Tutorial Minitab 15. Diseños de Experimentos Con Un Factor. Dca. Dbca. Dcl. Dcgl.

Curso-Taller.
MINITAB 15
APLICACIONES ESTADISTICAS.
DOE.
EXPERIMENTOS
CON UN SOLO FACTOR
(DCA, DBCA, DCL y DCGL)
Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica
Instituto Tecnolgico de Puebla
Curso-Taller. MINITAB 15.
Experimentos con un solo factor.
APLICACIONES ESTADISTICAS
Experimentos DCA.

Un experimento de este tipo permite comparar dos o ms
tratamientos de un solo factor para conocer la influencia o
efecto que dichos tratamientos tienen sobre una variable de
respuesta.
Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla
Clasificacin de los experimentos con un solo factor
Clasificacin de los experimentos

con un solo factor.
Los diseos de experimentos con un solo factor se clasifican
en:
Diseos completamente aleatorios (DCA).
Diseos de bloques completamente aleatorios (DBCA).

Diseos en Cuadro latino
Diseos en Cuadro grecolatino
Experimentos DCA con un factor.
Diseo completamente
aleatorizado con un factor
(DCA).
Definicin
Diseo completamente al azar, DCA.

El DCA es el ms simple de todos los diseos que se utilizan
para comparar dos o ms tratamientos. Se llama completamente
al azar en razn de que las unidades experimentales (personas,
operadores, mquinas, muestras, tiempo, etc.), se asignan de
manera aleatoria en todas las corridas o pruebas experimentales,
con el objetivo de distribuir uniformemente entre los niveles de
factor los riesgos provocados por la heterogeneidad de dichas
unidades experimentales (la asignacin aleatoria elimina sesgos
que pudieran resultar mediante asignacin sistemtica).
Modelo estadstico lineal
Modelo estadstico lineal

En un diseo de experimentos completamente aleatorizado, en el
que interviene solamente un factor, el modelo fundamental es
Experimentos DCA con un factor con efectos fijos
.Contrastes de hiptesis
Contrastes de hiptesis en el DCA

con efectos fijos.
En un experimento tipo DCA el inters est centrado en comparar
la igualdad de las medias de los k tratamientos, mediante las
hiptesis a probar siguientes (que se deducen directamente del
modelo asociado al diseo).
Lo cual se puede escribir en forma equivalente como:
.Contrastes de hiptesis
Donde
es el efecto del tratamiento i sobre la variable de
respuesta. Si se acepta H0 se confirma que los efectos sobre la
respuesta de los k tratamientos son estadsticamente nulos
(iguales a cero), y en caso de rechazar se estara concluyendo que
al menos un efecto es diferente de cero.
Representacin de las medias y de los

efectos de los tratamientos en el DCA.
En la figura se representa el DCA. En la figura se observa que i = i ; el

efecto del tratamiento i, es la distancia entre la respuesta media del
tratamiento, i , y la respuesta media global, . As, se observa que para que
todas las respuestas medias de tratamientos sean iguales a la respuesta
media global, , representada por la lnea horizontal, se requiere que todos
los efectos i sean iguales a cero.
.Anlisis de varianza, ANOVA
ANOVA para el modelo DCA de

efectos fijos.
Mediante el ANOVA se prueban las hiptesis sobre la igualdad de
los efectos de los tratamientos con respecto a la media de la
variable de respuesta. El ANOVA hace la particin de la variabilidad
total de los datos muestrales en dos partes componentes: la
variacin entre tratamientos, SCTRAT, y la variacin dentro
tratamientos, SCE, segn:
SCT = SCTRAT + SCE
Y los respectivos grados de libertad de cada una de ellas son:

(N 1) = (k 1) + (N k)
donde k son los tratamientos o niveles del factor y N el nmero
total de observaciones.
.Anlisis de varianza, ANOVA
Recurdese que las sumas de cuadrados divididos entre sus

respectivos grados de libertad se llaman cuadrados medios (CM),
y es una estimacin de la magnitud de su correspondiente fuente
de variabilidad. Los dos que ms interesan son el cuadrado medio
de tratamientos, CMTRAT y el cuadrado medio del error, CME, que
se denotan por:
Con esto, el estadstico de prueba con distribucin F para validar

las hiptesis en el DCA, queda dado por:
Con k-1 grados de libertad en el numerador y N - k grados de

libertad en el denominador.
Tabla ANOVA
Tabla ANOVA para un DCA.

Fuente de
variacin
Grados
de libertad
Suma de
cuadrados
Cuadrados
medios
FCAL
FTABLAS
Tratamientos
k1
SCTRAT
CMTRAT
CMTRAT/CME
F(; a-1, abn-1)
Error
N-k
SCE
CME
Total
N-1
SCT
Para probar las hiptesis planteadas, Minitab se apoya en

valores-p. Si el valor-p es menor que o igual al nivel de
significacin elegido, se debe concluir que el efecto de los
tratamientos est activo o influye en la variable de respuesta; si el
valor-p es mayor que el nivel de significacin elegido, se debe
concluir que el efecto de los tratamientos no est activo o no
influye en la variable de respuesta.
Pruebas de comparacin mltiple en el DCA.
Pruebas de comparacin mltiple en

el DCA.
Una vez que el estudio de varianza determina una diferencia
significativa entre las a medias poblacionales, se hace necesario
determinar qu tratamientos son diferentes. Si bien existen varios
procedimientos para determinar cules de las a medias son
significativamente diferentes entre s, en seguida se mencionan
cuatro de las pruebas ms comunes: Mtodo LSD (Mtodo de
Fisher), Mtodo de Tukey, Mtodo de Duncan y Mtodo de
Dunnet. La diferencia primordial entre estos mtodos radica en la
potencia que tienen para detectar las diferencias entre las medias.
Se dice que una prueba es ms potente si es capaz de detectar
diferencias ms pequeas.
Prueba de Fisher.
Mtodo LSD (Prueba de Fisher).

El mtodo LSD de Fisher compara las medias para cada par de
niveles de factor utilizando el nivel de significancia individual que
usted seleccione. Tenga en cuenta que el nivel de significancia por
familia, que es la probabilidad de cometer uno o ms errores de
tipo I para todo el conjunto de comparaciones, ser mayor que el
nivel de significancia para cada comparacin individual.
Los resultados se presentan como un conjunto de intervalos de
confianza para la diferencia entre pares de medias. Utilice los
intervalos para determinar si las medias son diferentes. Si un
intervalo no contiene cero, existe una diferencia estadsticamente
significativa entre las medias correspondientes. Si el intervalo s
contiene cero, la diferencia entre las medias no es
estadsticamente significativa.
Prueba de Tukey.
Prueba de Tukey.
Este mtodo compara las medias para cada par de niveles de
factor utilizando un nivel de significancia por familia para
controlar la tasa de errores de tipo I. El nivel de significancia por
familia es la probabilidad de cometer uno o ms errores de tipo I
para todo el conjunto de comparaciones.
El mtodo ajusta el nivel de confianza individual, de acuerdo con el
nivel de significancia por familia que usted elija.
confianza para la diferencia entre pares de medias. Utilice los
intervalos para determinar si las medias son diferentes. Si un
intervalo no contiene cero, existe una diferencia estadsticamente
significativa entre las medias correspondientes. Si el intervalo s
contiene cero, la diferencia entre las medias no es
Prueba de Dunnet.
Prueba de Dunnett.
Este mtodo compara la media de cada nivel con la media de un
nivel de control. El nivel de control comnmente es un estndar
con el que usted desea comparar todos los dems niveles. Este
mtodo utiliza un nivel de significancia por familia (comnmente
denominado nivel de significancia por familia) para controlar la tasa
de error de tipo I. El nivel de significancia por familia es la
probabilidad de cometer uno o ms errores de tipo I para todo el
conjunto de comparaciones. El mtodo de Dunnett ajusta el nivel
de significancia para comparaciones individuales (nivel de
significancia individual), de acuerdo con el nivel de significancia
por familia que usted elija. Los resultados se presentan como un
conjunto de intervalos de confianza para las diferencia entre la
media del nivel de control y las otras medias de los niveles del
factor. Utilice los intervalos para determinar si las medias son
diferentes. Si un intervalo no contiene cero, existe una diferencia
estadsticamente significativa entre las medias correspondientes.
Si el intervalo s contiene cero, la diferencia entre las medias no es
Prueba de MCB de Hsu.
Prueba de MCB de Hsu.

El mtodo de Hsu compara la media de cada nivel de factor con la
mejor media de nivel de factor restante. Se debe especificar si la
media ms pequea o la ms grande se considera la mejor.
Este mtodo utiliza un nivel de significancia por familia
(comnmente denominado nivel de significancia por familia) para
controlar la tasa de error de tipo I . El nivel de significancia por
familia es la probabilidad de cometer uno o ms errores de tipo I
para todo el conjunto de comparaciones. Esta tasa se debe
establecer antes de utilizar el mtodo.
confianza para la diferencia entre medias. Si un intervalo tiene cero
como cota, existe una diferencia estadsticamente significativa
entre las medias correspondientes. Si el intervalo no tiene cero
como cota, la diferencia entre medias no es estadsticamente
significativa.
Seleccin del mtodo de comparacin mltiple
Seleccin del mtodo de comparacin

mltiple.
Para elegir cul mtodo de mltiples comparaciones utilizar,
considerar lo siguiente. La diferencia entre el mtodo de Tukey y el
de Fisher es el nivel de significancia que se selecciona. En el
mtodo de Tukey, se selecciona el nivel de significancia por familia
y los niveles de significancia individuales se ajustan segn
corresponda. Sin embargo, en el mtodo de Fisher se establece el
nivel de significancia individual. Para un nivel de significancia por
familia dado, los mtodos de Dunnett y Hsu son ms potentes
(tienen mayor probabilidad de detectar un efecto) que el mtodo
de Tukey. Por supuesto, estos mtodos tambin proveen menos
comparaciones, as que primero debe asegurarse de que sean
apropiados. Para un nivel de significancia por familia dado, el
mtodo de Hsu es ms potente que el de Dunnett. Sin embargo,
las dos pruebas hacen comparaciones diferentes, as que primero
debe asegurarse de que sea apropiado.
Verificacin de los supuestos del modelo
Verificacin de los supuestos del

modelo.
La validez de los resultados obtenidos en cualquier anlisis de
varianza con un solo factor, queda supeditado a que los supuestos
del modelo se cumplan. Estos supuestos son:
Normalidad
Varianza constante
Independencia
Esto es, la respuesta (Y) en cada tratamiento se debe distribuir de
manera normal, con la misma varianza en cada tratamiento, y las
mediciones deben ser independientes. Estos supuestos sobre Y se
traducen en supuestos sobre el trmino error () en el modelo. Si
los supuestos se cumplen, los residuos se distribuyen de manera
normal con media cero y varianza constante, por lo que el modelo
ajustado resultar adecuado.
Verificacin de los supuestos del modelo
Los supuestos del modelo se verifican principalmente con mtodos

grficos. Minitab genera grficas de residuos para examinar las
bondades del ajuste del modelo. Estas grficas son: grfica de
probabilidad normal de residuos, Histograma de residuos,
Residuos versus valores ajustados y Residuos versus orden.
Tambin ofrece la opcin de la grfica Cuatro en uno, que
presenta cada una de las grficas individuales en un solo plano
grfico.
Grfica de probabilidad normal e histograma.
Sirven para verificar visualmente si los residuos
siguen una distribucin de probabilidad normal.
Grfica de varianza constante.

Se cumple el supuesto de que los tratamientos tienen igual
varianza si los puntos se distribuyen de manera aleatoria
en una banda horizontal (sin ningn patrn claro y
contundente).
Grfica de independencia.
Verifica el supuesto de independencia. Si el
comportamiento de los puntos es aleatorio dentro de
una banda horizontal, el supuesto se cumple.
Eleccin del tamao de muestra
Eleccin del tamao de muestra.

Una decisin importante en cualquier diseo de experimentos es
decidir el nmero de rplicas que se har por cada tratamiento. En
general, si se interesa en detectar efectos pequeos, se necesitan ms
rplicas que cuando se desee la deteccin de efectos grandes.
Para calcular el tamao de muestra, elija: Estadsticas > Potencia y

tamao de la muestra > ANOVA de un solo factor.
Ejemplo:
Supongamos que se desea iniciar
Una investigacin para determinar si
4 tratamientos afectan o no el rendimiento de
un producto utilizando 5 observaciones por
tratamiento. Se sabe que la media del grupo
de control debe estar alrededor de 8, y desea
encontrar diferencias significativas de +4.
De este modo, la diferencia mxima que se est
considerando es de 4 unidades. Investigaciones
anteriores sugieren que la s de la poblacin es 1.64.
En la ventana Potencia y tamao de la muestra

para ANOVA unidireccional,
1. En Nmero de niveles,
ingrese 4.
2. En Tamaos de la muestra,
ingrese 5.
3. En Valores de la diferencia
mxima entre las medias,
ingrese 4.
4. En Desviacin estndar,
ingrese 1.64.
Haga clic en Aceptar.
Salida de la ventana de sesin y grfica de curva de potencia.
Interpretacin de resultados:
Si se asignan 5 observaciones a cada
nivel de tratamiento, se tiene una
potencia de 0.83 para detectar una
diferencia de 4 unidades o ms entre las
medias de tratamiento. Minitab tambin
muestra la curva de potencia de todas
las combinaciones posibles de diferencia
mxima en la media detectada y los
valores de potencia para un ANOVA de
un factor con 5 muestras por tratamiento.
El smbolo sobre la curva representa el
valor de diferencia que se especific.
Ejemplo integrador
Ejemplo integrador.
DCA con un factor con efectos fijos.
Ejemplo integrador
Ejemplo integrador.
Un fabricante de papel para hacer bolsas para comestibles se
encuentra interesado en mejorar la resistencia a la tensin del
producto. El departamento de ingeniera del producto piensa que la
resistencia a la tensin es una funcin de la concentracin de
madera dura en la pulpa y que el rango de las concentraciones de
madera dura de inters prctico est entre 5% y 20%. El equipo de
ingenieros responsable del estudio decide investigar cuatro niveles
de concentracin de madera dura: 5%, 10%, 15% y 20%. Deciden
hacer seis ejemplares de prueba con cada nivel de concentracin,
utilizando una planta piloto. Las 24 muestras se prueban en orden
aleatorio, con una mquina de laboratorio para probar la
resistencia.
Ejemplo integrador
Preguntas que plantea el caso.

La concentracin de madera dura en la pulpa tiene algn
efecto significativo sobre la resistencia a la tensin del
papel?.
Qu concentracin de madera dura en la pulpa maximiza la

calidad del producto?.
Qu concentracin la minimiza?.
Cul es la resistencia a la tensin que se espera obtener al
utilizar el nivel de concentracin de madera dura en la pulpa
que maximiza la calidad del producto?.
Cul es la resistencia a la tensin que se espera en el

producto al utilizar los dems niveles de concentracin?.
Ejemplo integrador
Pasos a seguir.
Designar las especificaciones para el DCA
Aleatorizar el orden de las pruebas

Correr el experimento
Ingresar los datos experimentales
Correr el anlisis de varianza, ANOVA.
Interpretar grficamente los datos experimentales
Interpretar el anlisis de varianza, ANOVA.
Evaluar el modelo (anlisis de residuales).
Realizar pruebas de comparacin mltiple
Analizar los efectos principales
Determinar niveles que maximizan/minimizan la respuesta

Predecir resultados
Experimentos DCA con un factor con efectos fijos Ejemplo integrador. Creacin del diseo
Paso 1.
Especificaciones para el Diseo.

No. de factores: 1
Factor: Concentracin de madera dura en la pulpa

Tratamientos o niveles del factor (a): 4 (5%, 10%, 15%, 20%).
Unidad experimental: Muestras de papel de 30 x 30 centmetros.
Variable de salida: Resistencia a la tensin del papel (psi).
No. de pruebas con cada nivel de factor (n): 6
Rplicas: 1
Datos p/variable analizada: N=24
DCA con un factor con efectos fijos
Ejemplo integrador. Aleatorizacin de pruebas
Paso 2.
Aleatorizacin de pruebas.
El DCA requiere de aleatorizar el orden de
las 24 corridas con el fin de equilibrar
aproximadamente el efecto de cualquier
variable perturbadora que pueda influir en
la resistencia a la tensin del papel.
1. Pasos para aleatorizar el orden

de las pruebas. Elija:
Abrir una Hoja de trabajo.
2. Con la ayuda del teclado, en la columna
C1, ingresar cada una de las 6 pruebas que
se necesitan correr por nivel de
concentracin de madera dura. Nombrar la
columna como Conc. Madera Dura.
Este mismo listado puede tambin

ser generado mediante la opcin
que permite generar patrones de
datos. Elija:
Calc > Crear patrones de datos >
Conjunto simple de nmeros.
En la ventana de dilogo en
Almacenar patrn de datos ingresar
C1. En Desde el primer valor digite
5, en Hasta el ltimo valor 20 y En
incrementos de: 5.
En Nmero de veces a presentar
cada valor ingrese 6 y en Nmero
de veces a presentar la secuencia:
1. Dar clic en Aceptar.
En la columna C1 se despliegan
cada una de las 6 pruebas que se
necesitan correr por nivel de
concentracin de madera dura.
Nombrar la columna como CONC.

MADERA DURA.
3. Para aleatorizar el orden de

las pruebas:
Establecer un punto de inicio
para generar nmeros
aleatorios (siempre que se
desee seleccionar la misma
muestra aleatoria o generar el
mismo conjunto de datos
aleatorios ms de una vez),
mediante:
Calc > Configurar base
4. Digitar 5 en establecer el
generador de datos aleatorios,
y dar clic en Aceptar.
5. Elegir
Calc > datos aleatorios >

Muestreo por columnas.
6. En la Ventana Muestreo por

columnas, indicar en Tamao
de la muestra (filas): 24 (en
este caso son 24 las pruebas
por realizar).
En Desde las columnas:
ingresar C1 y en Almacenar
muestras en: ingresar C3.
Dar clic en Aceptar.
La aleatorizacin de las
pruebas se despliega en la
Hoja de trabajo en C3. Si se
desea, en C2 especificar con
la ayuda del teclado el orden
en el que se realizarn las
pruebas.
Aleatorizacin de las corridas
(orden de las pruebas)
5%
10%
15%
20%
11
14
10
15
12
17
20
16
13
19
21
23
18
22
20
Ejemplo integrador. Ingreso de datos experimentales
Paso 3.
Ingreso de datos
experimentales
Una vez realizadas
las pruebas
experimentales, las
observaciones
resultantes (datos de
la tabla adjunta), son
ingresadas en la
Hoja de trabajo
Minitab.
Resistencia a la tensin del papel

(psi).
a=4
5%
10%
15%
20%
12
14
19
17
18
25
15
13
19
22
11
18
17
23
19
16
18
10
15
18
20
n=6
n=6
n=6
N = 24
n=6
1. Nombre la columna
C4: resistencia a la tensin
(variable de respuesta),
ingresar los resultados
obtenidos (segn
corresponda el orden
aleatorio en el que se
realizaron las corridas
experimentales).
Ejemplo integrador. ANOVA para datos apilados
Paso 4.
Anlisis de varianza, ANOVA.

Opcin: Datos apilados.
El ANOVA se corre bajo la opcin de datos apilados cuando se
tienen los datos de respuesta en una columna y los niveles de
factor en otra.
1. Abrir: Estadsticas > ANOVA > Un solo factor.
2. En la ventana de dilogo
Anlisis de varianza - Un solo
factor, en Respuesta ingrese C4
(Resistencia a la tensin).
En Factor ingrese C3 (Conc. De
madera dura).
Elija Almacenar residuos y
Almacenar ajustes.
Seleccionar el nivel de
confianza que corresponda al
nivel de significacin elegido
para la prueba (en este caso
0.95 ya que se desea = 0.05).
3. Dar clic en Comparaciones.
Marque De Fisher con un nivel de
significacin de 5%.
4. En la ventana de dilogo
Anlisis de varianza - Un solo
factor, abra la opcin Grficas.
Elija Grfica de valores
individuales y Diagramas de
caja de datos.
En Grficas de residuos, marque
Cuatro en uno.
Dar clic en aceptar en cada
ventana de dilogo.
Los resultados del anlisis de
varianza se despliegan en la
Ventana de sesin; los grficos
solicitados en la Carpeta grficas.
Las grficas solicitadas se despliegan en la Carpeta de grficas.
DCA con un factor con efectos fijos. Ejemplo integrador. Interpretacin grfica de los datos
Paso 5.
Interpretacin grfica de los datos.

Opcin: Grficas de caja
En el grfico se presentan los diagramas
de caja de la resistencia a la tensin con
los cuatro niveles de concentracin de
madera dura. Se aprecia que: a). Modificar
la concentracin de madera dura tiene un
efecto sobre la resistencia a la tensin.
b). Niveles ms altos de madera dura
producen resistencias a la tensin
observadas ms altas. c). La distribucin
de la resistencia a la tensin en un nivel
particular de madera dura es
razonablemente simtrica y d). La
variabilidad de la resistencia a la tensin no
sufre cambios radicales cuando la
concentracin de madera dura cambia. Las
anteriores son apreciaciones que deben
ser comprobadas mediante pruebas
estadsticas adecuadas.
Los diagramas de cajas simultneos

representan una manera descriptiva de
comparar tratamientos,. Estos grficos
muestran la variabilidad de las observaciones
dentro de un tratamiento (nivel
del factor) y la variabilidad
entre tratamientos.
DCA con un factor con efectos fijos. Ejemplo integrador. Interpretacin grfica de los datos
Interpretacin grfica de los datos.

Opcin: Grficas de valores individuales
La grfica de valor individual es similar a una grfica de caja en el hecho de que

identifica (informalmente) valores atpicos y forma de distribucin, pero es nica en
el hecho de que grafica cada valor por separado. Esto es especialmente til
cuando se tienen relativamente pocas observaciones o cuando es importante
evaluar el efecto de cada observacin. La grfica obtenida muestra, al igual que la
grfica de caja anterior, las mismas conclusiones sobre la resistencia a la tensin
(psi), obtenida en muestras de papel producido a partir de las cuatro diferentes
concentraciones de madera dura en la pulpa.
Ejemplo integrador. Interpretacin del ANOVA
Paso 6.
Interpretacin del ANOVA.

Salida del programa Minitab para el anlisis de varianza, ANOVA.
Anlisis de la descomposicin de la variabilidad total.

Para probar mediante el ANOVA la hiptesis (H0 : El efecto de los k tratamientos es
el mismo), se analiza la descomposicin de la variabilidad total de las
observaciones experimentales en sus dos componentes: variabilidad debida a
tratamientos del factor SST y la que corresponde al error aleatorio SSE , resultando
en este caso que:
SST
= SSTRAT + SSE
512.96 = 382.79 + 130.17

Esto indica que la variabilidad total (suma total de cuadrados, SST) en las 24
observaciones de este experimento fue de 513 (en nmeros cerrados). De esta
cantidad, 383 correspondi a la variabilidad explicada por diferencias detectadas
entre los tratamientos del factor niveles de concentracin de madera dura en la
pulpa que fueron experimentados- (suma de cuadrados debido a tratamientos,
SSTRAT) y 130 correspondi a la variabilidad observada dentro de tratamientos, o
sea, entre las resistencias a la tensin en el papel obtenidas en un mismo nivel de
concentracin de madera dura (suma de cuadrados debido al error, SSE).
Al detectarse una variabilidad entre tratamientos mayor que la observada dentro
de tratamientos, SSTRAT > SSE , es posible suponer que la hiptesis nula sea
rechazada. Tal supuesto se valida al comprobar si la diferencia entre estas fuentes
de variacin es realmente significativa. Para ello se procede al anlisis de los
cuadrados medios que reflejan la magnitud real de cada fuente de variacin.
Anlisis de los cuadrados medios.
Los cuadrados medios (varianza entre tratamientos y varianza dentro de los

tratamientos) se obtienen al ponderar la suma de cuadrados por los
correspondientes grados de libertad, segn:
MSTRAT = SSTRAT / k 1 = 382.79/3 = 127.60
MSE = SSE / N k = 130.17/20 = 6.51
El estadstico F = MSTRAT/MSE = 127.60/6.51 = 19.61
Esto indica que la varianza entre tratamientos (127.60) result ser 19.61 veces
mayor (F=19.61) que la varianza dentro de los tratamientos (6.51). Esta gran
diferencia da posibilidad de considerar que las medias de los tratamientos no son
iguales (supuesto que se debe comprobar).
Validacin de la hiptesis nula mediante el valor-p.

Para validar la hiptesis nula,
Minitab se basa en el valor-p como
estadstico de prueba. Este
cuantifica el nivel de significacin
ms bajo en el que los datos son
significativos. Dicho valor queda
dado por:
Valor-p = P(F3,20 > 19.61) = 3.59 x
10-6 P = 0.0000
Como result que p 0 (considerablemente ms pequeo que < 0.05), se cuenta

con evidencia slida de que H0 no es verdadera, y se concluye que LA
RESISTENCIA DEL PAPEL NO ES LA MISMA A DIFERENTES NIVELES DE
CONCENTRACIN DE MADERA DURA EN LA PULPA, o de otro modo, EL
NIVEL DE CONCENTRACIN DE MADERA DURA EN LA PULPA AFECTA DE
MANERA SIGNIFICATIVA LA RESISTENCIA DEL PAPEL.
NOTA:
Si la conclusin de la prueba se basara en el nivel de significancia , se estara concluyendo el
rechazo de H0 con un nivel de riesgo de 0.05, en tanto, al concluir el rechazo de H0 basado en
el valor-p, el nivel real de riesgo (o nivel de significacin) resulta ser nulo (valor-p = 3.59 x 10-6).
Estadsticos s, R2 y Rajustado.
Adems del anlisis de varianza bsico, Minitab presenta informacin
adicional til: s, R2 y Rajustado, que en conjunto con el p-valor, indican si
las medias o los efectos de los niveles del factor son significativamente
diferentes entre s y con cunta precisin se ajusta el modelo a los
datos.
Interpretacin de R2.
La cantidad R2 se define como
R2 = SSTRAT / SST = 382.79/512.96 = 0.7462, 74.62%.

y se interpreta en trminos generales como la proporcin de la variabilidad en los
datos explicada por el modelo del anlisis de varianza. Para este caso el valor de
R2 = 0.7462, en las observaciones experimentales para probar la resistencia a la
tensin del papel, el factor concentracin de madera dura en la pulpa explica
cerca de 74.62% de la variabilidad en la resistencia a la tensin.
Interpretacin del valor R2ajustado.
R2 ajustado es una variante del estadstico R2. Es utilizado en experimentos en

los que intervienen varios factores en el diseo, cuando se desea evaluar el
impacto de aumentar o disminuir el nmero de trminos del modelo.
R2 ajustado se define como:
R2ajustado = 1 (MSE /MST) = 1 (6.51/22.3026) = 0.7082, 70.82%
donde MST = SST /N 1 = 512.96/23 = 22.3026
Interpretacin de la desviacin estndar agrupada, s.
Como no se conoce 2, puede usarse la raz cuadrada del cuadrado medio del
error del anlisis de varianza como estimador de (MSE es un estimador
insesgado de 2).
Esta es una medida del error del modelo. Modelos con valores menores en S son
modelos que mejor ajustan las variaciones que se estudian. Si se comparan
diferentes modelos, generalmente se debe buscar modelos que minimicen S y
maximicen los dos valores R2.
Interpretacin de las estadsticas individuales.
Las estadsticas individuales que despliega Minitab dentro del ANOVA permiten
evaluar las siguientes propiedades de los datos. El nmero N de observaciones
incluidas para cada nivel del factor; la Media de las observaciones para cada nivel.
Estas medias de las muestras proveen un estimado grfico de las medias de
poblacin para cada nivel; las Desviaciones Estndares de la muestra para cada
nivel. El anlisis de varianza presupone que las desviaciones estndares de la
poblacin para todos los niveles son iguales. Entonces, si las desviaciones
estndares de la muestra difieren por un amplio margen, se recomienda probar la
igualdad de las varianzas de los datos utilizando el comando Probar igualdad de
varianzas y la Desviacin estndar agrupada que es el estimado de la
desviacin estndar comn para todos los niveles.
Interpretacin de los intervalos de confianza para
La salida de Minitab en el ANOVA tambin incluye intervalos de confianza

indicados grficamente para la media de cada tratamiento individual, basados en
la desviacin estndar agrupada, calculados mediante:
donde el valor de t/2, N-k = t0.025, 20 = 2.086. (Si se conociera 2, podra utilizarse la
distribucin normal para construir los intervalos de confianza).
De esta manera, los intervalos grficos para la resistencia a la tensin media por
nivel de concentracin de madera dura en la pulpa, resultaron ser:
DCA con un factor con efectos fijos. Interpretacin de las pruebas de comparacin mltiple
Paso 7.
Interpretacin de las pruebas de

comparacin mltiple.
Al utilizar el mtodo LSD de Fisher, entre otros, Minitab calcula intervalos de

confianza para todas las diferencias de pareja entre medias de tratamientos.
Interpretacin de los intervalos de
confianza individuales de Fisher. Si el
intervalo que compara la diferencia entre
pares de medias comprende 0 (signos
contrarios en sus lmites), la diferencia
entre medias resulta ser
estadsticamente significativa. En este
caso, la prueba provee 3 conjuntos de
intervalos. En el primer conjunto se
indican los intervalos para las diferencias
estimadas entre las resistencias medias
obtenidas con concentraciones 10%,
15% y 20%, contra las obtenidas al 5%,
respectivamente. El primer intervalo
(2.594, 5.667, 8.739) indica, con un nivel
de confianza de 95%, que la
concentracin de madera dura de 10%
aumenta en promedio, de 2.59 a 8.74
psi, la resistencia media que se obtiene
con concentraciones de 5%.
En este primer conjunto, como en los dos restantes, todas las comparaciones
entre medias resultaron estadsticamente diferentes (todos los intervalos
comprenden 0 -tienen signos iguales en sus lmites-), a excepcin del nico
par de medias que no difiere significativamente: 15% - 10%, cuyo intervalo de
confianza result ser (-1.739, 1.333, 4.04).
INTERPRETACIN DE LOS INTERVALOS DE CONFIANZA DE FISHER AL 95%.
Intervalos de confianza
El intervalo
incluye cero?
Diferencia entre
pares de medias
Conclusin
2.594 10% - 5% 8.739 psi.
No
Significativa
10% > 5%
3.928 15% - 5% 10.072 psi.
No
Significativa
15% > 5%
8.094 20% - 5% 14.239 psi.
No
Significativa
20% > 5%
-1.739 15% - 10% 4.406 psi.
Si
No significativa
15% = 10%
2.428 20% - 10% 8.572 psi.
No
Significativa
20% > 10%
1.094 20% - 15% 7.239 psi.
No
Significativa
20% > 15%
De esto, se concluye que las concentraciones de madera dura de 10% y 15%

producen aproximadamente la misma resistencia a la tensin y que los dems
niveles de concentracin producen resistencias a la tensin diferentes, entre
los cuales, la concentracin de 20% de madera dura produce la resistencia a
la tensin mxima.
Anlisis grfico de efectos principales.
Paso 8.

El anlisis de la grfica indica que
las concentraciones de madera
dura de 5% y 20%, en
comparacin a los niveles 10% y
15%, tienen un efecto diferente
sobre la resistencia a la tensin del
papel. El efecto que produce el
nivel de concentracin de 20%
incrementa la resistencia media
total en 5.207 psi.
Al utilizar concentraciones de 5%
el efecto fue contrario, es decir, la
resistencia media total se redujo
en 5.96 psi. Si bien en la grfica no
se concluye la significancia de los
efectos observados, sta fue
probada mediante pruebas de
hiptesis anteriormente realizadas.
Paso 9. Anlisis
Evaluacin del modelo. Anlisis de residuales
de residuales
La grfica 4 en 1, no revela ninguna

falta de adecuacin del modelo ni
algn problema excepcional con los
supuestos. La grfica de probabilidad
normal y el histograma, cumplen de
manera satisfactoria el supuesto de
normalidad (no existe evidencia de no
normalidad, sesgo o valores atpicos).
En la grfica de Residuos vs. Valores
ajustados, los residuos se distribuyen
de forma aleatoria alrededor de cero, lo
que indica que no existe evidencia de
varianza no constante o valores
atpicos). De igual forma, los residuos
parecen estar dispersos
aleatoriamente alrededor de cero en la
grfica de Residuos vs. Orden de las
observaciones. Con esto, es correcto
concluir que la calidad de ajuste del
modelo es satisfactoria.
Diseo en bloques completos al azar, DBCA.
Diseo en bloques
completos al azar
(DBCA).
Definicin
Generalidades.
En cualquier experimento en el que se desea comparar ciertos
tratamientos o estudiar el efecto de un factor, es deseable que
las posibles diferencias que se lleguen a detectar se deban
principalmente al factor de inters y no a otros factores que no se
consideran en el estudio (operadores, unidades de equipo o
maquinaria de prueba, mtodos, lotes de materia prima, turnos,
etc.). Cuando esto no ocurre y existen otros factores que no se
controlan o nulifican, las conclusiones pueden llegar a ser
afectadas sensiblemente. Para evitar tal situacin, se usa una
tcnica de diseo llamada formacin de bloques, que elimina, de
manera sistemtica, la influencia de un factor no controlado,
sobre las comparaciones estadsticas entre tratamientos del
factor de inters (se busca que la fuente adicional de variacin,
que representa el factor de bloqueo, no vaya a sesgar las
comparaciones).
Definicin
Diseo en bloques completos al

azar, DBCA.
El DBCA es el diseo experimental en el que se decide bloquear
algn factor que no es de inters y que puede influir sobre una
variable de respuesta. La palabra completos indica que en cada
bloque se prueban todos los tratamientos del factor principal, o
sea los bloques estn completos. Son diseos al azar en virtud
de que la aleatorizacin se hace dentro de cada bloque (no se
realiza de manera total como en el DCA).
Modelo estadstico en el DBCA
Modelo estadstico en el DBCA.

En un diseo en bloques completos al azar, el modelo estadstico
est dado por:
i = 1, 2, , a.
j = 1, 2, , b
Arreglo de los datos en el DBCA
ARREGLO DE LOS DATOS EN UN DISEO EN

BLOQUES COMPLETOS AL AZAR
Bloque
DBCA
1
Tratamiento
Y11
Y12
Y13
Y1b
Y21
Y22
Y23
Y2b
Y31
Y32
Y33
Y3b
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
Yk1
Yk2
Yk3
Ykb
En este cuadro se comprende un DBCA en el que se comparan k

tratamientos del factor principal (filas) y b niveles de un factor de
bloque (columnas). En este diseo se necesitan al menos dos
subndices para identificar los tratamientos; por ejemplo, la
respuesta Y23 es la observacin que se genera en el segundo
tratamiento o nivel del factor principal (factor fila) y el tercer nivel
del factor de bloque (factor columna).
Contrastes de hiptesis en el DBCA
Contrastes de hiptesis.
Las hiptesis de inters a probar en un experimento tipo DBCA
son las mismas para todos los diseos comparativos, y estn
dadas por:
H 0 : 1 = 2 = 3 = . . . = k =
H1 : i j para algn i j
Lo cual se puede escribir en forma equivalente como:
El supuesto que se prueba en estas hiptesis es que la respuesta

media poblacional de cada tratamiento i es igual a la media global
poblacional , o de manera equivalente, el que los efectos de
tratamiento sobre la variable de respuesta son nulos (i = i - =
0), es decir, la respuesta media del tratamiento es igual a la media
global (i = ).
ANOVA para el DBCA de efectos fijos
ANOVA para el DBCA

de efectos fijos.
Las hiptesis a probar en el DBCA se validan con un ANOVA, en
el que se controlan dos fuentes de variacin: el factor de
tratamientos (factor de inters) y el factor de bloque, segn:
SCT = SCTRAT + SCB + SCE
Y los respectivos grados de libertad de cada una de ellas son:
(N 1) = (k 1) + (b 1) + (k 1)(b 1)
donde:
k = tratamientos o niveles del factor de inters
b = niveles del factor de bloque
N = nmero total de observaciones.
Tabla ANOVA para un DBCA
Tabla ANOVA para un DBCA.

Fuente de
variacin
Grados
de libertad
Suma de
cuadrados
Cuadrados
medios
FCAL
FTABLAS
Tratamientos
k1
SCTRAT
CMTRAT
CMTRAT / CME
F; k-1,(k-1)(b-1)
Bloques
b-1
SCB
CMB
CMB / CME
Error
( k 1)(b 1)
SCE
CME
Total
N-1
SCT
F; b-1,(k-1)(b-1)
El ANOVA permite probar la hiptesis fundamental sobre el efecto de los

tratamientos y comprobar la relevancia de controlar el factor bloqueado. Para
probar las hiptesis relativas a los efectos principales y de bloque, Minitab se
apoya en valores-p; si el valor-p es menor que o igual al nivel de significacin
elegido, se debe concluir que el efecto de los tratamientos est activo o influye en
la variable de respuesta; si el valor-p es mayor que el nivel de significacin
elegido, se debe concluir que el efecto de los tratamientos no est activo o no
influye en la variable de respuesta.
Ejemplo integrador
Ejemplo integrador
DBCA con un factor
Ejemplo integrador
Ejemplo integrador
DBCA con un factor.
Un equipo de mejora investiga el efecto de cuatro mtodos de
ensamble A, B, C y D, sobre el tiempo de ensamble en minutos.
Se designan cuatro operadores para la prueba. Como se
sospecha que los cuatro operadores que se utilizarn para
realizar el ensamble pueden afectar significativamente los
tiempos de ensamble y, por ende, la comparacin de los
mtodos, la estrategia
RESULTADOS PARA EL DBCA
RESPUESTA: TIEMPO EN MINUTOS
experimental requiere anular
(bloquear) el efecto del
OPERADOR
factor operador, para que la
MTODO
1
2
3
4
fuente adicional de variacin,
A
6
9
7
8
que representan los
B
7
10
11
8
operadores, no sesgue las
C
10
16
11
14
comparaciones.
D
10
13
11
9
Ejemplo integrador
Preguntas que plantea el ejemplo

El mtodo es factor determinante sobre el tiempo de
ensamble?.
Qu mtodo minimiza el tiempo de ensamblado?.

Qu mtodo lo maximiza?.
En qu tiempo se cumple el ensamble cuando se elige el
mejor mtodo?.
Cul es el efecto sobre el tiempo al elegir los mtodos de

ensamble restantes?.
Ejemplo integrador. Pasos a seguir
Pasos a seguir.
Designar las especificaciones para el DBCA

Crear el diseo de bloques
Ingresar los datos experimentales
Correr e interpretar el anlisis de varianza, ANOVA.
Evaluar el modelo (comprobacin de los supuestos).
Determinar los niveles que maximizan la respuesta

Predecir resultados
APLICACIONES ESTADI STICAS
Diseo en bloques completos al azar, DBCA. Ejemplo integrador. Especificaciones para el DBCA
Especificaciones para el DBCA.

No. de factores de inters: 1
Factor de inters: Mtodo de ensamble
Niveles o tratamientos del factor de inters: 4 (A, B, C y D).
No. de factores de bloque: 1
Factores de bloqueo: Operador
Niveles o tratamientos del factor de bloqueo: 4 (1, 2, 3 y 4)

Unidad experimental:
Variable de salida: Tiempo en el que se realiza el ensamble (min).
No. de pruebas por bloque: 4
Rplicas: 1
Ejemplo integrador. Diseo de los bloques
Diseo de los bloques.

El DBCA requiere que la aleatorizacin se realice dentro de cada
bloque y que en cada bloque se prueben todos los tratamientos.
1. Abrir una Hoja de trabajo.
En C1 nombrar la variable
Mtodo e ingresar A, B,
C y D (tratamientos del factor de
inters o factor fila). En C2, C3,
C4 y C5, nombrar Operador 1,
2, 3 y 4 respectivamente (factor
de bloque o factor columna).
2. Para disear la aleatorizacin
de los bloques, elegir:
Calc > Datos aleatorios > Muestreo por columnas.
3. En la Ventana Muestreo por

columnas, en Tamao de la
muestra (filas), se indica el
nmero de pruebas o replicas
que se desean por bloque. En
este caso 4.
En Desde las columnas,
ingresar C1, que es donde se
enlistan los mtodos que se
desean aleatorizar dentro de
cada bloque. En Almacenar
muestras, ingresar C2, que
es la columna donde se desea
aleatorizar el orden de las
corridas del primer bloque
(operador 1).
El orden aleatorio de las corridas

en el bloque 1 (Operador 1), se
despliega en C2, segn se
indica.
RESULTADOS DE LA ALEATORIZACIN
EN EL BLOQUE 1.
Para aleatorizar el orden de las

corridas en los tres bloques
restantes (operador 2, 3 y 4),
repetir, para cada bloque, las
instrucciones referidas en la
anterior diapositiva (punto 3).
Los resultados de dicha
aleatorizacin se presentan en
seguida.
INSTRUCCIONES PARA ALEATORIZAR

EL BLOQUE 2 (OPERADOR 2).
RESULTADOS DE LA ALEATORIZACIN EN EL
BLOQUE 2.

BLOQUE 3.

BLOQUE 4.
ALEATORIZACIN DE LAS CORRIDAS

EN LOS CUATRO BLOQUES
El orden aleatorio de
las corridas en los
cuatro bloques,
resulta como se
indica.
Para dar formato

apilado al orden
aleatorio en el que se
corrern las pruebas,
elegir:
Datos > Apilar > Columnas.
En la ventana Apilar
columnas, en Apilar las
siguientes columnas ingresar
Op1-Op4.
En columna de hoja de trabajo
actual ingrese C8 (columna
elegida para el factor de
inters); en Almacenar
subndices digitar C7 (columna
elegida para el factor bloque).
El formato apilado del orden

aleatorio en el que se corrern las
pruebas experimentales se
despliega como se indica.
En la columna C9 escriba Tiempo
de ensamble (Min.) y, si se desea,
es posible imprimir dicho formato
en el que se recopilan los datos,
mientras se realiza el experimento.
Para imprimir el formato, elija:
Archivo > Imprimir hoja de
trabajo
asegurndose de que la opcin
Imprimir lneas de la cuadrcula
est marcada.
Ingreso de los datos

experimentales.
1. Luego de realizar el
experimento y de recopilar
los datos, stos se ingresan
en la hoja de trabajo, segn:
RESULTADOS PARA EL DBCA
RESPUESTA: TIEMPO EN MINUTOS
OPERADOR
MTODO
10
11
10
16
11
14
10
13
11
Ejemplo integrador. Ejecucin del ANOVA
Ejecucin del ANOVA.

Ahora que se cre un diseo y que recopil los datos de respuesta, se
procede a ajustar un modelo a los datos mediante un ANOVA. Para un
DBCA el ANOVA se corre en
la opcin Modelo lineal
general. Abrir:
Estadsticas > ANOVA >
Modelo lineal general.
1. En la Ventana de
dilogo Modelo lineal general,
en Respuestas, ingresar C9.
En Modelo, ingresar C7 y
C8 (trminos del modelo que
se desea ajustar).
Seleccionar Resultados.
En la Ventana de dilogo
Modelo lineal general
resultados, elegir Adems,
coeficientes para todos los
trminos (efectos).
En Mostrar las medias de los

cuadrados mnimos
correspondientes a los
trminos, ingresar Mtodos.
2. En la Ventana de
dilogo Modelo lineal general
seleccionar Grfica de
factores.
grficas factoriales, en Grfica
de efectos principales ingresar
Mtodos y Operador (factor
de inters y factor de bloque,
repectivamente).
Diseo en bloques, DBCA.
Anlisis grfico de efectos principales
Interpretacin de resultados.
En la grfica se aprecia que los efectos principales de los tratamientos (factor

de inters-Mtodo) difieren sobre la respuesta (tiempo de ensamble). El
mtodo A reduce el tiempo promedio de ensamble en 2.5 minutos y el B lo
hace en 1 minuto; por su parte, los mtodos C y D lo incrementan en 2.75 y
0.75 minutos, respectivamente. Como interesa minimizar el valor de
respuesta (menor tiempo de ensamble), los mtodos A y B parecen ser los
ms recomendables. Recordar la necesidad de comprobar tales supuestos.
Diseo en bloques, DBCA.
Anlisis grfico de efectos principales
Aunque no ha sido objetivo del experimento comparar los niveles del factor
de bloque (operador) para elegir alguno, en el grfico tambin se aprecian
diferentes efectos de stos sobre el tiempo de ensamble, lo que indica que en
futuros experimentos valdr la pena considerar al operador como un segundo
factor de inters (DOE factorial), o en este caso, como informacin extra, se
decida dar mayor capacitacin a aqullos operadores que lo requieran por
diferenciarse realmente de manera significativa del comportamiento del
grupo.
APLICACIONES ESTADISTICA S
Diseo en bloques completos al azar, DBCA. Ejemplo integrador. Interpretacin de resultados

Salida del ANOVA en la ventana de sesin.
Minitab muestra primeramente una tabla de factores, con sus nmeros de

niveles y los valores de los niveles, en la que se indican las especificaciones
para el DBCA elegido. Hay dos factores incluidos en el diseo (mtodo y
operador); los dos factores son fijos. El factor mtodo tiene cuatro niveles con
los valores A,B,C y D, y el factor operador tiene cuatro niveles 1, 2, 3 y 4.
En la Tabla de ANOVA, al resultar que el valor-p (0.003) para el factor principal

(Mtodo) es menor que 0.05, se conduce el rechazo al supuesto de igualdad en los
tiempos medios de los mtodos de ensamble (H0: 1 = 2 = 3 = 4) y, por consiguiente,
a la aceptacin de que los mtodos difieren en el tiempo de ensamble promedio. Con
esto, es correcto concluir que EL MTODO ES UN FACTOR QUE INFLUYE DE
MANERA DIFERENTE SOBRE EL TIEMPO DE ENSAMBLE. Igualmente, al resultar
el factor Operador con efectos significativos (p=0.03), se manifiestan diferencias en las
habilidades entre los operadores; sin embargo, al recordar que este es un factor de
bloque, no se busca la comparacin entre operadores para elegir uno. Quiz en
futuros experimentos, valga la pena considerar al operador como un segundo factor de
inters.
Estadsticos que miden el grado de ajuste del modelo.
Estos valores permiten seleccionar el modelo que mejor ajusta a los datos. El
valor R2, indica que el modelo explica el 83.3% de la variabilidad observada en
el tiempo de ensamblado. El R-cuad. (ajustado) no es referencia en este caso
pues se utiliza para evaluar el impacto de aumentar o disminuir el nmero de
trminos del modelo. La desviacin estndar agrupada S=1.41 (calculada
mediante la raz cuadrada de MSE), estima la desviacin estndar comn para
todos los niveles del factor. En conjunto, estos estadsticos evidencian que el
modelo se ajusta muy bien a los datos.
Salida para la Tabla de medias de cuadrados mnimos.

La tabla de medias de cuadrados mnimos muestra la media de cuadrados
mnimos y el error estndar de la media para cada nivel de los factores
especificados.
Los resultados indican que el Mtodo de ensamble A result con el tiempo de

ensamblado promedio ms bajo (7.5 minutos), en comparacin a los tiempos
medios de ensamble utilizados por los mtodos B, C y D. El Mtodo C
requiri del mayor tiempo para cumplir el ensamblado (12.75 min.). Para
determinar si estas diferencias entre medias son estadsticamente
significativas, se requiere de utilizar las pruebas de mltiples comparaciones
de las medias. El error estndar de la media result ser 0.7071, mismo que
se usa en caso de hacer estimaciones para i.
Pruebas de comparacin mltiple.

Se hace uso de las pruebas de comparacin mltiple para averiguar
cules tratamientos son diferentes entre s.
1. En la Ventana de
dilogo Modelo lineal general,
elegir Comparaciones y dar clic
en Aceptar.
2. En la Ventana Modelo lineal general
comparaciones elegir
Comparaciones en parejas. En
Trminos ingresar Mtodo y Operador.
y en Mtodo seleccionar la prueba de
Tukey.
Elegir Intervalos de confianza con
nivel de confianza y Prueba.
Salida de las pruebas de comparacin mltiple entre pares de
niveles de medias del factor de inters (MTODO).
Por no comprender
cero, los intervalos de
los pares de medias
CA, DA y CB
evidencian diferencias
significativas entre sus
medias; por
comprenderlo, los
pares que no
resultaron con
diferencias
significativas son BA,
DB y DC.
Por la magnitud de las diferencias significativas observadas, se

determina que C>A, D>A y C>B y que B=A , D=B y D=C, por lo
tanto, el tratamiento A result ser diferente de C y D, y que el
tratamiento B es diferente de C. De este manera, se ha determinado
qu tratamientos o niveles del factor de inters (Mtodo) INFLUYEN
DE MANERA DIFERENTE SOBRE EL TIEMPO DE ENSAMBLE, y
dadas las respuestas medias muestrales iguales a 7.5, 9.0, 10.75,
12.75 para A, B, C y D, respectivamente, se concluye que AL
REQUERIR EN PROMEDIO MENOS TIEMPO PARA EL
ENSAMBLE, EL MTODO A ES MEJOR QUE LOS MTODOS C
Y D, PERO EL MTODO A NO ES MEJOR QUE EL B.
Salida para las pruebas de contraste que comparan pares

entre niveles del factor de inters (Mtodo).
Minitab presenta
tambin los
resultados de las
comparaciones
mltiples en forma de
pruebas de hiptesis
Estas se muestran de
la misma forma que
los intervalos de
confianza. Se pueden
apreciar rpidamente
los pares de medias
en los que existe una
evidencia significativa
de diferencias
Los valores p ajustados son pequeos en las comparaciones CA, DA

y CB, y resultaron ser grandes en las comparaciones BA , DB y DC.
Esto indica que el tratamiento A es significativamente diferente de C y
D, y que el tratamiento B lo es de C. Por su parte las comparaciones
entre BA, DB y DC resultaron no ser diferentes de forma significativa.
Con esto, se comprueban las conclusiones obtenidas del anlisis
basado a las pruebas de comparacin mltiple, que permitieron
identificar qu tratamientos o niveles del factor de inters (Mtodo)
INFLUYEN DE MANERA DIFERENTE SOBRE EL TIEMPO DE
ENSAMBLE y de las cuales se concluy que EL MTODO A ES
MEJOR QUE LOS MTODOS C Y D (pero el mtodo A no es mejor
que el B).
Una ventaja de las pruebas de hiptesis es que se puede ver el nivel

que se requerira para que exista una evidencia significativa de
diferencias.
Los intervalos de confianza para el tiempo de ensamble promedio

estimado por tipo de mtodo, se calcula mediante:
donde t/2;(k-1)(b-1) = t0.025;9 = 2.26
Los intervalos de confianza por nivel, para el factor de inters
(mtodo), resultan ser:
Ejemplo integrador. Evaluacin del modelo
Comprobacin de los supuestos del

modelo.
1. Abra la opcin Grficas en la
ventana de dilogo Modelo lineal
general.
Elija Grfica de residuos. Cuatro

en uno.
Dar clic en aceptar en cada
ventana de dilogo.
La grfica cuatro en uno se
despliega en la carpeta de
grficos.
Ejemplo integrador. Evaluacin del modelo
La grfica 4 en 1 no revela ninguna

falta de adecuacin del modelo ni
algn problema excepcional con
los supuestos. El histograma no
evidencia sesgo o valores atpicos.
Los residuos en la grfica de
probabilidad normal siguen una
lnea recta y no presentan sesgo o
valores atpicos. En la grfica de
Residuos vs. Valores ajustados, se
evidencia varianza constante (los
residuos se dispersan alrededor de
cero). De igual forma, los residuos
parecen
estar
dispersos
aleatoriamente alrededor de cero
en la grfica de Residuos vs.
Orden de las observaciones. Con
esto, es correcto concluir que la
calidad de ajuste del modelo es
satisfactoria.
Diseo en Cuadro latino, DCL.
Diseo en Cuadro latino

(DCL)
Definicin

El Diseo en Cuadro latino, DCL, es usado cuando se desean
controlar dos factores de bloque y un factor de tratamientos. Se
llama cuadro latino por dos razones: es un cuadro debido a que
tiene la restriccin adicional de que los tres factores involucrados
se prueban en la misma cantidad de niveles, y es latino porque
se utilizan letras latinas para denotar los tratamientos o niveles
del factor de inters.
Diseo de un DCL.
Cuadro latino.
No cualquier arreglo de letras latinas en forma de cuadro es un
cuadro latino. La regla fundamental es que cada letra debe
aparecer slo una vez en cada rengln y en cada columna.
Suponga 4 tratamientos A,B,C,D. Para estos 4 tratamientos se
pueden formar cuatro diferentes cuadros latinos llamados tpicos
o estndar, en los que en la primera columna y en el primer
rengln aparecen las letras en orden alfabtico. De cada cuadro
se obtienen 144 formas diferentes, en total se tienen 576 cuadros
diferentes de tamao cuatro. Los tratamientos deben asignarse
empleando uno de estos diseos, es decir, si son cuatro
tratamientos, escoger uno entre los 576 posibles.
Aspecto de los datos en el el DCL.
Aspecto de los datos en un DCL.

Bloque II (columnas)
1
Bloque I
(renglones)
A = YA11
B = YB12
C = YC13
K = Yk1k
B = YB21
C = YC22
D = YD23
A = YA2k
C = YC31
D = YD32
E = Y533
B = YB3k
.
.
.
.
.
.
.
.
.
.
.
.
...
.
.
.
K = Ykk1
A = YAk2
B = YBk3
J = YJkk
En este cuadro se comprende un DCL para A, B, C,, K, tratamientos a

comparar (entonces ambos factores de bloque tienen tambin k niveles cada
uno). Se necesitan al menos tres subndices (uno categricoletra latina y dos
numricos) para identificar los tratamientos por lo que, por ejemplo, la
respuesta YC13 se gener en el tratamiento tres C, en el primer nivel del factor
rengln (BLOQUE 1) y en el tercer nivel del factor columna (BLOQUE 2).
Modelo estadstico
Modelo estadstico.
En un diseo en cuadro latino, la variable de respuesta viene
descrita por:
donde:
= efecto constante, comn a todas las unidades
= efecto producido por el i-simo nivel del factor de tratamiento (letra latina)
= efecto producido por el j-simo nivel del factor fila (factor de bloque 1)
= efecto producido por el l-simo nivel del factor columna l (factor de bloque 2)
= error experimental de la unidad experimental ijl.
= observacin en la unidad experimental ijl.
Contrastes de hiptesis
En este diseo, se desea estudiar el efecto estadstico de cada
uno de los componentes del modelo: el debido al factor de inters
(letras latinas), el debido al factor fila (bloque 1), el debido al factor
columna (bloque 2).
ANOVA para el modelo DCL.
ANOVA para el modelo DCL

La descomposicin de la variabilidad total mediante el
ANOVA en un DCL se puede descomponer como:
SCT = SCTRAT + SCB1 + SCB2 + SCE
y los grados de libertad correspondientes resultan ser:

k2 1 = (k 1) + (k 1) + (k 1) + (k 2)(k 1)
Tabla ANOVA
Tabla ANOVA para un DCL

Fuente de
variacin
Grados
de libertad
Suma de
cuadrados
Cuadrados
medios
FCAL
FTABLAS
Tratamientos
k1
SCTRAT
CMTRAT
CMTRAT / CME
F(; k-1, (k-2)(k-1)
Renglones
k1
SCB1
CMB1
CMB1 / CME
F(; k-1, (k-2)(k-1)
Columnas
k1
SCB2
CMB2
CMB2 / CME
F(; k-1, (k-2)(k-1)
Error
(k 2)(k 1)
SCE
CME
Total
k2 - 1
SCT
El ANOVA en el DCL permite probar las hiptesis sobre los efectos de

los tratamientos (factor de inters) y de los factores de bloque (factor
rengln y factor columna), donde la hiptesis fundamental es la de los
tratamientos; las otras dos permiten comprobar la relevancia de
controlar los factores de bloque.
Ejemplo integrador
Ejemplo integrador
Ejemplo integrador
Ejemplo integrador
Se requiere estudiar el efecto de cinco diferentes catalizadores (A,
B, C, D y E) sobre el tiempo de reaccin de un proceso qumico.
Cada lote de material slo permite cinco corridas y cada corrida
requiere aproximadamente 1.5 horas, por lo que se decide realizar
slo cinco corridas diarias en cinco das de estudio.
RESULTADOS PARA EL DCL (RESPUESTAS EN TIEMPO EN MINUTOS)
DA (Bloque 2)
El experimentador
decide correr los
experimentos con un
diseo en cuadro latino
para controlar
activamente los lotes
y los das.
L
O
T
E
A=8
B=7
D=1
C=7
E=3
C = 11
E=2
A=7
D=3
B=8
B=4
A=9
C = 10
E=1
D=5
D=6
C=8
E=6
B=6
A = 10
E=4
D=2
B=3
A=8
C=8

El catalizador es factor determinante sobre el tiempo de
reaccin?.
Qu catalizador minimiza el tiempo de reaccin?.

Qu catalizador lo maximiza?.
Cul es el tiempo de reaccin cuando se procesa con cierto
tipo de catalizador?.
Cul es el efecto sobre el tiempo de reaccin al elegir

cualquiera de los catalizadores restantes?.
Pasos a seguir.
Designar las especificaciones para el DCL

Crear el diseo para el DCL
Ingresar los datos experimentales en Hoja de trabajo Minitab
Determinar los niveles que minimizan la respuesta
Predecir resultados
Ejemplo integrador. Especificaciones para el DCL
Especificaciones para el DCL.

Factor de inters: Tipo de catalizador
Niveles o tratamientos del factor de inters: 5 (A, B, C, D, E).
Factor de bloqueo 1: Lote
Factor de bloqueo 2: Da
Niveles o tratamientos de los factores de bloqueo: 5 (1, 2, 3, 4, 5)
Unidad experimental: Reaccin qumica
Variable de salida: Tiempo (minutos)
Rplicas: 1 Datos p/variable analizada: N=25
Ejemplo integrador. Diseo para el DCL.
Diseo para el DCL.

Para disear y aleatorizar el DCL, elija:
El primer factor de bloque Lote (BQ1) y sus niveles que son 5 se
ingresan en C1. Los niveles para el segundo factor de bloque Da (BQ2)
que tambin son 5 se nombran en las celdas para nombre de variable
en las columnas C2 a C6.
Ingresar los niveles del factor de inters Catalizador
(mediante las letras griegas
A, B, C, D , E), en las celdas
que correspondan segn el
diseo aleatorio elegido.
Vgr: El cuadro para el DCL
elegido podra quedar,
segn se indica.
2. Una vez aleatorizado el

diseo, se procede a apilar el
orden en el que se
desarrollarn las corridas. Para
ello, en C8 , C9 y C10,
nombrar
BQ1 (Lote), BQ2 (Da),
FACTOR (Catalizador),
respectivamente.
3. Elija: Datos > Apilar > Filas
4. En la ventana de dilogo Apilar

filas, seleccionar en Las filas que
se apilarn estn en las columnas
siguientes: C2-C6.
En Guardar datos apilados en:
ingresar C10.
Elegir Almacenar subndices de
filas e ingresar C8.
Elegir Almacenar subndices de
columna en, e ingresar C9.
Los datos apilados, que indican

las condiciones en las que se
realizarn las corridas
experimentales, se despliegan
en la Hoja de trabajo, segn:
Ingreso de datos
experimentales.
1. En C11 nombrar la variable de
respuesta Tiempo de reaccin.
2. Ingresar los datos

(respuestas) segn las corridas
experimentales realizadas.
RESULTADOS PARA EL DCL (RESPUESTAS EN TIEMPO EN MINUTOS)
DA
L
O
T
E
A=8
B=7
D=1
C=7
E=3
C = 11
E=2
A=7
D=3
B=8
B=4
A=9
C = 10
E=1
D=5
D=6
C=8
E=6
B=6
A = 10
E=4
D=2
B=3
A=8
C=8
Ejecucin del ANOVA.

Para un DCL el ANOVA se corre en la opcin Modelo lineal general.
Elegir: Estadsticas >
ANOVA > Modelo lineal
general.
1. En la Ventana Modelo lineal
general, en Respuestas elegir
C11. En Modelo ingresar los
trminos del modelo (factor
principal y factores de
bloqueo): C10, C8 y C9.
2. Abrir la pestaa de
Comparaciones
En la Ventana Modelo lineal

general - comparaciones, activar
comparaciones en parejas y en
Trminos seleccionar C10 Factor
(catalizador).
En Mtodo seleccionar Tukey y
activar Intervalo de confianza
con nivel de confianza y
Prueba.
3. Al regresar a la ventana
Modelo lineal general abrir la
pestaa de Grficas.
En Grficas de residuos
elegir Cuatro en uno.
Modelo lineal general dar clic
en Resultados.
Para la presentacin de
resultados, seleccionar la
tercera opcin.
En Mostrar las medias de los
cuadrados mnimos
correspondientes a los
trminos ingresar C10
Factor (catalizador).
Dar clic en Aceptar .
5. En la Ventana de
dilogo Modelo lineal
general seleccionar
Grfica de factores.
Factor (Catalizador), BQ.1 y
BQ.2 (factor de inters y
factores de bloque 1 y 2,
respectivamente).
Los resultados del ANOVA, las
medias de los cuadrados
correspondientes a los trminos y
las pruebas de comparacin, se
despliegan en la ventana de sesin;
los grficos de efectos principales y
residuales son desplegados en la
carpeta de grficos.
Ejemplo integrador. Interpretacin de resultados grficos
La grfica indica que los tratamientos (Catalizador) observaron efectos

diferentes sobre el tiempo de la reaccin. Los catalizadores tipo D y E
redujeron el tiempo promedio de la reaccin en mayor proporcin que los tipo
A, B y C. Como interesa minimizar el valor de respuesta (menor tiempo de
reaccin), los catalizadores ms recomendables parecen ser D y E. Por lo que
respecta a los factores bloqueados (Lote y Da) -aunque no ha sido objetivo del
experimento analizar sus efectos sobre la respuesta-, se observa que stos no
difieren de forma importante sobre el tiempo de reaccin.
Interpretacin:
El anlisis de varianza indica que existe una diferencia entre las medias de los
tratamientos del factor de inters (el factor principal Catalizador obtuvo un valorp =
0.000 < = 0.05) y por lo tanto, se concluye que EL TIPO DE CATALIZADOR ES
DETERMINANTE SOBRE EL TIEMPO DE LA REACCIN QUMICA, y por lo cual se
requiere de realizar las pruebas de comparacin mltiple para aislar e identificar las
diferencias especficas entre los niveles del factor.
Por lo que respecta a las pruebas de hiptesis para validar el efecto de los
bloques (lote y da), se observa que sus valores-p resultaron mayores a =
0.05, con lo que se concluye que dichos factores no tienen influencia sobre la
variable de respuesta, es decir, no influyen de manera significativa sobre el
tiempo de la reaccin (se tiene el argumento a favor de no controlar estos
factores en futuros experimentos sobre esta misma respuesta).
Por lo que se refiere al valor resultante en R-cuad = 81.84%, indica que el

modelo explica el 81.84% de la varianza en el tiempo de reaccin, lo cual
manifiesta que el modelo se ajusta muy bien a los datos.
Diseo en Cuadro grecolatino, DCL.
Ejemplo integrador. Interpretacin de resultados
Salida de la tabla de coeficientes o efectos.

Minitab despliega los coeficientes
(efectos) de los niveles de los
factores de inters y de bloqueo que
conforman el modelo que ajusta y
describe las observaciones
experimentales.
Por ejemplo, al sustituir los
coeficientes respectivos en la
ecuacin de regresin ajustada, el
tiempo de reaccin para la
observacin YC21 (cuyas condiciones
experimentales son: Catalizador C,
segundo nivel del primer factor de
bloque Lote y primer nivel del
segundo factor de bloque Da),
queda predicho puntualmente por:
Sustitucin de coeficientes en la ecuacin de regresin ajustada para predecir YC21:
YC21 = 5.88 + 2.92 + 0.32 + 0.72 = 9.84 minutos.
Diseo en Cuadro grecolatino, DCL.
Diseo en Cuadro latino, DCL. Ejemplo integrador. Salida de medias de cuadrados mnimos
Salida de las medias de cuadrados mnimos para el Factor

principal (CATALIZADOR).
Segn las medias de
tratamientos, los catalizadores D
y E minimizan la respuesta
(tiempo de la reaccin) en
mayor proporcin que los
catalizadores B, A y C (en ese
orden). Para comprobar si estas
diferencias entre medias son
estadsticamente significativas,
es necesario correr las pruebas
de mltiples comparaciones
entre pares de medias. El error
estndar de la media result ser
0.7908, mismo que se usa en
caso de hacer estimaciones
para i.
Ejemplo integrador. Salida de las pruebas de comparacin
Salida de los intervalos de confianza simultneos de Tukey del 95%.

Pruebas de comparacin mltiple entre pares de niveles del factor principal
(CATALIZADOR) en la ventana de sesin.
Los pares de
medias que
evidencian
diferencias
significativas entre
sus medias (sus
intervalos no
comprenden cero)
son DA, EA, DC y
EC; los pares
cuyas diferencias
no son
significativas (sus
intervalos
comprenden cero)
son BA, CA, CB,
DB EB y ED.
Salida para las pruebas de contraste de hiptesis que comparan pares entre
los niveles del factor principal (CATALIZADOR), en la ventana de sesin.
Minitab presenta
tambin los
resultados de las
comparaciones
mltiples en forma de
pruebas de hiptesis.
Estas se muestran de
la misma forma que
los intervalos de
confianza. Se pueden
apreciar rpidamente
los pares de medias
en los que existe una
evidencia significativa
de diferencias (p<).
Conclusin de las pruebas de comparacin entre pares de

medias de tratamientos.
Por la magnitud de las diferencias significativas observadas en las
pruebas simultneas de Tukey, en las que el tiempo de reaccin
medio entre los tratamientos (catalizador) result ser B=A, C=A,
D<A, E<A, C=B, D=B, E=B, D<C, E<C y E=D, se concluye que el
catalizador E, aunque no difiere significativamente del D, resulta ser
mejor que los catalizadores B, A y C (en ese orden), pues reduce el
tiempo promedio de reaccin en mayor proporcin que aqullos
(recordar que lo que se busca es minimizar la respuesta -menor
tiempo para la reaccin qumica-).
Los intervalos de confianza para el tiempo medio de reaccin estimado

por nivel de tratamientos (catalizador), se calcula mediante:
donde t/2;(k-2)(k-1) = t0.025;12 = 2.18 y
De esta manera, dichos intervalos resultan ser:

Catalizador A:
8.4 (2.18)(0.7908)
95%. 6.676 A 10.124 min.
Catalizador B:
5.6 (2.18)(0.7908)
95%. 3.876 B 7.324 min.
Catalizador C:
8.8 (2.18)(0.7908)
95%. 7.076 C 10.524 min.
Catalizador D:
3.4 (2.18)(0.7908)
95%. 1.676 D 5.124 min.
Catalizador E:
3.2 (2.18)(0.7908)
95%. 1.476 E 4.924 min.
Diseo en Cuadro latino, DCL. Ejemplo integrador. Comprobacin de supuestos del modelo
Comprobacin de los supuestos del modelo.

Anlisis de residuales.
La grfica 4 en 1 no revela ninguna falta de
adecuacin del modelo ni algn problema
excepcional con los supuestos. El
histograma no evidencia sesgo o valores
atpicos importantes. Los residuos en la
grfica de probabilidad normal se aproximan
a la lnea recta y no presentan sesgo o
valores atpicos. En la grfica de Residuos
vs. Valores ajustados, se evidencia varianza
constante (los residuos se dispersan
alrededor de cero). De igual forma, los
residuos parecen estar dispersos
concluir que la calidad de ajuste del modelo
es satisfactoria.
Diseo en Cuadro grecolatino, DCGL.
Diseo en cuadro grecolatino

(DCGL)
Definicin
Diseo en cuadro grecolatino, DCGL

El Diseo en Cuadro grecolatino, DCGL, se puede considerar
una extensin del cuadrado latino en el que se estudia un factor
de tratamientos y se desea controlar un tercer factor de bloque.
Se llama cuadro grecolatino por dos razones: es un cuadro
debido a que tiene la restriccin adicional de que los cuatro
factores involucrados se prueban en la misma cantidad de
niveles, y es grecolatino porque se utilizan letras griegas para
indicar los tratamientos o niveles del tercer factor de bloque y
letras latinas para denotar los tratamientos o niveles del factor de
inters.
Cuadro grecolatino
Construccin de un CGL, 4x4.

La construccin de un cuadro grecolatino 4x4 consiste en que
cada fila y cada columna contenga las combinaciones en pares,
entre los cuatro tratamientos del factor principal y del tercer
factor de bloqueo, con la restriccin de que ningn par se repita
en el cuadro resultante. Por ejemplo, suponga un estudio con 4
tratamientos A,B,C,D para el factor principal y 4 para el tercer
factor de bloque, identificados mediante , , , . El arreglo
puede lograrse mediante el siguiente esquema:
1. Elegir el par A en la esquina superior izquierda (celda 1,1).
2. Ahora, en la segunda fila, las dos primeras casillas (2,1) y

(2,2), no pueden ser ni A, ni , debido a que se repetiran en la
misma columna o diagonal. Por lo tanto, en stas podran
corresponder las combinaciones entre los restantes niveles B, C,
D con , , . Si se eligen B y C con y , quedan los pares B
y C, respectivamente.
Cuadro grecolatino
3. En una de las otras dos celdas de la fila dos (2,3) o (2,4), debe
haber A, y en la otra , ya que el par A que se encuentra en la
celda (1,1) no se puede repetir.
4. Si se opta por la celda de la segunda fila, tercera y cuarta
columnas para A y , respectivamente, y se propagan las
restricciones, se obtienen los pares A y D.
5. Dado que no existen otras posibilidades para la celda (2,3), el
conjunto de soluciones se completa salvo permutacin entre los
niveles de los factores de
inters y de bloqueo.
El diseo DCGL 4x4 queda
como se indica:
Cuadro grecolatino
Ejemplos de cuadros grecolatinos.

ORDEN 3
ORDEN 4
NOTA.
Uno de los
inconvenientes del
cuadro grecolatino, al
igual que el cuadro
latino, es que requiere
el mismo nmero de
niveles para los cuatro
factores que
intervienen. Adems
no hay cuadrados
grecolatinos de
dimensin 6.
ORDEN 5
Aspecto de los datos en el DCGL.
Aspecto de los datos en un DCGL.

Factor de bloque (columnas)
1
1
Factor de
bloque
(renglones)
2
3
4
En este cuadro se comprende un DCGL para A, B, C, D tratamientos a

comparar (entonces los tres factores de bloque tienen tambin 4 niveles cada
uno). Se necesitan al menos cuatro subndices para identificar los datos
experimentales por lo que, por ejemplo, la respuesta YC31 se gener en el
factor tratamiento-letras latinas nivel C, en el tercer nivel del factor rengln, en
el primer nivel del factor columna y en el nivel del factor-letras griegas.
Modelo estadstico
Modelo estadstico.
El modelo estadstico que describe las mediciones en un
diseo en cuadro grecolatino, DCGL, est dado por:
donde:
= efecto constante, comn a todas las unidades
= efecto producido por el i-simo nivel del factor de tratamiento (letra latina)
= efecto producido por el j-simo nivel del factor fila (factor de bloque 1)
= efecto producido por el l-simo nivel del factor columna l (factor de bloque 2)
= efecto producido por el m-simo nivel del factor letra griega (factor de bloque 3)
= error experimental de la unidad experimental ijlm.
= observacin en la unidad experimental ijlm.
Contrastes de hiptesis
Las hiptesis que se plantean en un diseo experimental DGCL
para comprobar los efectos estadsticos de los trminos del
modelo (efectos de tratamientos-letras latinas, de filas, de
columnas y de letras griegas), son:
La hiptesis fundamental a comprobar es la de los tratamientos;

las otras tres permiten comprobar la relevancia de controlar los
factores de bloque.
Descomposicin de la variabilidad
Descomposicin de la variabilidad.
La variabilidad total presente en los datos se puede partir de la
manera usual como:
SCT = SCTRAT + SCB1 + SCB2 + SCB3 + SCE
donde:
SCT = suma total de cuadrados
SCTRAT= suma de cuadrados debido al efecto letras latinas (factor principal
SCB1 = suma de cuadrados debido al efecto del factor fila
SCB2 = suma de cuadrados debido al efecto del factor columna
SCB3 = suma de cuadrados debido al efecto del factor
SCE = suma de cuadrados del error
y los grados de libertad correspondientes resultan ser:

k2 1 = (k 1) + (k 1) + (k 1) + (k 1) + (k 3)(k 1)
Tabla ANOVA
Tabla ANOVA para un DCGL

Fuente de
variabilidad
Grados
de libertad
Suma de
cuadrados
Cuadrados
medios
FCAL
FTABLAS
Tratamientos
(letras latinas)
k1
SCTRAT
CMTRAT
CMTRAT / CME
F(; k-1, (k-2)(k-1)
Factor bloque 1
(renglones)
k1
SCB1
CMB1
CMB1 / CME
F(; k-1, (k-2)(k-1)
Factor bloque 2
(columnas)
k1
SCB2
CMB2
CMB2 / CME
F(; k-1, (k-2)(k-1)
Factor bloque 3
(letras griegas)
k1
SCB3
CMB3
CMB3 / CME
F(; k-1, (k-2)(k-1)
Error
(k 3)(k 1)
SCE
CME
Total
k2 - 1
SCT
Mediante el ANOVA se prueban las hiptesis de igualdad para los

efectos de tratamientos (letras latinas), de renglones, de columnas y
de letras griegas, donde la hiptesis fundamental es la de los
tratamientos; las otras tres permiten comprobar la relevancia de
controlar los factores de bloque.
Ejemplo integrador
Ejemplo integrador
Ejemplo integrador
Ejemplo integrador
Un equipo de mejora investiga el efecto de cuatro mtodos de
ensamble A,B,C y D, sobre el tiempo de ensamble en minutos. La
estrategia experimental requiere de aplicar un DCGL, pues se
considera la necesidad de controlar en el experimento el orden de
ensamble (bloque 1),
RESULTADOS PARA EL DCGL (RESPUESTAS EN TIEMPO EN MINUTOS)
a los operadores que
realizan el ensamble
Operador (Bloque 2)
Orden
(bloque 2) y el Da
(Bloque 1)
1
2
3
4
en el que se
1
10
10
12
7
efectan dichos
ensambles (bloque 3
2
15
7
14
8
letras griegas).
3
6
14
13
11
4
11
10
Ejemplo integrador

El mtodo es factor determinante sobre el tiempo de
ensamble?.
Qu mtodo minimiza el tiempo de ensamblado?.

Qu mtodo lo maximiza?.
mejor mtodo?.

mtodo menos recomendable?.
Qu efecto tiene cada mtodo sobre el tiempo promedio de

ensamble?.
Ejemplo integrador. Pasos a seguir.
Pasos a seguir.
Designar las especificaciones para el DCGL

Crear el diseo para el DCGL
Ingresar los datos experimentales en Hoja de trabajo Minitab
Determinar los niveles que minimizar la respuesta

Predecir resultados
Diseo en Cuadro grecolatino, DCGL. Ejemplo integrador. Especificaciones para el DCGL.
Especificaciones para el DCGL.

Factor de inters: Mtodo de ensamble
Niveles o tratamientos del factor de inters: 4 (A, B, C, D).

Factor de bloqueo 1: Orden
Factor de bloqueo 2: Operador
Factor de bloqueo 3: Da
Niveles o tratamientos de los factores de bloqueo: 4 (1, 2, 3, 4)
Unidad experimental: Ensamblado de la pieza
Variable de salida: Tiempo (minutos)
Rplicas: 1
Ejemplo integrador. Diseo elegido para el DGCL.
Diseo elegido para el DCGL.

Suponga que el diseo
elegido para el DCGL
4x4, haya sido el
siguiente:
RESULTADOS PARA EL DCGL (RESPUESTAS EN TIEMPO EN MINUTOS)
Orden
(Bloque 1)
Operador (Bloque 2)
1
Ejemplo integrador. Ingreso del diseo
Ingreso del diseo DCGL.

Ingresar en la hoja de trabajo el diseo DCGL 4x4 elegido. El primer
factor de bloque (factor rengln) Orden y sus 4 niveles se
especifican en C1. Los 4 niveles del segundo factor bloqueado
(factor columna) Operador se refieren como encabezados para las
columnas C2 a C5. Las combinaciones entre pares de tratamientos
del tercer factor de bloque Da (letras griegas en este caso letras
latinas minsculas-) y
Factor principal
Mtodo (letras latinas
maysculas) se
ingresan en las celdas
que corresponden al
diseo elegido, segn
se indica:
Para dar formato

apilado al diseo,
elegir:
Datos > Apilar > Filas.
En filas que se apilarn
estn en las columnas
siguientes, Ingresar C2C5 .
En Guardar datos
apilados C9. Seleccionar
Almacenar subndices de
fila e ingresar C7.
Seleccionar Almacenar
subndices de columna e
ingresar C8.

Nombrar las columnas
C7, C8 y C9 como Orden,
Operador y Da (factores
de bloque 1, 2 y 3).

Nombrar C10 como Mtodo (factor
de inters). Separar los niveles de
tratamientos de la combinacin
desplegada en C9 e ingresarlos en
C10. El diseo tabular para las 16
corridas experimentales, queda:
Diseo en Cuadro grecolatino, DCGL.Ejemplo integrador. Ingreso de datos experimentales
Ingreso de datos
experimentales.
1. En C11 nombrar la variable de
respuesta Tiempo .
2. Ingresar en C11 las

respuestas (observaciones)
obtenidas en las corridas
experimentales realizadas.
Orden
(Bloque
1)
C = 10
B = 10
D = 12
A = 7
B = 8
C = 15
A = 7
D = 14
A = 6
D = 14
B = 11
C = 13
D = 11
A = 8
C = 10
B = 8
Operador (Bloque 2)
Ejemplo integrador. Ejecucin del ANOVA.
Ejecucin del ANOVA.

El ANOVA para un DGCL se corre en la opcin Modelo lineal general.
Elegir: Estadsticas >
ANOVA > Modelo lineal
general.
1. En la Ventana Modelo
lineal general, en
Respuestas elegir Tiempo.
En Modelo ingresar los
trminos del modelo
(factor principal y factores
de bloqueo 1, 2, 3): C10,
C7, C8 y C9.
2. Abrir la pestaa de
Comparaciones
En la Ventana Modelo lineal

general - comparaciones, activar
comparaciones en parejas y en
Trminos seleccionar C10 (Factor
de inters).
En Mtodo seleccionar Tukey y
activar Intervalo de confianza
con nivel de confianza.
Modelo lineal general abrir la
pestaa de Grficas.
En Grficas de residuos
elegir Cuatro en uno.
Modelo lineal general dar clic
en Resultados.
resultados, seleccionar
Adems, coeficientes para
todos los trminos e ingresar
Mtodo (factor de inters).
5. En la Ventana de
dilogo Modelo lineal
general seleccionar
Grfica de factores.
C10, C7, C8 y C9 (factor de
inters y factores de bloque 1,
2 y 3, respectivamente).
Los resultados del ANOVA, las

medias de los cuadrados
correspondientes a los trminos y
las pruebas de comparacin, se
despliegan en la ventana de sesin;
los grficos de efectos principales y
residuales son desplegados en la
carpeta de grficos.
Salida de resultados.
Contina salida de resultados
Interpretacin de resultados
La grfica despliega los efectos principales del
factor de inters y de los factores de bloque. La
magnitud de un efecto est relacionada con su
distancia con respecto a la media global, .
Efectos de los tratamientos.
Los tratamientos A y B reducen el tiempo medio
global de ensamble ( = 10.25). El mtodo A lo
reduce en 3.25 minutos y el B en solo 1 minuto. Los
efectos de los tratamientos C y D son contrarios a
los anteriores pues stos incrementan el tiempo
promedio global de ensamble en 1.75 y 2.50
minutos, respectivamente.
2.50
1.75
-1.00
-3.25
Efectos de los bloques.

Aunque no es objeto del experimento analizar los
efectos de los factores de bloqueo (orden, operador
y da) sobre la respuesta, se observa que stos no
difieren de manera importante sobre el tiempo de
ensamble.
Tabla de especificaciones del diseo elegido.
Minitab muestra primeramente la tabla de factores incluidos en el modelo, el

tipo para cada factor (fijo o aleatorio), el nmero de niveles para cada factor y
los valores para los niveles de los factores. Se observa, segn las
especificaciones para el DCGL elegido, que hay cuatro factores incluidos en el
diseo (mtodo, orden, operador y da); todos los factores son fijos. El factor
mtodo (letras latinas) tiene cuatro niveles con los valores A,B,C y D; los
niveles para los factores de bloque rengln y columna se identifican como 1, 2,
3 y 4, respectivamente; el tercer factor de bloque da sus niveles son
expresados en letras latinas minsculas a, b, c, y d.
Tabla del ANOVA resultante.
En el anlisis se evalan los efectos del factor de inters (Mtodo) y de los factores de
bloque (orden, operador y da). Presuponiendo que se seleccion el nivel de 0.05, los
resultados del ANOVA indican lo siguiente: para el factor de inters result que el valorp
= 0.014 < = 0.05, lo que significa que el efecto del Mtodo sobre el tiempo de ensamble
es significativo, es decir, EL TIEMPO MEDIO DE ENSAMBLE NO ES EL MISMO PARA
LOS DIFERENTES MTODOS. Por su parte, los valores-p para cada factor de bloque
resultaron ser mayores que 0.05, lo que indica que stos no tienen un efecto significativo
sobre la respuesta.
Estadsticos que miden el grado de ajuste del modelo.
Estos valores permiten seleccionar el modelo que mejor ajusta a los datos. El
valor R2, indica que el modelo explica el 97.01% de la variabilidad observada
en el tiempo de ensamblado. El R-cuad. (ajustado) no es referencia en este
caso pues se utiliza para evaluar el impacto de aumentar o disminuir el nmero
de trminos del modelo. La desviacin estndar agrupada S=1.08012
(calculada mediante la raz cuadrada de MSE), estima la desviacin estndar
comn para todos los niveles del factor. En conjunto, estos estadsticos
evidencian que el modelo se ajusta muy bien a los datos.
Salida de la tabla de coeficientes o efectos.

Minitab despliega los coeficientes
(efectos) de los niveles de los factores
de inters y de bloqueo que conforman
el modelo que ajusta y describe las
observaciones experimentales.
Por ejemplo, al sustituir los coeficientes
respectivos en la ecuacin de regresin
ajustada, el tiempo de ensamble para la
observacin YB21a (cuyas condiciones
experimentales son: Mtodo en nivel B,
segundo nivel del primer factor de
bloque Orden, primer nivel del segundo
factor de bloque Operador y nivel a del
tercer factor de bloque Da), queda
predicho puntualmente por:
Sustitucin de coeficientes en la ecuacin de regresin ajustada para predecir
Salida de las medias de cuadrados mnimos para TIEMPO por

nivel del Factor principal (Mtodo de ensamble).
Los tiempos medios de tratamientos
indican que los mtodos A y B
resultaron con tiempos de
ensamblado promedio ms bajo (7.0
y 9.25 minutos, respectivamente), en
comparacin a los tiempos medios
de ensamble utilizados por los
mtodos C y D (12 y 12.75 minutos,
respectivamente). Para determinar si
estas diferencias entre medias son
estadsticamente significativas, se
requiere de utilizar las pruebas de
mltiples comparaciones de las
medias. El error estndar de la
media result ser 0.541, mismo que
se usa en caso de hacer
estimaciones para i.
Salida de las pruebas de comparacin mltiple entre pares de

niveles del factor principal (MTODO) en la ventana de sesin.
Los pares de
medias que
evidencian
diferencias
significativas
entre sus medias
(sus intervalos no
comprenden
cero) son CA y
DA; los pares
cuyas diferencias
no son
significativas (sus
intervalos
comprenden
cero) son BA,
CB, DB y DC.
Por la magnitud de las diferencias significativas observadas, se

determina que el tiempo de ensamble medio entre los mtodos es
B=A, C>A, D>A, C=B, D=B y D=C. Como se desea minimizar la
respuesta (menor tiempo para el ensamblado), se concluye que el
mtodo A, aunque no difiere del B, resulta ser mejor que los
mtodos D y C, pues reduce el tiempo promedio de ensamble en
mayor proporcin que aqullos.
Los intervalos de confianza para el tiempo de ensamble promedio

estimado por nivel de tratamientos (mtodo), se calcula mediante:
donde t/2;(k-3)(k-1) = t0.025;3 = 3.18 y
As, los intervalos de confianza por nivel para el factor de inters

(mtodo), resultan ser:
Comprobacin de los supuestos del modelo.

Anlisis de residuales.
La grfica 4 en 1 no revela ninguna falta de
adecuacin del modelo ni algn problema
excepcional con los supuestos. El
histograma no evidencia sesgo o valores
atpicos importantes. Los residuos en la
grfica de probabilidad normal se aproximan
a la lnea recta y no presentan sesgo o
valores atpicos. En la grfica de Residuos
vs. Valores ajustados, se evidencia varianza
constante (los residuos se dispersan
alrededor de cero). De igual forma, los
residuos parecen estar dispersos
concluir que la calidad de ajuste del modelo
es satisfactoria.

Tutorial Minitab 15. Diseños de Experimentos Con Un Factor. Dca. Dbca. Dcl. Dcgl.

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Tutorial Minitab 15. Diseños de Experimentos Con Un Factor. Dca. Dbca. Dcl. Dcgl.

Încărcat de

Drepturi de autor:

Formate disponibile

Curso-Taller.

Elabor: Qum. Francisco Partida Hernndez

Curso-Taller. MINITAB 15.

Experimentos con un solo factor.

Experimentos con un solo factor.

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos con un solo factor.

Clasificacin de los experimentos con un solo factor

Clasificacin de los experimentos

Diseos completamente aleatorios (DCA).

Diseos de bloques completamente aleatorios (DBCA).

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor.

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor.

Diseo completamente al azar, DCA.

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor.

Modelo estadstico lineal

Modelo estadstico lineal

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor con efectos fijos

Contrastes de hiptesis en el DCA

Lo cual se puede escribir en forma equivalente como:

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor con efectos fijos

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor con efectos fijos

Representacin de las medias y de los

En la figura se representa el DCA. En la figura se observa que i = i ; el

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor con efectos fijos

.Anlisis de varianza, ANOVA

ANOVA para el modelo DCA de

Y los respectivos grados de libertad de cada una de ellas son:

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor con efectos fijos

.Anlisis de varianza, ANOVA

Recurdese que las sumas de cuadrados divididos entre sus

Con esto, el estadstico de prueba con distribucin F para validar

Con k-1 grados de libertad en el numerador y N - k grados de

Elabor: Qum. Francisco Partida Hernndez

Catedrtico del rea de Estadstica del Instituto Tecnolgico de Puebla

Curso-Taller. MINITAB 15.

Experimentos DCA con un factor con efectos fijos

Tabla ANOVA para un DCA.

F(; a-1, abn-1)

Para probar las hiptesis planteadas, Minitab se apoya en