Unidad II Diseño de
Experimentos
Herramientas Estadísticas
ITT 2021-1
Contenido
• Diseño de una vía
• Bloques aleatorios
• Diseño de dos vías
• Diseños factoriales
• Diseños 2k
• Diseños 3K
Diseño de Experimentos
El diseño de experimentos es la aplicación del método científico para generar
conocimiento acerca de un sistema o proceso, por medio de pruebas
planeadas adecuadamente. Esta metodología se ha ido consolidando como un
conjunto de técnicas estadísticas y de ingeniería, que permiten entender mejor
situaciones complejas de relación causa efecto.
Objetivo
El diseño de experimentos es una técnica estadística que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En
un diseño experimental se manipulan deliberadamente una o más variables,
vinculadas a las causas, para medir el efecto que tienen en otra variable de
interés.
El diseño experimental prescribe una serie de pautas relativas qué variables
que hay que manipular, de qué manera, cuántas veces hay que repetir el
experimento y en qué orden para poder establecer con un grado de confianza
predefinido la necesidad de una presunta relación de causa-efecto.
Definiciones básicas en el diseño de experimentos
Experimento
Es un cambio en las condiciones de operación de un sistema o
proceso, que se hace con el objetivo de medir el efecto del
cambio en una o varias propiedades del producto o resultado.
Unidad Experimental
Pieza(s) o muestra(s) que se utilizan para generar un valor que
sea representativo del resultado de prueba.
Variables, Factores y Niveles
Variables de respuesta: A través de estas variables se conoce el efecto o
resultado de cada prueba experimental.
Factores controlables: Son variables de proceso y/o características de los
materiales y los métodos experimentales que se pueden fijar en un nivel
dado.
Factores NO controlables: Son variables que no se pueden controlar
durante el experimento o la operación normal del proceso.
Factores estudiados: Son las variables que se investigan en el experimento
para observar como afectan o influyen en la variable de respuesta.
Niveles y Tratamientos
Los diferentes valores que se asignan a cada factor estudiado en
un diseño experimental se llaman niveles. Una combinación de
niveles de todos los factores estudiados se llama tratamiento o
punto de diseño.
Error Aleatorio y Experimental
Error Aleatorio: Es la variabilidad observada que no se puede
explicar por los factores estudiados; resulta del pequeño efecto
de los factores no estudiados y del error experimental.
Error Experimental: Componente del error aleatorio que refleja
los errores del experimentador en la planeación del experimento
Factores y variables en la fabricación de un
envase de plástico
Factores de diseño (fáciles de controlar):
Tiempo de ciclo, presión del molde, velocidad de
tornillo,
temperatura, tiempo de curado, contenido de
humedad XX…
1 2
Xk
YY1 2
Características de
Materia Proce Y k calidad:
prima so
encogimiento, dureza,
color,
costo, textura
Z1 Z2 … Zk
Factores de ruido (difíciles de controlar):
• Parámetros de calidad del proveedor
• Química del plástico
• Otras variables del proceso
• Variables ambientales
Materia prima
Etapas en el diseño de experimentos
Un aspecto fundamental del diseño de experimentos es decidir cuáles pruebas
o tratamientos se van a realizar y cuántas repeticiones de cada uno se
requieren, de manera que se obtenga la máxima información al mínimo costo
posible.
Para que un estudio experimental sea exitoso es necesario realizar, por
etapas, diferentes actividades. En este sentido, la etapa más importante y a la
que se le debe dedicar mayor tiempo es la planeación.
Planeación y realización.
1. Entender y delimitar el problema u objeto de estudio. En la etapa de
planeación se deben hacer investigaciones preliminares que conduzcan a
entender y delimitar el problema u objeto de estudio, de tal forma que quede
clara qué se va a estudiar, por que es importante y, si es un problema, cual es
la magnitud del mismo.
2. Elegir la(s) variable(s) de respuesta que será medida en cada
punto del diseño y verificar que se mide de una manera confiable. La
elección de esta variable es vital ya que en ella se refleja el resultado de
las pruebas. Por ello, se deben elegir aquellas que mejor reflejen el
problema o caractericen al objeto de estudio. Además se debe tener
confianza en que las mediciones que se obtengan sobre estas variables
sean confiables.
3. Determinar cuáles factores deben investigarse, de acuerdo a la
supuesta influencia que tienen sobre la respuesta. No se trata de que
el experimentador tenga que saber a priori cuáles factores influyen,
puesto que para eso es el experimento, pero sí de que utilice toda la
información disponible para incluir aquellos que se considera que tienen
un mayor efecto.
4. Seleccionar los niveles de cada factor, así como el diseño
experimental adecuado a los factores que se tienen y al objetivo del
experimento. Este paso también implica determinar cuántas repeticiones
se harán para cada tratamiento, tomando en cuenta el tiempo, el costo y
la precisión deseada.
5. Planear y organizar el trabajo experimental. Con base en el diseño
seleccionado, organizar y planear con detalle el trabajo experimental, por
ejemplo, las personas que van a intervenir, la forma operativa en que se
harán las cosas.
6. Realizar el experimento. Seguir al pie de la letra el plan previsto en la
etapa anterior, y en caso de algún imprevisto, determinar a qué persona
se le reportaría y lo que se haría.
Análisis
En esta etapa no se debe perder de vista que los resultados experimentales
son observaciones muestrales, no poblacionales. Por ello, se debe recurrir
a métodos estadísticos inferenciales para ver si las diferencias o efectos
muestrales (experimentales) son lo suficientemente grandes para que
garanticen diferencias poblacionales (o a nivel proceso). La técnica
estadística central en el análisis de los experimentos es el llamado análisis
de varianza ANOVA
Interpretación
Aquí, con el respaldo del análisis estadístico formal, se debe analizar con
detalle lo que ha pasado en el experimento, desde contrastar las conjeturas
iniciales con los resultados del experimento, hasta observar los nuevos
aprendizajes que sobre el proceso se lograron, verificar supuestos y elegir el
tratamiento ganador, siempre con apoyo de las pruebas estadísticas
Control y conclusiones finales
Para concluir el estudio experimental se recomienda decidir qué medidas
implementar para generalizar el resultado del estudio y para garantizar que
las mejoras se mantengan. Además, es preciso organizar una presentación
para difundir los logros.
Clasificación y selección de los diseños experimentales
Existen muchos diseños experimentales para estudiar la gran diversidad de
problemas o situaciones que ocurren en la práctica. Esta cantidad de diseños
hace necesario saber cómo elegir el más adecuado para una situación dada
y, por ende, es preciso conocer cómo es que se clasifican los diseños de
acuerdo con su objetivo y su alcance. Los cinco aspectos que más influyen en
la selección de un diseño de experimentos:
1. El objetivo del experimento.
2. El número de factores a estudiar.
3. El número de niveles que se prueban en cada factor.
4. Los efectos que interesa investigar (relación factores-respuesta).
5. El costo del experimento, tiempo y precisión deseada.
Clasificación de los Diseños Experimentales
Diseño completamente al azar y ANOVA
Muchas comparaciones, como las antes mencionadas, se hacen con base en el
diseño completamente al azar (DCA), que es el más simple de todos los
diseños que se utilizan para comparar dos o más tratamientos, dado que sólo
consideran dos fuentes de variabilidad: los tratamientos y el error aleatorio.
Este diseño se llama completamente al azar porque todas las corridas
experimentales se realizan en orden aleatorio completo. De esta manera, si
durante el estudio se hacen en total N pruebas, éstas se corren al azar, de
manera que los posibles efectos ambientales y temporales se vayan repartiendo
equitativamente entre los tratamientos.
ANOVA para el diseño completamente al azar (DCA)
El análisis de varianza (ANOVA) es la técnica central en el análisis de datos
experimentales. La idea general de esta técnica es separar la variación total
en las partes con las que contribuye cada fuente de variación en el
experimento. En el caso del DCA se separan la variabilidad debida a los
tratamientos y la debida al error.
Cuando la primera predomina “claramente” sobre la segunda, es cuando se
concluye que los tratamientos tienen efecto, o dicho de otra manera, las
medias son diferentes.
Cuando los tratamientos no dominan, contribuyen igual, o menos que el
error, por lo que se concluye que las medias son iguales.
ANOVA es un método estadístico usado para comparar las medias de dos o
más grupos
Variabilidad Total Variabilidad Total
ANOVA basa su funcionamiento en la comparación de la varianza entre
las medias de los grupos y la varianza dentro de los grupos. De esta
manera, podemos determinar si todos los grupos forman parte de una
población más grande o, por el contrario, pertenecen a una población
diferente con características distintas.
Para calcular ANOVA, debe tener una variable de respuesta continua y al
menos un factor categórico con dos o más niveles. Los análisis ANOVA
requieren datos de poblaciones que sigan una distribución
aproximadamente normal con varianzas iguales entre los niveles de
factores.
Análisis de Varianza – ANOVA.
Para el análisis de varianza se utilizara F como la distribución del estadístico
de prueba, siendo algunas de las características de la distribución F las
siguientes.
∙ Adopta únicamente valores positivos
∙ Es asimétrica positiva, y a medida que aumentan los grados de libertad del
numerador y denominador, la distribución se aproxima a una distribución
normal.
∙ Para cada tamaño de muestra existe una distribución diferente
∙ El parámetro que caracteriza a la distribución F son sus grados de libertad.
Análisis de Varianza – ANOVA.
Efectos fijos
Se incluyen y se estudian todos los niveles o tratamientos de un factor
previamente fijados por el experimentador.
Efectos aleatorios
Se incluye una muestra aleatoria del conjunto de posibles niveles o tratamientos
(sacando conclusiones sobre el total de los niveles)
Mixtos
Se consideran algún factor con efectos fijos y otros con efectos aleatorios.
Análisis de Varianza – ANOVA.
Diseño balanceado o equilibrado.
Es cuando se utiliza el mismo número de repeticiones en cada tratamiento
Diseño desbalanceado.
El número de observaciones NO es el mismo en todos los niveles o
combinaciones consideradas.
El ANOVA de un factor
El primer diseño que presentamos es el diseño completamente aleatorio de
efectos fijos y la técnica estadística es el análisis de la varianza de una vía o
un factor. La descripción del diseño así como la terminología subyacente la
vamos a introducir mediante el siguiente supuesto práctico.
Tabla ANOVA
Fuente de Suma de Grados Cuadrad
Variación Cuadrado de o Medio F
s Libertad
Regresión K-1 SCR / G.L. CMR/CME
Error n-k SCE / G.L.
Total n-1
K = numero de
poblaciones/columnas
n = numero total de observaciones
Suma de cuadrados
SST
Suma de cuadrados
totales
SSC SSE
Suma de Suma de
cuadrados cuadrados
ENTRE/COLUMNAS DENTRO/ERROR
Ejemplo
Un equipo de mejora investiga el efecto de 4
métodos de ensamble A,B,C y D, sobre el Método de Ensamble
tiempo de ensamble en minutos.
A B C D
En primera instancia, la estrategia
experimental es aplicar cuatro veces los 6 7 11 10
cuatro métodos de ensamble en orden 8 9 16 12
completamente aleatorio. Los tiempos de 7 10 11 11
ensamble obtenidos se muestran en la tabla 8 8 13 9
siguiente:
Si se usa un diseño completamente al azar
(DCA), se supone que, además del método
de ensamble, no existe otro factor que
influya de manera significativa sobre la
variable de respuesta (tiempo de ensamble),
el nivel de significancia es de 5%.
Solución
Métod ANOVA 🡪 UN SOLO FACTOR 🡪 Los
oA B C datos de respuestas están en una
D columna separada para cada nivel de
6 7 11 factor 🡪 Respuestas A B C D
10
8 9 16
12
7 10 11
Análisis11
de Varianza
Fuente 8GL 8SC Ajust.
13 MC Ajust.
Valor F 9Valor p
Factor 3 69.50 23.167 9.42
0.002
Error 12 29.50 2.458
Total 15 99.00
R-cuad.
(ajustado R-cuad.
S R-cuad. ) (pred)
1.56791 70.20% 62.75% 47.03%
Comparaciones o Pruebas de Rangos Múltiples.
Si se rechaza la hipótesis nula en el análisis de varianza, es necesario
establecer cuáles tratamientos son diferentes. Para realizar este proceso es
necesario probar la igualdad de todos los posibles pares de medias, a
través del método de comparaciones múltiples o pruebas de rangos
medios, el cual tiene como propósito la evaluación de las siguientes
Hipótesis:
Ho: µ1 = µ2
H1: µ1 ≠ µ2
Para este propósito existen diferentes estrategias tales como:
✔ Método LSD (Método de diferencia minima
significativa)
✔ Método de Tukey
✔ Método de Duncan
Análisis de Varianza (ANOVA) 2 Factores
Diseño de Bloques Completamente al Azar.
El diseño de bloques al azar consiste en dividir el experimento en bloques y
tratamientos, tal que las unidades experimentales en cada bloque sean lo más
homogéneas y las diferencias entre las unidades experimentales sean dadas por
estar en diferentes bloques.
En el diseño completamente al azar se consideran 3 fuentes de variabilidad: el factor
de tratamientos, el factor de bloque y el error aleatorio (Gutiérrez, 2008), por lo que
la variabilidad que presenten los datos pueden ser de estas tres fuentes.
El factor bloque son las variables adicionales al factor de interés que se incorporan
de manera explícita en un experimento comparativo para sesgar la comparación
(Gutiérrez, 2008).
Análisis de Varianza (ANOVA) 2 Factores
Diseño de Bloques Completamente al Azar.
La palabra completo en el nombre del diseño se debe a que en cada bloque se
prueban todos los tratamientos, o sea, los bloques están completos. La aleatorización
se hace dentro de cada bloque. El hecho de que existan bloques hace que no sea
práctico o que incluso sea imposible aleatorizar en su totalidad.
Cuando se utiliza el DBCA el resultado esperado de cada medición dependerá del
efecto del tratamiento, del efecto del bloque y de cierto error aleatorio esperado.
Análisis de Varianza (ANOVA) 2 Factores
El ANOVA consiste en separar la variación total observada en cada una de las
fuentes que contribuyen a la misma. Por lo que la hipótesis nula se establecerá a
partir de un análisis de varianza con dos criterios de clasificación, a partir de las
dos fuentes de variación que se analizan y que son: el factor de tratamientos y el
factor de bloques.
Por lo que la hipótesis a probar la igualdad, con respecto a las media de la
variable de respuesta correspondiente, se establece como:
• En el ANOVA de una vía seleccionábamos una muestra al azar
para cada columna o grupo.
• En el ANOVA de dos vías nos permite ¨contabilizar¨ la variación en
nivel de renglón debido a otro factor o grupo.
• Al añadir bloques o factores al renglón podemos ¨restarle¨ esa
varianza del error global de la varianza.
• Esto nos permite un mayor enfoque en las diferencias de las
columnas o grupos haciendo mas sencillo detectar diferencias
entre los grupos.
• Estamos tratando de minimizar la varianza del error encontrando
que alguna proporción del error esta en las renglones.
• Entonces tendremos 4 tipos de suma de cuadrados:
SUMA DE
CUADRADOS
SS SS SS SS
T
TOTAL
C
COLUMNA
B
BLOQUE
E
ERROR
S S
Donde:
SSB = Suma de cuadrados de Bloques
Bt = Es el total del renglón o bloque
K = Es el numero de tratamientos de cada bloque
n = número total de observaciones.
Las opciones de ANOVA
ANOVA un factor
ANOVA dos factores sin replica
ANOVA dos factores con replica
Ahora veremos ANOVA dos factores sin replica, también llamado
“Diseño de Bloques Completos al Azar”
El diseño de bloques al azar consiste en dividir el experimento en bloques y
tratamientos, tal que las unidades experimentales en cada bloque sean lo
más homogéneas y las diferencias entre las unidades experimentales sean
dadas por estar en diferentes bloques.
En el diseño completamente al azar se consideran 3 fuentes de variabilidad:
el factor de tratamientos, el factor de bloque y el error aleatorio por lo que la
variabilidad que presenten los datos pueden ser de estas tres fuentes.
ANOVA de dos vías sin replica
SST
Suma de cuadrados
totales
SSC SSE
Suma de Suma de
cuadrados cuadrados
ENTRE/COLUMNAS DENTRO/ERROR
SSB SSE
Suma de Suma de
cuadrados cuadrados
BLOQUE DENTRO/ERROR
De tal manera que ahora tendremos 4 sumas de cuadrados:
1) Total = 2) Columnas o grupos + 3) Renglones o bloques + 4) Error
Asignar a cierta proporción de la variación a factores o variables
especificas es el corazón de la regresión simple o múltiple. De hecho, el
poder explicativo de la regresión lineal esta basada en el ANOVA.
Ejemplo:
La cadena Starbucks usa “compradores secretos” que aparentan ser
clientes para documentar su experiencia en términos de servicio al cliente,
limpieza y calidad, fueron entrenados por Starbucks para asegurar
consistencia y objetividad en sus evaluaciones. Para sus locales de 3
ciudades de Australia, Sydney, Brisbane y Melbourne, la compañia a
entrenado a 6 compradores secretos que visitaran cada una de las 3
ciudades. Las visitas fueron asignadas alazar.
Que hace que este sea un problema adecuado para ANOVA de dos vías? Es
que los propios compradores secretos tienen su propia variación natural. El
ANOVA de dos vías nos permite tomar en cuenta esta variación de los
compradores secretos para determinar mejor si hay diferencias entre las
ciudades sin la variación de los compradores secretos nublen o cubran las
diferencias entre ciudades.
ANOVA de dos vías sin replica
Columna
s
Compradore X. de los
Sydney Brisbane Melbourne
s bloques
1 75 75 90 X.1 = 80
Bloques
2 70 70 70 X.2= 70
3 50 55 75 X.3 = 60
4 65 60 85 X.4 = 70
5 80 65 80 X.5 = 75
6 65 65 65 X.6 = 65
X. = 67,5 X. = 65 X.= 77,5 X.. =70
La gran media de todas los 18 resultados X.. = 70
ANOVA de dos vías sin replica
SST: Encontrar la diferencia entre cada punto de datos y la gran media.
Elevar alcuadrado la diferencia y sumarlas. En este caso habrá 18
desviaciones al cuadrado
SSC: Encuentrar la diferencia entre cada grupo de medias y la gran
media, elevar al cuadrado y sumar.
SSB: Encontrar la diferencia entre cada bloque / renglón y la gran media,
elevar al cuadrado cada desviación y sumar. En este caso habrá 6
desviaciones al cuadrado.
La relación entre la variancia del bloque y la varianza
del error.
SS MS
B B
SS GL MS
E E
Estamos interesados en la varianza de columnas, SSC como
parte de SST pero debemos tomar en cuenta la variacion entre
los bloques .
Al introducir bloques nos permite reducir SSE aún más al separar el SSE
original (como en ANOVA de un factor en SSB y un más pequeño SSE).
Si SSC es más grande que el reducido SSE, probablemente hay diferencias
en las columnas.
Al comparar SSC contra el reducido SSE hace la prueba más sensible y
poderosa.
Diseños Factoriales
Diseños Factoriales Generalidades
Diseño Factorial. Es el arreglo factorial que sirve para estudiar el efecto individual y de
interacción de varios factores sobre una o varias respuestas
Arreglo Factorial. Conjunto de puntos experimentales o tratamientos que pueden
formarse al considerar todas las posibilidades de combinaciones de los niveles de los
factores
Efecto de un factor. Es el cambio observado en la variable de respuesta debido a un
cambio de nivel de un factor
Efecto principal. Es igual a la respuesta promedio observada en el nivel alto de un factor,
menos la respuesta promedio en el nivel bajo
Diseños Factoriales
▪ Un factor puede ser considerado como un conjunto de tratamientos relacionados o
clasificaciones similares
▪ Cada miembro del conjunto de tratamientos relacionados pertenecientes al factor se
considera un nivel de dicho factor
▪ La necesidad de estudiar conjuntamente varios factores se debe a la posibilidad de
que exista interacción entre los mismos
▪ La ventaja principal de usar un diseño factorial es que permite examinar los efectos
de la interacción de cada combinación de factores sobre la variable de respuesta
analizada
▪ Uno de los objetivos principales de un diseño factorial es determinar la
combinación de niveles de los factores en la que el desempeño del proceso sea
mejor
Diseños Factoriales
Los factores (variables de entrada) analizados pueden ser del tipo:
Cualitativo.- Sus niveles toman valores discretos o del tipo nominal, como por ejemplo
maquinas, tipo de material, operador, método, marcas, etc.
Cuantitativo.- Son los factores que pueden tomar cualquier valor dentro de una escala
continua, como pueden ser el peso, tiempo, distancia, temperatura, presión, etc.
Ejemplo: En un proceso de fermentación tequilera se tienen el factor levadura que se
desea probar en los niveles de 1 y 2 y el factor temperatura que se desea probar en los
niveles de 22° y 30°. Los resultados obtenidos son 28, 41, 63 y 45 respectivamante.
Diseños Factoriales
Representación grafica del efecto principal de un factor se
establece ubicando los niveles del factor en el eje horizontal y
la media de la respuesta observada de los niveles
correspondientes en el eje vertical
Representación grafica del efecto de interacción se realiza
indicando la magnitud de la variable de respuesta en el eje
vertical y uno de los factores con sus respectivos niveles se
representa en el eje horizontal, posteriormente en dirección
vertical de cada uno de estos niveles se anota un punto que
represente la respuesta promedio en cada nivel del otro factor
Efecto de interacción. Dos factores interactúan de manera significativa sobre la
variable de respuesta cuando el efecto de uno depende del nivel en el que esta el otro
Sin interacción Interacción Interacción
moderada Fuerte
Diseños Factoriales
La familia de diseños factoriales consiste en k factores con n niveles de prueba, entre los que se pueden
identificar las familias:
▪ Diseños factoriales 2 K
▪ Diseños factoriales 2 K-P
▪ Diseños factoriales 3 K
▪ Diseños factoriales Mixtos
Diseños Factoriales
Ventajas de los diseños factoriales:
1.-Permiten estudiar el efecto individual y de interacción de los distintos factores
2.- Son diseños que se pueden aumentar para formar diseños compuestos en caso de
que se requiera una exploración más completa.
3.- Se pueden correr fracciones de diseños factoriales, los cuales son de gran utilidad en
las primeras etapas de una investigación que involucra a muchos factores, cuando
interesa descartar de manera económica los que no son importantes, antes de hacer un
estudio más detallado con los factores que si son importantes
4.- Pueden utilizarse en combinación con diseño de bloques en situaciones en las que no
puede correrse todo el diseño factorial bajo las mismas condiciones.
5.- La interpretación y el cálculo de los efectos en los experimentos factoriales se puede
realizar con aritmética elemental, en particular cuando cada factor se prueba en dos
niveles.
Diseños Factoriales
Diseños Factoriales
Diseños Factoriales
Notación de Yates
Contraste A = ( a + ab – b – (1) ) )
Diseños Factoriales
Diseños Factoriales
La ecuación a utilizar para determinar la diferencia Solo de
mínima significativa (LSD) es: Referenci
a
El más
A B A B A B A A B
usado
A B Notación
B de Yates
Trat. 1 bajo bajo ‘- - ‘ 0 0 -1 -1 (1)
Trat. 2 alto bajo ‘+ - ‘1 0 1 -1 a
Trat. 3 bajo alto ‘- + ‘0 1 -1 1 b
Trat. 4 alto alto ‘+ +- ‘1 1 1 1 ab
Diseños Factoriales
Diseño Réplicas Recomendadas Número de Tratamientos
22 3o4 12, 16
23 2 16
24 1o2 16, 32
25 Fracción 25-1 o 1 16, 32
26 Fracción 26-1 o Fracción 26-2 16, 32
27 Fracción 27-1 o Fracción 27-2 16, 32
Superficie de contorno Gráfico de contorno
(1,1,1)
(-1,1,1)
(1,-1,1)
(-1,-1,1)
Factor C
(1,1,-1)
(-1,1,-1)
r B
c to
(-1,-1,-1) (1,-1,-1) Fa
Factor A
Efecto Principal Interacción Doble Inter. Triple Notación
A B C AB AC BC ABC de Yates
- - - + + + - (1)
+ - - - - + + a
- + - - + - + b
+ + - + - - - ab
- - + + - - + c
+ - + - + - - ac
- + + - - + - bc
+ + + + + + + abc
Trat. R1 R2
1 -1 -1 -1 .040 .032
2 1 -1 -1 .012 .008
3 -1 1 -1 .036 .028
4 1 1 -1 .000 .000
5 -1 -1 1 .020 .020
6 1 -1 1 .000 .016
7 -1 1 1 .016 .008
8 1 1 1 .004 .004
Ejercicio
En una empresa del área electrónica se quieren minimizar los problemas generados en el proceso
conocido como “Soldadora de ola”. Los defectos que se quieren reducir son insuficiencias de
soldadura en las tarjetas. Los factores y niveles que inicialmente se decide estudiar son: velocidad
de conveyor (4 y 7 pies/minuto), temperatura de precalentado (80 y 120°C), y temperatura de
soldadura (470 y 500°C). Debido a que el proceso es muy rápido (se suelda una tarjeta cada 10 a
15 segundos) se decide soldar en cada condición de prueba 25 tarjetas. La variable de respuesta es
la cantidad de insuficiencias detectadas en los diferentes puntos de soldadura de las 25 tarjetas. Se
hicieron dos réplicas. La matriz de diseño y los datos obtenidos se muestran a continuación:
a) Haga un análisis completo y determine los efectos más
importantes, el ANOVA y el análisis de residuos.
b) Al parecer, la interacción velocidad-precalentado es
importante, de ser así realice una interpretación detallada de tal
interacción en términos físicos.
c) ¿Cuáles serían las condiciones de operación del proceso que
podrían utilizarse para reducir la cantidad de insuficiencias?
Analice las opciones disponibles.
A B C D Y1 Y2
- - - - 7.037 6.376
+ - - - 14.707 15.219
- + - - 11.635 12.089
+ + - - 17.273 17.815
- - + - 10.403 10.151
+ - + - 4.368 4.098
- + + - 9.360 9.253
+ + + - 13.440 12.923
- - - + 8.561 8.951
+ - - + 16.867 17.052
- + - + 13.876 13.658
+ + - + 19.824 19.639
- - + + 11.846 12.337
+ - + + 6.125 5.904
- + + + 11.190 10.935
+ + + + 15.653 15.053
Tratamiento A B A B A B
1 Bajo bajo -1 -1 0 0
2 Medio bajo 0 -1 1 0
3 Alto bajo 1 -1 2 0
4 Bajo medio -1 0 0 1
5 Medio medio 0 0 1 1
6 Alto medio 1 0 2 1
7 Bajo alto -1 1 0 2
8 Medio alto 0 1 1 2
9 Alto alto 1 1 2 2
FV SC GL CM Fo Valor-P
A 2 CMA P(F > Fo)
B 2 CMB P(F > Fo)
AB 4 CMAB P(F > Fo)
Error CME
Total
n = número de replicas
n = número de
replicas
Ejercicio
Temperatura
Humedad Frio Ambiente Caliente
50% 1.5 1.2 3.5 3.2 4.0 4.2
70% 1.4 1.3 2.9 2.5 3.8 3.4
90% 0.8 1.2 1.8 2.0 2.7 3.0
FIN!
