diseño diferente

• Corridas = número de experimentos
• las columnas indican el número de corridas experimentales necesarias y los factores
que pueden ser evaluados en cada diseño.
• Los números romanos (I, II, III, etc.) indican la resolución del diseño, que se relaciona
con la cantidad de información que se puede obtener sobre los efectos de los
factores y sus interacciones.
• Resolución: A mayor resolución, más información se puede obtener sobre los
efectos de los factores e interacciones. Sin embargo, también se requiere un mayor
número de corridas experimentales.
• tabla de diseños experimentales factoriales fraccionados para un experimento con 5
factores (indicado por el exponente 5 en la columna 2^(k-p)).
• Diseños: Describe el tipo de diseño factorial fraccionado.
• Fracción de 1/2: Este diseño representa la mitad del diseño factorial completo.
Proporciona más información que el diseño de 1/4, pero aún así reduce el número de
experimentos.

• el "número de puntos centrales por bloque" se refiere a la cantidad de repeticiones

de la condición experimental en la que todos los factores se mantienen en su nivel
medio o central dentro de cada bloque experimental.
• Un bloque experimental es una subsección del experimento en el que las
condiciones experimentales son relativamente homogéneas. Se utilizan bloques
para controlar la variabilidad que pueda existir entre diferentes grupos de unidades
experimentales.
• Un punto central es una observación realizada en las condiciones centrales de
todos los factores. Es decir, es un punto en el diseño experimental donde todos los
factores se establecen en sus valores medios.

• Factores: 7
o Se están estudiando 7 variables independientes que influyen en el proceso o
fenómeno que se desea analizar.
• Diseño de la base: 7, 8
 o Indica que el diseño se basa en un factorial completo de 2^7 (es decir, 128
corridas), pero se ha fraccionado a 1/16 de su tamaño (8 corridas).
• Resolución: III
o La resolución III indica que el diseño permite estimar todos los efectos
principales, pero algunos de ellos se confunden con interacciones de dos
factores.
• Corridas: 8
o Se realizarán un total de 8 experimentos para obtener los datos.
• Réplicas: 1
o Cada combinación de los niveles de los factores se repite una sola vez.
• Bloques: 1
o El experimento se realiza en un solo bloque, lo que significa que no hay
variabilidad adicional introducida por diferentes condiciones
experimentales.
• Puntos centrales (total): 0
o No se incluirán puntos centrales en el diseño, lo que puede limitar la
precisión de la estimación del error experimental y la capacidad de detectar
curvatura.
• Generadores del diseño: D = AB, E = AC, F = BC, G = ABC
o Estas ecuaciones indican cómo se ha generado el diseño factorial
fraccionado a partir del diseño factorial completo. Cada una de estas
ecuaciones define una relación entre un factor y la interacción de otros
factores.

• Efecto: Muestra el efecto estimado de cada término en la respuesta. Un valor

positivo indica un efecto directo (a mayor valor del factor, mayor la respuesta),
mientras que un valor negativo indica un efecto inverso.
• Coef: Es el coeficiente estimado para cada término en el modelo estadístico.
• EE del coef: Representa el error estándar del coeficiente, que es una medida de la
precisión de la estimación del coeficiente.
• Valor T: Es el estadístico t, que se utiliza para evaluar si el coeficiente es
significativamente diferente de cero.
• Valor p: Es el valor p asociado al estadístico t, que indica la probabilidad de obtener
un valor de t tan extremo o más extremo si el coeficiente real fuera cero. Un valor p
bajo (generalmente menor a 0.05) sugiere que el coeficiente es estadísticamente
significativo.
• FIV: Factor de Inflación de la Varianza. Indica hasta qué punto un predictor está
correlacionado con los otros predictores en el modelo. Un valor de FIV cercano a 1
indica que no hay multicolinealidad.
• S (Error estándar de la estimación):
El valor indica el error estándar de las predicciones del modelo. Es una medida de
cuánto, en promedio, las observaciones reales se desvían de las predicciones del
modelo. Un valor más bajo indica un mejor ajuste del modelo.

• R-cuadrado (Coeficiente de determinación):

Con un R2=95,13 , se puede interpretar que el modelo explica el 95.13% de la
variabilidad de los datos de la variable dependiente. Es un indicador de la bondad
del ajuste, y un valor cercano a 100% es ideal.

• R-cuadrado ajustado:
toma en cuenta el número de variables predictoras y ajusta el valor del R2. Es útil en
modelos con múltiples predictores, ya que penaliza la inclusión de variables
irrelevantes en el modelo. En este caso, sigue siendo alto, indicando que el modelo
tiene un buen ajuste incluso considerando la complejidad.
Estos factores que estamos analizando explican en un 93,36% la variabilidad de mi
proceso.

• R-cuadrado (predicho):
evalúa qué tan bien el modelo predice nuevos datos que no se usaron para ajustar
el modelo. Este valor es ligeramente menor que los demás, lo que sugiere que hay
algo de pérdida de precisión al generalizar a datos nuevos. Sin embargo, sigue
siendo alto, lo que indica que el modelo tiene buena capacidad predictiva.

• se utiliza para determinar qué factores tienen un impacto más significativo en el ABV
(Alcohol By Volume).
• Los factores se ordenan de izquierda a derecha, desde el que tiene mayor impacto
en el ABV (factor D) hasta el que tiene menor impacto (interacción AD).
• La longitud de cada barra representa la magnitud del efecto estandarizado de cada
factor. Cuanto más larga sea la barra, mayor será el impacto del factor en el ABV.
• Línea roja: La línea roja horizontal indica un umbral de significancia. Los factores que
se encuentran por encima de esta línea se consideran estadísticamente
significativos, es decir, hay una alta probabilidad de que su efecto en el ABV no sea
debido al azar.

• Los residuos representan la diferencia entre el valor real de la variable dependiente

(ABV en este caso) y el valor predicho por el modelo. En otras palabras, son los
"errores" que comete el modelo al hacer sus predicciones.
• se utiliza para verificar si los residuos (la diferencia entre los valores observados y
los valores predichos por el modelo) siguen una distribución normal, lo cual es uno
de los supuestos fundamentales de este tipo de modelos.

• Línea recta: La línea roja representa la distribución normal teórica.

• Puntos: Si los puntos se ajustan razonablemente bien a una línea recta, se puede
asumir que los residuos se distribuyen aproximadamente de forma normal.
 • En esta gráfica, los puntos representan los residuos de cada observación.
Idealmente, estos puntos deberían estar dispersos aleatoriamente alrededor de la
línea horizontal en cero, sin mostrar ningún patrón claro.
• En este caso específico, los puntos parecen estar bastante dispersos
aleatoriamente alrededor de la línea de cero. Esto sugiere que:
1. No hay una relación evidente entre la magnitud de los residuos y los valores
ajustados. Esto indica que la varianza de los errores es constante a lo largo de
los valores ajustados, lo cual se conoce como homocedasticidad.
2. No hay un patrón sistemático en los residuos, lo que sugiere que el modelo
está capturando la relación entre las variables de manera adecuada.

• Idealmente, los residuos deberían distribuirse de manera aproximadamente normal

alrededor de cero. Esto indicaría que el modelo está capturando la mayor parte de la
variabilidad en los datos y que los errores de predicción son aleatorios.

En este caso, podemos observar lo siguiente:

• Distribución aproximadamente normal: La forma general del histograma sugiere

una distribución aproximadamente normal. La mayoría de los residuos se
concentran alrededor de cero, con una disminución gradual en la frecuencia a
medida que nos alejamos de cero.
• Leve asimetría: Sin embargo, se puede apreciar una ligera asimetría hacia la
derecha. Esto significa que hay algunos residuos con valores positivos más grandes
que los residuos con valores negativos de similar magnitud.
• Ausencia de valores atípicos: No se observan barras aisladas o muy alejadas del
resto, lo que indica que no hay valores atípicos que estén influyendo
significativamente en el modelo.

¿Qué podría indicar una distribución de residuos diferente?

Distribución no normal: Si los residuos no siguen una distribución aproximadamente

normal, podría indicar que los supuestos del modelo de regresión lineal no se cumplen.
Esto podría afectar la validez de las inferencias estadísticas basadas en el modelo.
Presencia de valores atípicos: Si hay una o varias barras muy alejadas del resto, esto podría
indicar la presencia de valores atípicos que están influyendo significativamente en el
modelo.

Heterocedasticidad: Si la varianza de los residuos cambia a medida que cambian los

valores predichos, esto se conoce como heterocedasticidad y puede violar los supuestos
del modelo.

• En esta gráfica, idealmente, los puntos deberían estar dispersos aleatoriamente

alrededor de la línea horizontal en cero, sin mostrar ningún patrón discernible. Esto
indicaría que los errores son independientes y que el orden en que se recolectaron
los datos no influye en los resultados.
• Fluctuaciones: Los residuos muestran una cierta tendencia a fluctuar, subiendo y
bajando de manera irregular.
• Ausencia de un patrón claro: Si bien hay fluctuaciones, no se observa un patrón
lineal ascendente o descendente, ni una tendencia cíclica clara.

• Muestra cómo cada factor individual influye en la respuesta de interés. En este

caso, la respuesta es el ABV (Alcohol By Volume) y los factores son: Temperatura,
% de inóculo y SG Gravedad Inicial.
• SG Gravedad Inicial: La relación más pronunciada se observa en este factor. A
medida que aumenta la gravedad inicial, el ABV también aumenta de manera
significativa. lo que sugiere que este factor tiene el mayor impacto en el resultado
final.
 • La gráfica muestra una interacción entre la temperatura y la gravedad específica
(SG) en relación con el porcentaje de alcohol por volumen (ABV).

Interpretación:

1. Ejes:

El eje horizontal (X) representa la temperatura en grados.

El eje vertical (Y) muestra el promedio ajustado de ABV (%).

2. Líneas:

Hay dos líneas que representan diferentes niveles de gravedad específica (SG):

Línea azul (SG = 1.040).

Línea roja discontinua (SG = 1.060).

3. Interacción:

Para SG = 1.040, el ABV aumenta con la temperatura, mostrando una pendiente positiva.

Para SG = 1.060, el ABV permanece constante independientemente de la temperatura.

Significado:

SG = 1.040: Existe un efecto significativo de la temperatura en el ABV, probablemente

porque la fermentación es más eficiente a mayor temperatura.

SG = 1.060: La temperatura no parece afectar el ABV, posiblemente porque el nivel más

alto de gravedad limita la conversión de azúcares en alcohol.

Esta gráfica sugiere que el impacto de la temperatura en el ABV depende del nivel inicial de
gravedad específica.
• ALFA=(2^3)^1/4 = 1.68179 ES EL PUNTO AXIAL, ES LA DISTANCIA DEL CENTRO
QUE VA POR FUERA DE LA ZONA EXPERIMENTAL, QUE VA A CAPTURAR LA ZONA
DE OPERATIVILIDAD DE LOS EQUIPOS.
• EN LA TESIS VA EN UNIDADES NO CODIFICADAS

• (-1,68179) Primer punto axial de temperatura de fermentación, me va indicar que

valor correr y considerar de temperatura
• En Minitab, los puntos axiales son puntos que se agregan a un diseño factorial para
estimar los términos cuadrados de los factores.
• Los puntos axiales se encuentran más allá de los niveles altos y bajos actuales de
los factores. Un diseño con puntos axiales proporciona más información sobre la
parte interna de la superficie de respuesta para modelar una curvatura más
complicada
• Aquí minitab te dice que consideres los puntos axiales.
• Prueba con la temperatura de 13,2955 que esta por fuera de la zona de
fermentación ya que viene de un punto -1.68 , ya que los valores son 15 y 20
•

• Temperatura de fermentación: La curva sugiere que existe un rango óptimo de

temperatura para maximizar el ABV. Un aumento inicial en la temperatura parece
favorecer un mayor ABV, pero después de cierto punto, el ABV podría estabilizarse o
incluso disminuir.
• Porcentaje de levadura: La tendencia ascendente indica que, en general, un mayor
porcentaje de levadura conduce a un mayor ABV. Esto es lógico, ya que la levadura
convierte los azúcares en alcohol, por lo que una mayor cantidad de levadura podría
resultar en una fermentación más completa y, en consecuencia, un ABV más alto.
• Gravedad del mosto: La curva ascendente indica que a mayor gravedad del mosto
(mayor cantidad de azúcar), mayor es el potencial alcohólico. Esto se debe a que la
levadura utiliza los azúcares del mosto como fuente de alimento para producir
alcohol.
• En este caso, nos muestran cómo la combinación de diferentes factores (temperatura
de fermentación, porcentaje de levadura y gravedad del mosto) influye en el
porcentaje de alcohol por volumen (%ABV) de una bebida, probablemente una
cerveza o vino.
• Cada gráfico representa una combinación específica de dos factores,
manteniendo el tercer factor constante. Los diferentes tonos de verde representan
rangos de %ABV.
• Líneas de contorno: Las líneas que separan los diferentes tonos de verde
representan puntos donde el %ABV es constante. Por ejemplo, una línea que separa
el verde claro del verde medio indica que todos los puntos a lo largo de esa línea
tienen un %ABV entre 4% y 5%.
• Zonas de mayor y menor %ABV: Las áreas con tonos de verde más oscuro indican
zonas donde el %ABV es más alto, mientras que las áreas con tonos más claros
indican zonas donde el %ABV es más bajo.
TABLA ANOVA (ANALISIS DE VARIANZA)
• Grados de libertad del error: Es la diferencia entre los grados de libertad totales y los
grados de libertad del modelo.
• Modelo (4 GL): Significa que hay 4 parámetros estimados en el modelo (incluyendo
la intersección).
• Error (11 GL): Indica que hay 11 observaciones independientes que contribuyen a
estimar la varianza del error.
• Temperatura: El valor p es muy bajo (0.004), lo que indica que la temperatura tiene
un efecto significativo sobre el ABV.
• %Inóculo: El valor p es muy bajo (0.000), lo que indica que el porcentaje de inóculo
también tiene un efecto significativo sobre el ABV.
• SG Gravedad Inicial: El valor p es extremadamente bajo (0.000), lo que indica que
la gravedad inicial tiene un efecto muy significativo sobre el ABV.
• Agitación (RPM): El valor p es relativamente alto (0.086), lo que sugiere que la
agitación no tiene un efecto estadísticamente significativo sobre el ABV en este
experimento, al menos al nivel de significancia convencional de 0.05.