Diseño y Análisis de Experimentos, Montgomery

DISEO y
ANLISIS DE
EXPERIMENTOS
"'"
DISENO Y
'"
ANALISIS DE
EXPERIMENTOS
segunda edicin
Douglas c. Montgomery
UNIVERSIDAD ESTATAL DE ARlZONA
~LIMUSA WILEY~
VERSIN AUTORIZADA EN ESPAIIIOL. De L.A OBRA PUBL.ICADA
EN INGLS CON EL TITULO:
DESIGN ANO ANALYSIS OF EXPERIMENTS
JOHN WIL.EY & SONS, INC., New YORK, CHICHESTER,
BRISBANE, SINGAPORE, TORONTO ANO WEINHEIM.
COLABORADOR EN LA TRADUCCiN:
RODOLFO PIA GARCfA
R:VISIN:
GRISELDAZETINAVLEZ
INGENIERA QUIMICA POR LA FACULTAD DE QUfMICA DE LA
UNIVERSIDAD NACIONAL AUTNOMA DE MxIco. DOCENTE
EN MATEMTICAS. PROFESORA EN LA ESCUELA DE CIENCIAS
QUfMICAS DE L.A UNIV"'RSIDAD LA SAL.L.E
LA PRESENTACiN Y DISPOSICiN EN CONJUNTO DE

DISEO Y ANLISIS DE EXPERIMENTOS
SON PROPIEDADDEL EDITOR. NINGUNA PARTEDE ESTOBRA PUEDE

SER REPRODUCIDA O TRANSMITIDA, MEDIANTE NINGN SISTEMA O
MTODO, ELECTRNICO O MECNICO (INCLUYENDO EL FOTO-
COPIADO, LA GRABACiNO CUALQUIERSISTEMADE RECUPERACiN
Y ALMACENAMIENTO DE INFORMACiN), SIN CONSENTIMIENTOPOR
ESCRITO DEL EDITOR.
D.ERECHOS RESERVADOS:
e 2004, EDITORIAL LlMUSA, S.A. DE C.V.

GRUPO NORIEGA EDITORES
BALDE RAS 95, MXICO, D.E
C.P. 06040
~ 85038050
01 (800) 706 9100
[@ 55122903
/iii limusa@.noriega.com.mx
-'1'- www.nonega.com.mx
CANIEM NM. 121
HECHO EN MXICO
ISBN 968-18-6156-6
3.2
Prefacio
El presente libro es un texto de introduccin que aborda el diseo y anlisis de experimentos. Tiene como
base los cursos sobre diseo de experimentos que he impartido durante ms de 25 aos en la Universidad
Estatal de Arzona, la Universidad de Washington y el Instituto de Tecnologa de Georgia. Refleja asimis-
mo los mtodos que he encontrado tiles en mi propia prctica profesional como consultor en ingeniera
y estadstica en las reas generales de diseo de productos y procesos, mejoramiento de procesos e inge-
niera de control de calidad.
El libro est destinado a estudiantes que han llevado un primer curso de mtodos estadsticos. Este
curso previo debe incluir por lo menos algunas de las tcnicas de estadstica descriptiva, la distribucin
normal y una introduccin a los conceptos bsicos de los intervalos de confianza y la prueba de hiptesis
para medias y varianzas. Los captulos 10 y 11 requieren un manejo elemental de lgebra matricial.
Como los requisitos para llevar este curso son relativamente modestos, este libro puede usarse tam-
bin en un segundo curso de estadstica enfocado en el diseo estadstico de experimentos para estudian-
tes de licenciatura de ingeniera, fsica, ciencias fsicas y qumicas, matemticas y otros campos de las
ciencias. Durante varios aos he impartido un curso basado en este libro en el primer ao de estudios de
posgrado de ingeniera. Los estudiantes de este curso provienen de los campos tradicionales de ingenie-
ra, fsica, qumica, matemticas, investigacin de operaciones y estadstica. Tambin he usado este libro
como base de un curso breve para el sector industrial sobre diseo de experimentos para tcnicos en ejer-
cicio con una amplia diversidad en su formacin profesional. Se incluyen numerosos ejemplos que ilustran
todas las tcnicas de diseo y anlisis. Estos ejemplos se basan en aplicaciones del diseo experimental
en el mundo real, y se han tomado de diferentes campos de la ingeniera y las ciencias. Esto lleva al terreno
de las aplicaciones a un curso acadmico para ingenieros y cientficos y hace de este libro una til herra-
mienta de referencia para experimentadores de una amplia gama de disciplinas.
ACERCA DEL LIBRO
La presente edicin constituye una revisin sustancial del libro. He procurado mantener el equilibrio en-
tre los tpicos de diseo y anlisis; sin embargo, hay varios temas y ejemplos nuevos; asimismo he reorga-
nizado gran parte del material. En la presente edicin se resalta ms el uso de la computadora. Durante
los ltimos aos han surgido varios productos de software excelentes que auxilian al experimentador en
las fases del diseo y el anlisis para esta materia. He incluido las salidas de dos de estos productos, Mini-
tab y Design-Expert, en varias partes del texto. Minitab es un paquete de software de estadstica de carc-
ter general ampliamente disponible, que cuenta con tiles herramientas de anlisis de datos y que maneja
bastante bien el anlisis de experimentos tanto con factores fijos como aleatorios (incluyendo el modelo
mixto). Design-Expert es un paquete que se enfoca exclusivamente en el diseo experimental. Tiene mu-
chas herramientas para la construccin y evaluacin de diseos, as como mltiples caractersticas de an-
lisis. En el sitio web de este libro puede obtenerse una versin para estudiantes de Design-Expert, y se hace
una amplia recomendacin para usarlo. Exhorto a todos los profesores que usen este libro para que incor-
poren software de computadora en sus cursos. En mi caso particular, llevo a todas mis clases una compu-
v
vi PREFACIO
tadora laptop y un monitor, y todos los diseos o tpicos del anlisis tratados en clase se ilustran con la
computadora.
En esta edicin destaco an ms la conexin entre el experimento y el modelo que puede desarrollar
el experimentador a partir de los resultados del experimento. Los ingenieros (yen gran medida los cient-
ficos de la fsica y la qumica) aprenden los mecanismos fsicos y sus modelos mecanicistas fundamentales
al principio de su formacin acadmica, pero en la mayor parte de sus carreras profesionales tendrn que
trabajar con estos modelos. Los experimentos diseados estadsticamente ofrecen al ingeniero una base
vlida para desarrollar un modelo empirico del sistema bajo estudio. Despus este modelo emprico pue-
de manipularse (tal vez utilizando una superficie de respuesta o una grfica de contorno, o quiz matem-
ticamente) como cualquier otro modelo de ingeniera. A lo largo de muchos aos de docencia he
descubierto que este enfoque es muy eficaz para despertar el entusiasmo por los experimentos diseados
estadsticamente en la comunidad de ingeniera. En consecuencia, al inicio del libro planteo la nocin de
un modelo emprico fundamental para el experimento y las superficies de respuesta y destaco la impor-
tancia del mismo.
Tambin me he esforzado por presentar mucho ms rpido los puntos crticos en los que intervienen
los diseos factoriales. Para facilitar este objetivo, condens en un solo captulo (el 3) el material intro-
ductorio sobre los experimentos completamente aleatorizados con un solo factor y el anlisis de varianza.
He ampliado el material sobre los diseos factoriales y factoriales fraccionados (captulos 5 al 9) en un es-
fuerzo por hacer que el material fluya con mayor eficiencia en la perspectiva tanto del lector como del
profesor y por hacer mayor hincapi en el modelo emprico. El captulo sobre las superficies de respuesta
(el 11) sigue inmediatamente al material sobre diseos factoriales y factoriales fraccionados y modelado
de regresiones. He ampliado este captulo, agregando nuevo material sobre diseos ptimos alfabticos,
experimentos con mezclas y el problema de un diseo paramtrico robusto. En los captulos 12 y 13 se
analizan experimentos que incluyen efectos aleatorios, as como algunas aplicaciones de estos conceptos
en diseos anidados y parcelas subdivididas. El captulo 14 es una descripcin general de temas importan-
tes de diseo y anlisis: la respuesta no normal, el mtodo de Box-Cox para seleccionar la forma de una
transformacin, y otras alternativas; experimentos factoriales no balanceados; el anlisis de covarianza,
incluyendo covariables en un diseo factorial y mediciones repetidas.
A 10largo del libro he destacado la importancia del diseo experimental como una herramienta que
el ingeniero en ejercicio puede usar en el diseo y desarrollo de productos, as como en el desarrollo y me-
joramiento de procesos. Se ilustra el uso del diseo experimental en el desarrollo de productos que sean
robustos a factores ambientales y a otras fuentes de variabilidad. Considero que el uso del diseo experi-
mental en las fases iniciales del ciclo de un producto puede reducir sustancialmente el tiempo y el costo de
conducirlo, redundando en procesos y productos con un mejor desempeo en campo y una mayor confia-
bilidad que los que se desarrollan utilizando otros enfoques.
El libro contiene ms material del que puede cubrirse sin prisas en un solo curso, por lo que espero
que los profesores puedan variar el contenido de cada curso o bien estudiar ms a fondo algunos temas,
dependiendo de los intereses de la clase. Al final de cada captulo hay un grupo de problemas (excepto en
el I). El alcance de estos problemas vara desde ejercicios de clculo, destinados a consolidar los funda-
mentos, hasta la ampliacin de principios bsicos.
Mi curso en la universidad lo enfoco principalmente en los diseos factoriales y factoriales fracciona-
dos. En consecuencia, por lo general cubro el captulo 1, el captulo 2 (muy rpido), la mayor parte del ca-
ptulo 3, el captulo 4 (sin incluir el material sobre bloques incompletos y mencionando slo brevemente
los cuadrados latinos), y trato en detalle los captulos 5 al8 sobre diseos factoriales con dos niveles y di-
seos factoriales fraccionados. Para concluir el curso, introduzco la metodologa de superficies de res-
puesta (captulo 11) Yhago un repaso general de los modelos con efectos aleatorios (captulo 12) y los
diseos anidados yen parcelas subdivididas (captulo 13). Siempre pido a los estudiantes que realicen un
PREFACIO vii
proyecto semestral que consiste en disear, conducir y presentar los resultados de un experimento dise-
ado estadsticamente. Les pido que trabajen en equipos, pues es la manera en que se realiza la mayor
parte de la experimentacin industrial. Deben hacer la presentacin de los resultados de su proyecto de
manera oral y por escrito.
MATERIAL SUPLEMENTARIO DEL TEXTO
Con esta edicin he preparado un suplemento para cada captulo del libro. En este material suplementa-
rio se desarrollan temas que no pudieron tratarse con mayor detalle en el libro. Tambin presento algunos
temas que no aparecen expresamente en el libro, pero que para algunos estudiantes y profesionistas en
ejercicio podra resultar de utilidad una introduccin de los mismos. El nivel matemtico de parte de este
material es ms elevado que el del texto. Estoy consciente de que los profesores usan este libro con una
amplia variedad de audiencias, y es posible que algunos cursos de diseo ms avanzados puedan benefi-
ciarse al incluir varios de los temas del material suplementario del texto. Este material est en formato
electrnico en el CD/ROM del profesor (disponible slo en ingls) y se encuentra en el sitio web de este
libro.
SITIOWEB
En el sitio web http://www.wiley.com/legacy/college/engin/montgomery316490/student/student.html est

disponible el material de apoyo para profesores y estudiantes. Este sitio se usar para comunicar informa-
cin acerca de innovaciones y recomendaciones para el uso eficaz de este texto. El material suplementa-
rio del texto puede encontrarse en este sitio, junto con versiones electrnicas de las series de datos
utilizadas en los ejemplos y los problemas de tarea, un plan de estudios del curso y proyectos semestrales
del curso en la Universidad Estatal de Atizona.
RECONOCIMIENTOS
Expreso mi agradecimiento a los muchos estudiantes, profesores y colegas que han usado antes este libro
y quienes me han hecho llegar tiles sugerencias para esta revisin. Las contribuciones de los doctores
Rayrnond H. Myers, G. Geoffrey Vnng, Dennis Lin, John Ramberg, Joseph Pignatiello, Lloyd S. Nelson,
Andre Khuri, Peter Nelson, John A. Cornell, George C. Runger, Bert Keats, Dwayne Rollier, Norma Hu-
bele, Cynthia Lowry, Russell G. Heikes, Harrison M. Wadsworth, William W. Hines, Arvind Shah, Jane
Ammons, Diane Schaub, Pat Spagon y William DuMouche, y los seores Mark Anderson y Pat Whitcomb
fueron particularmente invaluables. Mi Jefe de Departamento, el doctor Gary Hogg, ha proporcionado
un ambiente intelectualmente estimulante en el cual trabajar.
Las contribuciones de los profesionistas en activo con quienes he trabajado han sido invaluables. Es
imposible mencionarlos a todos, pero algunos de los principales son Dan McCarville y Lisa Custer de Mo-
torola; Richard Post de Intel; Thm Bingham, Dick Vaughn, Julin Anderson, Richard Alkire y Chase
Neilson de Boeing Company; Mike Goza, Don Walton, Karen Madison, Jeff Stevens y Bob Kohm de
Alcoa; Jay Gardiner, John Butora, Dana Lesher, Lolly Marwah, Paul 'Iobias y Leon Masan de IBM; Eli-
zabeth A. Peck de Tbe Coca-Cola Company; Sadri Khalessi y Franz Wagner de Signetics; Robert V. Bax-
ley de Monsanto Chemicals; Harry Peterson-Nedry y Russell Boyles de Precision Castparts Corporation;
Bill New y Randy Schmid de Allied-Signal Aerospace; John M. Fluke, hijo, de John Fluke Manufacturing
vili PREFACIO
Company; Larry Newton y Kip Howlett de Georgia-Pacific, y Ernesto Ramos de BBN Software Products
Corporation.
Me encuentro en deuda con el profesor E.S. Pearson y con Biometrika, John Wiley & Sons, Prenti-
ce-Hall, The American Statistical Association, The Institute of Mathematical Statistics y los editores de
Biometrics por el permiso para usar material protegido por derechos de autor. Lisa Custer realiz un ex-
celente trabajo de presentacin de las soluciones que aparecen en el CD/ROM del profesor, y la doctora
Cheryl Jennings realiz una correccin de estilo eficaz y de suma utilidad. Estoy agradecido con la Office
of Naval Research, la National Science Foundation, las compaas integrantes de NSF/lndustrylUniver-
sity Cooperative Research Center in Quality and Reliability Engineering de la Universidad Estatal de
Arizona, e mM Corporation por apoyar gran parte de mis investgacones de estadstica y diseo experi-
mental de ingeniera.
Douglas C. Montgomery
Tempe, Arizona
Contenido
Captulo 1. Introduccin 1
1-1 Estrategia de experimentacin 1
1-2 Algunasaplicacionestpicasdel diseo experimental 8
1-3 Principiosbsicos 11
1-4 Pautas generales para disear experimentos 13
15 Brevehistoria del diseoestadstico 17
1-6 Resumen:uso de tcnicasestadsticasen la experimentacin 19
Captulo 2. Experimentos comparativos simples 21

2-1 Introduccin 21
2-2 Conceptosestadsticosbsicos 22
2-3 Muestreo y distribucionesde muestreo 26
2-4 Inferenciasacerca de las diferenciasen las medias,diseos aleatorizados 33
2-4.1 Prueba de hiptesis 33
2-4.2 Eleccindel tamao de la muestra 40
2-4.3 Intervalosde confianza 42
2-4.4 Caso en que ai ~ a~ 44
2-4.5 Caso en que se conocen ai y a~ 44
2-4.6 Comparacinde una sola media con un valor especificado 45
2-4.7 Resumen 46
2-5 Inferenciasacerca de las diferenciasen las medias,diseosde comparacionespareadas 47
2-5.1 El problema de las comparacionespareadas 47
2-5.2 Ventajasdel diseo de comparacionespareadas 50
2-6 Inferenciasacerca de las varianzasde distribucionesnormales 51
2-7 Problemas 54
Captulo 3. Experimentos con un solo factor: el anlisis de varianza 60

3-1 Un ejemplo 60
3-2 El anlisisde varianza 63
33 Anlisisdel modelo con efectos fijos 65
3-3.1 Descomposicinde la suma de cuadrados total 66
3-3.2 Anlisisestadstico 69
3-3.3 Estimacin de los parmetros del modelo 74
3-3.4 Datos no balanceados 75
ix
x CONTENIDO
3-4 Verificacin de la adecuacin del modelo 76

3-4.1 El supuesto de normalidad 77
3-4.2 Grfica de los residuales en secuencia en el tiempo 79
3-4.3 Grfica de los residuales contra los valores ajustados 80
3-4.4 Grficas de los residuales contra otras variables 86
3-5 Interpretacin prctica de los resultados 86
3-5.1 Un modelo de regresin 87
3-5.2 Comparaciones entre las medias de los tratamientos 88
3-5.3 Comparaciones grficas de medias 89
3-5.4 Contrastes 90
3-5.5 Contrastes ortogonales 93
3-5.6 Mtodo de Scheff para comparar todos los contrastes 95
3-5.7 Comparacin de pares de medias de tratamientos 96
3-5.8 Comparacin de medias de tratamientos con un control 103
3-6 Muestra de salida de computadora 104
3-7 Determinacin del tamao de la muestra 107
3-7.1 Curvas de operacin caracterstica 107
3-7.2 Especificacin de un incremento de la desviacin estndar 109
3-7.3 Mtodo para estimar el intervalo de confianza 110
3-8 Identificacin de efectos de dispersin 110
3-9 El enfoque de regresin para el anlisis de varianza 112
3-9.1 Estimacin de mnimos cuadrados de los parmetros del modelo 112
3-9.2 Prueba general de significacin de la regresin 114
3-10 Mtodos no paramtricos en el anlisis de varianza 116
3-10.1 La prueba de Kruskal-Wallis 116
3-10.2 Comentarios generales sobre la transformacin de rangos 118
3-11 Problemas 119
Captulo 4. Bloques aleatorizados, cuadrados latinos y diseos relacionados 126
4-1 Diseo de bloques completos aleatorizados 126

4-1.1 Anlisis estadstico del diseo de bloques completos aleatorizados 127
4-1.2 Verificacin de la adecuacin del modelo 135
4-1.3 Otros aspectos del diseo de bloques completos aleatorizados 136
4-1.4 Estimacin de los parmetros del modelo y la prueba general de
significacin de la regresin 141
4-2 Diseo de cuadrado latino 144
4-3 Diseo de cuadrado grecolatino 151
4-4 Diseos de bloques incompletos balanceados 154
4-4.1 Anlisis estadstico del diseo de bloques incompletos balanceados 155
4-4.2 Estimacin de mnimos cuadrados de los parmetros 159
4-4.3 Recuperacin de informacin interbloques en el diseo de bloques
incompletos balanceados 161
4-5 Problemas 164
CONTENIDO xi
Captulo 5. Introduccin a los diseos factoriales 170

5-1 Definiciones y principios bsicos 170
5-2 La ventaja de los diseos factorales 174
5-3 Diseo factorial de dos factores 175
5-3.1 Un ejemplo 175
5-3.2 Anlisis estadstico del modelo con efectos fijos 177
5-3.3 Verificacin de la adecuacin del modelo 185
5-3.4 Estimacin de los parmetros del modelo 185
5-3.5 Eleccin del tamao de la muestra 189
5-3.6 El supuesto de no interaccin en un modelo de dos factores 190
5-3.7 Una observacin por celda 191
5-4 Diseo factorial general 194
5-5 Ajuste de curvas y superficies de respuesta 201
5-6 Formacin de bloques en un diseo factorial 207
5-7 Problemas 211
Captulo 6. Diseo factorial 21; 218

6-1 Introduccin 218
6-2 El diseo ZZ 219
6-3 El diseo 23 228
6-4 El diseo general 2* 242
6-5 Una sola rplica del diseo 2'" 244
6-6 Adicin de puntos centrales en el diseo 2k 271
6-7 Problemas 276
Captulo 7. Formacin de bloques y confusin en el diseo factorial 2" 287

7-1 Introduccin 287
7-Z Formacin de bloques de un diseo factorial 2'"con rplicas 287
7-3 Confusin del diseo factorial 2k 288
7-4 Confusin del diseo factorial 2'"en dos bloques 289
7-5 Confusin del diseo factorial 2'"en cuatro bloques 2%
7-6 Confusin del diseo factorial 2*en 'JJ' bloques 297
7-7 Confusin parcial 299
7-8 Problemas 301
Captulo 8. Diseos factoriales fraccionados de dos niveles 303

8-1 Introduccin 303
8-Z La fraccin un medio del diseo 2k 304
8-3 La fraccin un cuarto del diseo 2'" 317
8-4 El diseo factorial fraccionado 't'-p general 326
8-5 Diseos de resolucin m 337
8-6 Diseos de resolucin IV y V 347
8-7 Resumen 349
8-8 Problemas 350
xii CONTENIDO
Captulo 9. Diseos factoriales y factoriales fraccionados con tres niveles y con niveles mixtos 363
9-1 Diseo factorial 3I 363
9-1.1 Notacin y motivacin del diseo 3k 363
9-1.2 El diseo 32 365
9-1.3 El diseo 33 367
9-1.4 El diseo general S" 372
9-2 Confusin en el diseo factorial 3k 373
92.1 El diseo factorlal J" en tres bloques 373
9-2.2 El diseo factorial 3k en nueve bloques 377
9-2.3 El diseo factorial S" en Y bloques 378
9-3 Rplicas fraccionadas del diseo factorial 3k 379
9-3.1 La fraccin un tercio del diseo factorial J" 379
9-3.2 Otros diseos factoriales fraccionados 3k-p 382
9-4 Diseos factoriales con niveles mixtos 383
9-4.1 Factores con dos y tres niveles 384
9-4.2 Factores con dos y cuatro niveles 385
9-5 Problemas 387
Captulo 10. Ajuste de modelos de regresin 392

10-1 Introduccin 392
10-2 Modelos de regresin lineal 393
10-3 Estimacin de los parmetros en modelos de regresin lineal 394
10-4 Prueba de hiptesis en la regresin mltiple 409
10-4.1 Prueba de significacin de la regresin 409
10-4.2 Pruebas de los coeficientes de regresin individuales y de grupos de coeficientes 412
10-5 Intervalos de confianza en regresiones mltiples 415
10-5.1 Intervalos de confianza para los coeficientes de regresin individuales 415
10-5.2 Intervalo de confianza para la respuesta media 416
10-6 Prediccin de nuevas observaciones de la respuesta 416
10-7 Diagnsticos del modelo de regresin 416
10-7.1 Residuales escalados y PRESS 417
10-7.2 Diagnsticos de influencia 420
10-8 Prueba de falta de ajuste 421
10-9 Problemas 422
Captulo 11. Mtodos de superficies de respuesta y otros enfoques para la optimizacin de

procesos 427
11-1 Introduccin a la metodologa de superficies de respuesta 427
11-2 Mtodo del ascenso ms pronunciado 430
11-3 Anlisis de una superficie de respuesta de segundo orden 436
113.1 Localizacin del punto estacionario 436
113.2 Caracterizacin de la superficie de respuesta 440
11-3.3 Sistemas de cordilleras 447
CONTENlOO xiii
11-3.4 Respuestas mltiples 448

11-4 Diseos experimentales para ajustar superficies de respuesta 455
11-4.1 Diseos para ajustar el modelo de primer orden 455
11-4.2 Diseos para ajustar el modelo de segundo orden 456
11-4.3 Formacin de bloques en los diseos de superficie de respuesta 462
11-4.4 Diseos (ptimos) generados por computadora 466
11-5 Experimentos con mezclas 472
11-6 Operacin evolutiva 484
11-7 Diseo robusto 488
11-7.1 Antecedentes 488
11-7.2 El enfoque de la superficie de respuesta para el diseo robusto 492
11-8 Problemas 500
Captulo 12. Experimentos con factores aleatorios 511

12-1 Modelo con efectos aleatorios 511
12-2 Diseo factorial de dos factores aleatorios 517
12-3 Modelo mixto con dos factores 522
12-4 Determinacin del tamao de la muestra con efectos aleatorios 529
12-5 Reglas para los cuadrados medios esperados 531
12-6 Pruebas F aproximadas 535
12-7 Algunos temas adicionales sobre la estimacin de los componentes de la
varianza 543
12-7.1 Intervalos de confianza aproximados para los componentes de la varianza 543
12-7.2 Mtodo de grandes muestras modificado 545
12-7.3 Estimacin de mxima verosimilitud de componentes de la varianza 547
12-8 Problemas 552
Captulo 13. Diseos anidados y en parcelas subdivididas 557

13-1 Diseo anidado de dos etapas 557
13-1.1 Anlisis estadstico 558
13-1.2 Verificacin del diagnstico 563
13-1.3 Componentes de la varianza 565
13-1.4 Diseos anidados por etapas 566
13-2 Diseo anidado general de m etapas 566
13-3 Diseos con factores anidados y factoriales 569
13-4 Diseo de parcelas subdivididas 573
13-5 Otras variantes del diseo de parcelas subdivididas 578
13-5.1 Diseo de parcelas subdivididas con ms de dos factores 578
13-5.2 Diseo de parcelas con doble subdivisin 580
13-5.3 Diseo de parcelas subdivididas en franjas 583
13-6 Problemas 584
Captulo 14. Otros tpicos de diseo y anlisis 590

14-1 Respuestas y transformaciones no normales 590
xiv CONTENIDO
14-1.1 Seleccinde una transformacin:el mtodo de Box-Cox 590

14-1.2 Modelolineal generalizado 594
14-2 Datos no balanceadosen un diseofactorial 600
14-2.1 Datos proporcionales:un caso sencillo 600
14-2.2 Mtodos aproximados 601
14-2.3 Mtodo exacto 604
14-3 Anlisisde covarianza 604
14-3.1 Descripcindel procedimiento 605
14-3.2 Solucinpor computadora 614
14-3.3 Desarrollomediante la prueba general de significacinde la regresin 616
14-3.4 Experimentosfactorialescon covariables 619
14-4 Medicionesrepetidas 624
14-5 Problemas 627
Bibliografia 630
Apndice 637
Thbla l. Distribucinnormal estndar acumulada 638
Thbla n. Puntos porcentuales de la distribucint 640
Tablam. Puntos porcentuales de la distribucnx2 641
Tabla rv Puntos porcentuales de la distribucinF 642
Tabla V. Curvasde operacin caractersticapara el anlisisde varianza del modelo con efectosfijos 647
Thbla VI. Curvasde operacin caractersticapara el anlisisde varianza del modelo con efectos
aleatorios 651
Tabla VII. Rangos significativospara la prueba del rango mltiple de Duncan 655
TablaVIn. Puntos porcentuales del estadsticodel rango studentizado 656
Tabla IX. Valorescrticospara la prueba de Dunnett para comparar tratamientos con un control 658
TablaX. Coeficientesde polinomiosortogonales 661
ThblaXI. Nmeros aleatorios 662
TablaXll. Relacionesde aliaspara diseos factorialesfraccionados 2k - P con k $ 15Yn s 64 663
ThblaXllI. Glosariopara el uso de Design Expert 680
ndice 681
Introduccin
1..1 ESTRATEGIADE EXPERIMENTACIN
Investigadores de prcticamente todos los campos de estudio llevan a cabo experimentos, por lo general
para descubrir algo acerca de un proceso o sistema particular. En un sentido literal, un experimento es
una prueba. En una perspectiva ms formal, un experimento puede definirse como una prueba o serie de
pruebas en las que se hacen cambios deliberados en las variables de entrada de un proceso o sistema para
observar e identificar las razones de los cambios que pudieran observarse en la respuesta de salida.
Este libro trata de la planeacin y realizacin de experimentos y del anlisis de los datos resultantes a
fin de obtener conclusiones vlidas y objetivas. La atencin se centra en los experimentos de ingeniera y
las ciencias fsicas y qumicas. En ingeniera, la experimentacin desempea un papel importante en el di-
seo de productos nuevos, el desarrollo de procesos de manufactura y el mejoramiento de procesos. El
objetivo en muchos casos sera desarrollar un proceso robusto, es decir, un proceso que sea afectado en
forma mnima por fuentes de variabilidad externas.
Como ejemplo de un experimento, suponga que un ingeniero metalrgico tiene inters en estudiar el
efecto de dos procesos diferentes de endurecimiento, el templado en aceite y el templado en agua salada,
sobre una aleacin de aluminio. El objetivo del experimentador es determinar cul de las dos soluciones
de templado produce la dureza mxima para esta aleacin particular. El ingeniero decide someter varios
ejemplares o muestras para ensayo de la aleacin a cada medio de templado y medir la dureza de los
ejemplares despus del templado. Para determinar cul de las soluciones es la mejor, se usar la dureza
promedio de los ejemplares tratados en cada solucin de templado.
Al examinar este sencillo experimento salen a relucir varias cuestiones importantes:
1. Estas dos soluciones son los nicos medios de templado de inters potencial?
2. Hay en este experimento otros factores que podran afectar la dureza y que deberan investigar-
se o controlarse?
3. Cuntas muestras para ensayo de la aleacin debern probarse en cada solucin de templado?
4. Cmo debern asignarse las muestras para ensayo de prueba a las soluciones de templado y en
qu orden debern colectarse los datos?
1
2 CAPTULO 1 INTRODUCCIN
S. Qu mtodo de anlisis de datos deber usarse?

6. Qu diferencia en la dureza promedio observada entre los dos medios de templado se conside-
rar importante?
Thdas estas preguntas, y tal vez muchas ms, tendrn que responderse satisfactoriamente antes de llevar a
cabo el experimento.
En cualquier experimento, los resultados y las conclusiones que puedan sacarse dependen en gran
medida de la manera en que se recabaron los datos. Para ilustrar este punto, suponga que el ingeniero
metalrgico del experimento anterior utiliz ejemplares de una hornada para el templado en aceite y
ejemplares de una segunda hornada para el templado en agua salada. Entonces, cuando compare la dure-
za promedio, el ingeniero no podr saber qu parte de la diferencia observada es resultado de la solucin
de templado y qu parte es el resultado de diferencias inherentes entre las hornadas.' Por lo tanto, el m-
todo utilizado para recabar los datos ha afectado de manera adversa las conclusiones que pueden sacarse
del experimento.
En general, los experimentos se usan para estudiar el desempeo de procesos y sistemas. El proceso o
sistema puede representarse con el modelo ilustrado en la figura 1-1. El proceso puede por lo general vi-
sualizarse como una combinacin de mquinas, mtodos, personas u otros recursos que transforman cier-
ta entrada (con frecuencia un material) en una salida que tiene una o ms respuestas observables.
Algunas variables del proceso Xl' Xz, ... , xp son controlables, mientras que otras Zh Z2' ... , Zq son no controla-
bles (aunque pueden serlo para los fines de una prueba). Los objetivos del experimento podran com-
prender los siguientes:
1. Determinar cules son las variables que tienen mayor influencia sobre la respuesta y.
2. Determinar cul es el ajuste de lasx que tiene mayor influencia para que y est casi siempre cerca
del valor nominal deseado.
3. Determinar cul es el ajuste de las X que tiene mayor influencia para que la variabilidad de y sea
reducida.
4. Determinar cul es el ajuste de lasx que tiene mayor influencia para que los efectos de las varia-
bles no controlables Z, Z2' , Zq sean mnimos.
Como se puede ver por el anlisis anterior, los experimentos incluyen muchas veces varios factores.
Habitualmente, uno de los objetivos de la persona que realiza un experimento, llamada el experimenta.
dor, es determinar la influencia que tienen estos factores sobre la respuesta de salida del sistema. Al enfo-
Factorescontrolables
.x:, "'2
Entradas Salida
Proceso
y
Z, %2 %q
Figura 11 Modelo general de un pro-
Factores no controlables ceso o sistema.
1 Un especialista en diseo experimental dira que los efectos de los medios de templado y las hornadas se confundieron; es decir, los
efectos de estos dos factores no pueden separarse.
1-1 ESTRATEGIA DE EXPERIMENTACIN 3
que general para planear y llevar a cabo el experimento se le llama estrategia de experimentacin. Existen
varias estrategias que podra usar un experimentador. Se ilustrarn algunas de ellas con un ejemplo muy
sencillo.
Al autor le gusta mucho jugar golf. Desafortunadamente, no le agrada practicar, por lo que siempre
busca la manera ms sencilla para bajar su puntuacin. Algunos de los factores que l considera impor-
tantes, o que podran influir en su puntuacin, son los siguientes:
1. El tipo de palo usado (grande o normal).

2. El tipo de pelota usada (de goma de balata o de tres piezas).
3. Caminar cargando los palos de golf o hacer el recorrido en un carrito.
4. Beber agua o cerveza durante el juego.
5. Jugar en la maana o en la tarde.
6. Jugar cuando hace fro o cuando hace calor.
7. El tipo de spikes usados en los zapatos de golf (metlicos o de hule).
8. Jugar en un da con viento o en uno apacible.
Evidentemente, hay muchos otros factores que podran considerarse, pero supongamos que stos son los
de inters primario. Adems, teniendo en cuenta su larga experiencia en el juego, el autor decide que los
factores 5 al8 pueden ignorarse; es decir, estos factores no son importantes porque sus efectos son tan pe-
queos que carecen de valor prctico. Los ingenieros y los investigadores deben tomar a menudo este tipo
de decisiones acerca de algunos de los factores que examinan en experimentos reales.
Consideremos ahora cmo podran probarse experimentalmente los factores 1 al4 para determinar
su efecto sobre la puntuacin del autor. Suponga que en el curso del experimento pueden jugarse un m-
ximo de ocho rondas de golf. Un enfoque consistira en seleccionar una combinacin arbitraria de estos
factores, probarlos y ver qu ocurre. Por ejemplo, suponga que se selecciona la combinacin del palo
grande, la pelota de goma de balata, el carrito y el agua, y que la puntuacin resultante es 87. Sin embargo,
durante la ronda el autor not varios tiros descontrolados con el palo grande (en el golf, grande no siem-
pre es sinnimo de bueno) y, en consecuencia, decide jugar otra ronda con el palo normal, manteniendo
los dems factores en los mismos niveles usados anteriormente. Este enfoque podra continuar de mane-
ra casi indefinida, cambiando los niveles de uno (o quiz dos) de los factores para la prueba siguiente, con
base en el resultado de la prueba en curso. Esta estrategia de experimentacin, conocida como enfoque de
la mejor conjetura, es comn entre ingenieros y cientficos. Funciona de manera adecuada si los experi-
mentadores cuentan con una gran cantidad de conocimientos tcnicos o tericos del sistema que estn es-
tudiando, as como amplia experiencia prctica. Sin embargo, el enfoque de la mejor conjetura presenta
al menos dos desventajas. Primera, supngase que la mejor conjetura inicial no produce los resultados de-
seados. Entonces el experimentador tiene que hacer otra conjetura acerca de la combinacin correcta de
los niveles de los factores. Esto podra continuar por mucho tiempo, sin garanta alguna de xito. Segun-
da, supngase que la mejor conjetura inicial produce un resultado satisfactorio. Entonces, el experimen-
tador se ve tentado a suspender las pruebas, aun cuando no hay ninguna garanta de que se ha encontrado
la mejor solucin.
Otra estrategia de experimentacin muy comn en la prctica es el enfoque de un factor a la vez. Este
mtodo consiste en seleccionar un punto de partida, o lnea base de los niveles, para cada factor, para des-
pus variar sucesivamente cada factor en su rango, manteniendo constantes los factores restantes en el ni-
vel base. Despus de haber realizado todas las pruebas, se construye por 10 general una serie de grficas
en las que se muestra la forma en que la variable de respuesta es afectada al variar cada factor mantenien-
do los dems factores constantes. En la figura 1-2 se presenta una serie de grficas para el experimento
del golf, utilizando como lnea base los niveles de los cuatro factores: el palo grande, la pelota de goma de
I[:_
G (grande) N (normal)
Palo
(=- 1~
GB (99fT1i1
de balata)
Pelota
TP (tres
~s)
e (caminando) EC (en
G9rrito)
Manera de despl8zarse
t-. A (agua) e (cerveza)
Bebida
Figura 12 Resultados de la estrategia de un factor a la vez para el experimento de golf.
balata, caminar y beber agua. La interpretacin de esta grfica es directa; por ejemplo, debido a que la
pendiente de la curva de la manera de desplazarse es negativa, se concluira que hacer el recorrido en el
carrito mejora la puntuacin. Con base en estas grficas de un factor a la vez, la combinacin ptima que
se seleccionara sera el palo normal, desplazarse en el carrito y beber agua. El tipo de pelota de golf apa-
rentemente carece de importancia.
La desventaja principal de la estrategia de un factor a la vez es que no puede tomar en consideracin
cualquier posible interaccin entre los factores. Hay una interaccin cuando uno de los factores no pro-
duce el mismo efecto en la respuesta con niveles diferentes de otro factor. En la figura 1-3 se muestra una
interaccin entre los factores del tipo de palo y la bebida para el experimento del golf. Observe que si el
autor utiliza el palo normal, el tipo de bebida consumida prcticamente no tiene efecto alguno sobre su
puntuacin, pero si utiliza el palo grande, se obtienen resultados mucho mejores cuando bebe agua en lu-
gar de cerveza. Las interacciones entre factores son muy comunes y, en caso de existir, la estrategia de un
factor a la vez casi siempre producir resultados deficientes. Muchas personas no perciben esto y, en
consecuencia, los experimentos de un factor a la vez son comunes en la prctica. (De hecho, algunas
personas piensan que esta estrategia se relaciona con el mtodo cientfico o que es un principio "slido"
de ingeniera.) Los experimentos de un factor a la vez siempre son menos eficientes que otros mtodos
basados en un enfoque estadstico del diseo experimental. El tema se analizar con mayor detalle en el
captulo 5.
El enfoque correcto para trabajar con varios factores es conducir un experimento factorial. Se trata
de una estrategia experimental en la que los factores se hacen variar en conjunto, en lugar de uno a la vez.
TP(tres
~s)
t
~
8.
F
GB
(goma de
balata) .___...._ ~_.__~-
A (agua) e (C81V&Z8) G (grande) N (normal)
Tipo de bebida TIPO de palo
Figura 1-3 Interaccin entre el Figura 1-4 Experimento factorial de dos

tipo de palo y el tipo de bebidapara factores que incluyeel tipo de palo y el tipo
el experimento del golf. de pelota.
El concepto de diseo experimental factorial es de suma importancia, y varios captulos de este libro se
dedican a presentar experimentos factoriales bsicos, as como algunas variantes y casos especiales tiles.
Para ilustrar la forma en que se lleva a cabo un experimento factorial, considere el experimento de
golf y suponga que slo dos de los factores son de inters, el tipo de palo y el tipo de pelota. En la figura
1-4 se muestra un experimento factorial para estudiar los efectos conjuntos de estos dos factores sobre la
puntuacin de golf del autor. Observe que en este experimento factorial ambos factores tienen dos nive-
les y que en el diseo se usan todas las combinaciones posibles de los niveles de ambos factores. Geom-
tricamente, las cuatro corridas forman los vrtices de un cuadrado. A este tipo particular de experimento
factorial se le llama diseo factorial 1,2 (dos factores, cada uno con dos niveles). Debido a que el autor
considera razonable suponer que jugar ocho rondas de golf para investigar estos factores, un plan facti-
ble sera jugar dos rondas de golf con cada combinacin de los niveles de los factores, como se muestra en
la figura 1-4. Un diseador de experimentos dira que se han hecho dos rplicas del diseo. Este diseo
experimental permitira al experimentador investigar los efectos individuales (o los efectos principales)
de cada factor y determinar si existe alguna interaccin entre los factores.
En la figura 1-5a se presentan los resultados obtenidos al realizar el experimento factorial de la figura
1-4. En los vrtices del cuadrado se indican las puntuaciones de cada ronda de golf jugada con las cuatro
combinaciones de prueba. Observe que hay cuatro rondas de golf que proporcionan informacin acerca
del uso del palo normal y cuatro rondas que proporcionan informacin sobre el uso del palo grande. Al
encontrar la diferencia promedio de las puntuaciones que estn en los lados derecho e izquierdo del
cuadrado (como en la figura 1-5b), se tiene una medida del efecto de cambiar del palo grande al palo normal, o
Ef d1 1 92+94+93+91 88+ 91 + 88+ 90 = 3.25

ecto e pa o :: 4
4
TP (tres ,..;;.;;..;..;..;
88.91 ....92.94
piezas)
i!
~
~
s
1=
~,;..;.;
88.90 .. 93. 91
GS(goma
de balata) '-..1..- -'-_
G (grande) N (normaO
lipo de Pillo
a) Puntuaciones del experimento de golf
TP (tres
piezas)
GS(goma GB (gome
de balata) de balata)'-..1..-
.........__---'--
G (grande) G (grande)
-'-_
N (normal)
N (normal) G (grande) N (normal)
Tipo de palo Tipo de palo Tipo de palo
b) Comparacin de las puntuaciones e) Comparacin de las puntuaciones d) Comparacin de las puntuaciones
que conducen al efecto del palo que conducen al efecto de la pelota que conducen al efecto de la
interaccin pelota-pelo
Figura 1-5 Puntuaciones del experimento del golf de la figura 1-4 y clculo de los efectos de los factores.
Es decir, en promedio, al cambiar del palo grande al normal la puntuacin se incrementa 3.25 golpes por
ronda. De manera similar, la diferencia promedio de las cuatro puntuaciones de laparte superior del cua-
drado y de las cuatro puntuaciones de la parte inferior miden el efecto del tipo de pelota usado (ver la fi-
gura 1-5e):
88+91+92+94 88+90+93+91 .
Efecto de la pelota = 4 ---4--- = 0.75
Por ltimo, puede obtenerse uria medida del efecto de la interaccin entre el tipo de pelota y el tipo de
palo restando la puntuacin promedio en la diagonal de izquierda a derecha del cuadrado de la puntua-
cin promedio de la diagonal de derecha a izquierda (ver la figura 1-5d), cuyo resultado es
:. ~+~+M+W 88+ 91 + 93+ 91 ::o 0.25

Efecto de la interaccin pelota-palo = 4
4
Los resultados de este experimento factorial indican que el efecto del palo es mayor que el efecto de
la pelota o que el de la interaccin. Podran usarse pruebas estadsticas para determinar si cualquiera
de estos efectos difiere de cero. De hecho, el caso es que hay evidencia estadstica razonablemente slida
de que el efecto del palo difiere de cero y de que no es el caso para los otros dos efectos. Por lo tanto, tal
vez el autor debera jugar siempre con el palo grande.
En este sencillo ejemplo se pone de manifiesto una caracterstica muy importante del experimento
factorial: en los diseos factoriales se hace el uso ms eficiente de los datos experimentales. Note que este
experimento incluy ocho observaciones, y que las ocho observaciones se usan para calcular los efectos
del palo, de la pelota y de la interaccin. Ninguna otra estrategia de experimentacin hace un uso tan efi-
ciente de los datos. sta es una caracterstica importante y til de los diseos factoriales.
El concepto de experimento factorial puede extenderse a tres factores. Suponga que el autor desea
estudiar los efectos del tipo de palo, el tipo de pelota y el tipo de bebida consumida sobre su puntuacin
de golf. Suponiendo que los tres factores tienen dos niveles, puede establecerse un diseo factorial como
el que se muestra en la figura 1-6. Observe que hay ocho combinaciones de prueba de estos tres factores
con los dos niveles de cada uno de ellos y que estos ocho ensayos pueden representarse geomtricamente
como los vrtices de un cubo. Se trata de un ejemplo de un diseo factorial 23 Como el autor slo desea
jugar ocho rondas de golf, este experimento requerira que se juegue una ronda con cada una de las com-
binaciones de los factores representadas por los ocho vrtices del cubo de la figura 1-6. Sin embargo, al
comparar esta situacin con el diseo factorial de dos factores de la figura 1-4, el diseo factorial 23 pro-
ducira la misma informacin acerca de los efectos de los factores. Por ejemplo, en ambos diseos hay
cuatro pruebas que proporcionan informacin acerca del palo normal y cuatro pruebas que proporcionan
1
I
1
I
........
.J--
.... -- Palo
Figura 1-6 Experimento factorial de tres factores que

incluye el tipo de palo, el tipo de pelota y el tipo de bebi-
da.
Manera de desplazarse
Caminando En carrito
Palo
Figura 17 Experimento factorial de cuatro factores que incluyeel tipo de

palo, el tipo de pelota. el tipo de bebida y la manera de desplazarse.
informacin acerca del palo grande, suponiendo que se repite dos veces cada corrida del diseo de dos
factores de la figura 1-4.
En la figura 1-7 se ilustra Ia forma en que podran investigarse los cuatro factores --el palo, la pelota,
la bebida y la manera de desplazarse (caminando o en carrito)- en un diseo factorial 24 Como en cual-
quier diseo factorial, se usan todas las combinaciones posibles de los niveles de los factores. Puesto que
los cuatro factores tienen dos niveles, sigue siendo posible hacer la representacin geomtrica de este di-
seo experimental mediante un cubo (en realidad un hipercubo).
En general, si hay k factores, cada uno con dos niveles, el diseo factorial requerira 2k corridas. Por
ejemplo, el experimento de la figura 1-7 requiere 16 corridas. Evidentemente, cuando el nmero de facto-
res de inters aumenta, el nmero de corridas requeridas se incrementa con rapidez; por ejemplo, un
experimento con 10 factores en el que todos los factores tienen dos niveles requerira 1024 corridas. Esto
pronto se vuelve impracticable en lo que se refiere al tiempo y los recursos. En el experimento del golf,
el autor slo puede jugar ocho rondas, por lo que incluso el experimento de la figura 1-7 resulta demasia-
do largo.
Por fortuna, cuando se trabaja con cuatro, cinco o ms factores, por lo general no es necesario probar
todas las combinaciones posibles de los niveles de los factores. Un experimento factorial fraccionado es
una variacin del diseo factorial bsico en.la que slo se realiza un subconjunto de las corridas. En la fi-
gura 18 se ilustra un diseo factorial fraccionado para la versin de cuatro factores del experimento del
golf. Este diseo requiere slo 8 corridas en lugar de las 16 originales y se llamara fraccin UD medio. Si el
autor slo puede jugar ocho rondas de golf, ste es un excelente diseo en el cual estudiar los cuatro facto-
.res, Proporcionar informacin adecuada acerca de los efectos principales de los cuatro factores, as
como cierta informacin acerca de la forma en que interactan estos factores.
Los diseos factoriales fraccionados son muy comunes en la investigacin y el desarrollo industrial,
as como en el mejoramiento de procesos. Estos diseos se analizarn en el captulo 8.
Manera de desplazarse
Caminando En carrito
Palo
Figura 1-8 Experimentofactorialfraccionadode cuatro factores que incluye

el tipo de palo. el tipo depelota, el tipo de bebida y la manera de desplazarse.
_ __ ._
..... .. _------------------------------------
1~2 ALGUNAS APLICACIONES TPICAS DEL DISEO EXPERIMENTAL
Los mtodos del diseo experimental han encontrado amplia aplicacin en diversas disciplinas. De he-
cho, la experimentacin puede considerarse parte del proceso cientfico y uno de los medios para conocer
el funcionamiento de sistemas y procesos. En general, el aprendizaje ocurre a travs de una serie de acti-
vidades en las que se hacen conjeturas acerca de un proceso, se llevan a cabo experimentos para generar
datos del proceso y despus se usa la informacin del experimento para establecer nuevas conjeturas, lo
que lleva a nuevos experimentos, y as sucesivamente,
El diseo experimental es una herramienta de importancia fundamental en el mbito de la ingeniera
para mejorar el desempeo de un proceso de manufactura. Tambin tiene mltiples aplicaciones en el de-
sarrollo de procesos nuevos. La aplicacin de las tcnicas del diseo experimental en las fases iniciales del
desarrollo de un proceso puede redundar en
1. Mejoras en el rendimiento del proceso.
2. Variabilidad reducida y conformidad ms cercana con los requerimientos nominales o proyectados.
3. Reduccin del tiempo de desarrollo.
4. Reduccin de los costos globales.
Los mtodos del diseo experimental desempean tambin un papel importante en las actividades
del diseo de ingeniera, donde se desarrollan productos nuevos y se hacen mejoramientos en los produc-
tos existentes. Entre las aplicaciones del diseo experimental en el diseo de ingeniera se encuentran:
1. La evaluacin y comparacin de configuraciones de diseos bsicos.
2. La evaluacin de materiales alternativos.
3. La seleccin de los parmetros del diseo para que el producto tenga un buen funcionamiento en
una amplia variedad de condiciones de campo, es decir, para que el producto sea robusto.
4. La determinacin de los parmetros clave del diseo del producto que afectan el desempeo del
mismo.
El uso del diseo experimental en estas reas puede redundar en productos cuya fabricacin sea ms sen-
cilla, en productos que tengan un desempeo y confiabilidad de campo mejorados, en costos de produc-
cin ms bajos y en tiempos ms cortos para el diseo y desarrollo del producto. A continuacin se
presentan varios ejemplos que ilustran algunas de estas ideas.
EJEMPLO 1~1 ..........................................................

Caracterizacin de un proceso
En el proceso de fabricacin de tarjetas de circuitos impresos se utiliza una mquina de soldadura lquida.
La mquina limpia las tarjetas en un fundente, las somete a un proceso de precalentamiento y despus las
hace pasar por una onda de soldadura lquida mediante una transportadora. En este proceso de soldadu-
ra se hacen las conexiones elctricas y mecnicas de los componentes recubiertos de plomo en la tarjeta.
El proceso opera actualmente con un nivel de defectos aproximado de 1%. Es decir, cerca de 1% de
las juntas de soldadura de una tarjeta son defectuosas y requieren correccin manual. Sin embargo, debi-
do a que la tarjeta de circuitos impresos promedio contiene ms de 2000 juntas de soldadura, incluso un
nivel de defectos de 1% representa un nmero demasiado alto de juntas de soldadura que requieren co-
rreccin. Al ingeniero responsable del proceso en esta rea le gustara usar un experimento diseado
para determinar cules son los parmetros de la mquina que influyen en la ocurrencia de los defectos de
soldadura y qu ajustes deberan hacerse en dichas variables para reducir los defectos de soldadura.
1-2 AWUNAS APLICACIONES TPICAS DEL DISEO EXPERIMENTAL 9
En la mquina de soldadura lquida hay diversas variables que pueden controlarse. stas incluyen:
1. La temperatura de la soldadura.
2. La temperatura del precalentamiento.
3. La velocidad de la transportadora.
4. El tipo de fundente.
S. La gravedad especfica del fundente.
6. La profundidad de la onda de soldadura.
7. El ngulo de la transportadora.
Adems de estos factores controlables, hay otros que no es sencillo manejar durante el proceso de fabri-
cacin, aunque podran controlarse para los fines de una prueba. stos son:
1. El espesor de la tarjeta de circuitos impresos.

2. El tipo de componentes usados en la tarjeta.
3. La disposicin de los componentes en la tarjeta.
4. El operador.
5. La rapidez de produccin.
En esta situacin, el inters del ingeniero es caracterizar la mquina de soldadura lquida; es decir,
quiere determinar los factores (tanto los controlables como los no controlables) que afectan la ocurrencia
de defectos en las tarjetas de circuitos impresos. Para ello puede disear un experimento que le permitir
estimar la magnitud y direccin de los efectos de los factores; es decir, cunto cambia la variable de res-
puesta (defectos por unidad) cuando se modifica cada factor, y si la modificacin de los factores en con-
junto produce resultados diferentes que los obtenidos mediante el ajuste individual de los factores; es
decir, existe interaccin entre los factores? En ocasiones a un experimento como ste se le llama experi-
mento tamiz o de exploracin exhaustiva. De manera tpica, los experimentos tamiz incluyen el uso de di-
seos factoriales fraccionados, como en el ejemplo del golf de la figura 1-8.
La informacin obtenida de este experimento tamiz se usar para identificar los factores crticos del
proceso y determinar la direccin del ajuste de dichos factores a fin de conseguir una reduccin adicional
del nmero de defectos por unidad. El experimento tambin puede proporcionar informacin acerca de
los factores que deberan controlarse con mayor atencin durante el proceso de fabricacin a fin de evi-
tar los niveles elevados de defectos y el desempeo errtico del proceso. Por lo tanto, una consecuencia
del experimento podra ser la aplicacin de tcnicas como las cartas de control a una o ms de las varia-
bles del proceso (la temperatura de la soldadura, por ejemplo), aunadas a las cartas de control de la pro-
duccin del proceso. Con el tiempo, si se consigue una mejora sensible del proceso, quiz sea posible
basar la mayor parte del programa de control del mismo en el control de las variables de entrada del pro-
ceso en lugar de aplicar cartas de control a la produccin.
Ej'EMPLO 1~2
Optimizacin de un proceso
En un experimento de caracterizacin, el inters suele centrarse en determinar las variables del proceso
que afectan la respuesta. El siguiente paso lgico es la optimizacin, es decir, determinar la regin de los
factores importantes que conduzca a la mejor respuesta posible. Por ejemplo, si la respuesta es el rend-
miento, se buscara la regin del rendimiento mximo, mientras que si la respuesta es la variabilidad de
una dimensin crtica del producto, se buscara una regin de variabilidad mnima.
Supongamos que el inters se centra en mejorar el rendimiento de un proceso qumico. Por los resul-
tados de un experimento de caracterizacin se sabe que las dos variables ms importantes del proceso que
influyen en el rendimiento son la temperatura de operacin y el tiempo de reaccin. El proceso opera ac~
tualmente a 145P y con 2.1 horas de tiempo de reaccin, produciendo rendimientos de cerca de 80%. En
la figura 1~9se muestra una vista desde arriba de la regin tiempo-temperatura. En esta grfica las lneas
de rendimiento constante se unen para formar los contornos de respuesta, y se muestran las lneas de con-
torno para rendimientos de 60, 70, 80, 90 y 95 por ciento: Estos contornos son las proyecciones en la re-
gin tiempo- temperatura de las secciones transversales de la superficie del rendimiento correspondiente
a los rendimientos porcentuales arriba mencionados. A esta superficie se le llama en ocasiones superficie
de respuesta. El personal del proceso no conoce la verdadera superficie de respuesta de la figura 1-9, por
lo que se necesitarn mtodos experimentales para optimizar el rendimiento con respecto al tiempo y la
temperatura.
Para localizar el rendimiento ptimo, es necesario llevar a cabo un experimento en el que se hagan
variar conjuntamente el tiempo y la temperatura, es decir, un experimento factorial. En la figura 1-9 se
muestran los resultados de un experimento factorial inicial realizado con dos niveles tanto del tiempo
como de la temperatura. Las respuestas que se observan en los cuatro vrtices del cuadrado indican que,
para incrementar el rendimiento, los cambios deberan hacerse en la direccin general del aumento de la
SegUndoexperimento de opIimizacifl
190
180
g
..
.,
~ 170
e,
E
I!'-
160
150
140
1.5
Tiempo (horas)
Figura 1-9 Grfica de contorno del rendimiento como una fun-

cin del tiempo de reaccin y la temperatura de reaccin, la cual
ilustra la experimentacin para optimizar un proceso.
1-3 PRINCIPIOS BSICOS 11
temperatura y la reduccin del tiempo de reaccin. Se realizaran algunas corridas adicionales en esta di-
reccin, y esta experimentacin adicional llevara a la regin del rendimiento mximo.
Una vez que se ha encontrado la regin del rendimiento ptimo, el siguiente paso tpico sera realizar
un segundo experimento. El objetivo de este segundo experimento es desarrollar un modelo emprico del
proceso y obtener una estimacin ms precisa de las condiciones de operacin ptimas para el tiempo y la
temperatura. A este enfoque para la optimizacin de un proceso se le llama la metodologa de superficies
de respuesta, la cual se examina en detalle en el captulo 11. El segundo diseo ilustrado en la figura 1-9 es
un diseo central compuesto, uno de los diseos experimentales ms importantes que se usan en los estu-
dios de optimizacin de procesos .
.... . " " .." " .
EJEW'LO 1-3 " I "
Ilustracin del diseo de un producto

Con frecuencia los mtodos de diseo experimental pueden aplicarse en el proceso de diseo de un pro-
ducto. Para ilustrar esto, suponga que un grupo de ingenieros est diseando el gozne de la puerta de un
automvil. La caracterstica de calidad del producto que les interesa es el esfuerzo amortiguador, es de-
cir, la capacidad de retencin del tope que impide que la puerta se cierre cuando el vehculo se estaciona
en una pendiente. El mecanismo amortiguador consta de un resorte de hojas y un cilindro. Cuando la
puerta se abre, el cilindro se desplaza por un arco que hace que el resorte de hojas se comprima. Para ce-
rrar la puerta es necesario vencer la fuerza del resorte, la cual produce el esfuerzo amortiguador. El equi-
po de ingenieros considera que el esfuerzo amortiguador es una funcin de los siguientes factores:
1. La distancia que se desplaza el cilindro.

2. La altura del resorte del pivote a la base.
3. La distancia horizontal del pivote al resorte.
4. La altura libre del resorte auxiliar.
5. La altura libre del resorte principal. .
Los ingenieros pueden construir un prototipo del mecanismo del gozne en el que es posible variar to-
dos estos factores dentro de ciertos rangos. Una vez que se han identificado los niveles apropiados de es-
tos cinco factores, puede disearse un experimento que conste de varias combinaciones de los niveles de
los factores, y el prototipo del gozne puede probarse con estas combinaciones. Se obtendr as informa-
cin respecto de los factores que tienen una mayor influencia sobre el esfuerzo amortiguador del tope y,
mediante el anlisis de esta informacin, podr mejorarse el diseo del tope.
1..3 PRINCIPIOSBSICOS
Si quiere llevarse a cabo un experimento como los descritos en los ejemplos 1-1 al 1-3 con la mayor efi-
ciencia posible, es necesario utilizar un enfoque cientfico para planearlo. El diseo estadstico de experi-
mentos se refiere al proceso para planear el experimento de tal forma que se recaben datos adecuados
que puedan analizarse con mtodos estadsticos que llevarn a conclusiones vlidas y objetivas. El enfo-
que estadstico del diseo experimental es necesario si se quieren sacar conclusiones significativas de los
datos. Cuando el problema incluye datos que estn sujetos a errores experimentales, la metodologa esta-
dstica es el nico enfoque objetivo de anlisis. Por lo tanto, cualquier problema experimental incluye dos
aspectos: el diseo del experimento y el anlisis estadstico de los datos. Estos dos aspectos se encuentran
ntimamente relacionados porque el mtodo de anlisis depende directamente del diseo empleado.
Ambos temas se tratan en este libro.
Los tres principios bsicos del diseo experimental son la realizacin de rplicas, la aleatorizacin y
la formacin de bloques. Por realizacin de rplicas se entiende la repeticin del experimento bsico. En
el experimento metalrgico analizado en la seccin 1-1, una rplica consistira en el tratamiento de una
muestra con el templado en aceite y el tratamiento de una muestra con el templado en agua salada. Por 10
tanto, si se tratan cinco ejemplares en cada medio de templado, se dice que se han obtenido cinco rpli-
cas. La realizacin de rplicas posee dos propiedades importantes. Primera, permite al experimentador
obtener una estimacin del error experimental. Esta estimacin del error se convierte en una unidad de
medicin bsica para determinar si las diferencias observadas en los datos son en realidad estadsticamen-
te diferentes. Segunda, si se usa la media muestra! (por ejemplo, Y) para estimar el efecto de un factor en
el experimento, la realizacin de rplicas permite al experimentador obtener una estimacin ms precisa
de este efecto. Por ejemplo, si r.l es la varianza de una observacin individual y hay n rplicas, la varianza
de la media muestral es
La consecuencia prctica de lo anterior es que si se hicieron n = 1 rplicas y se observ YI = 145 (tem-

plado en aceite) y Y2 = 147 (templado en agua salada), probablemente no podrn hacerse inferencias satis-
factorias acerca del efecto del medio de templado; es decir, la diferencia observada podra ser resultado del
error experimental. Por otra parte, si n fue razonablemente grande y el error experimental fue lo suficiente-
mente pequeo, y se observ 5'1 < 5'2' podra concluirse con una certeza razonable que el templado en agua
salada produce una dureza mayor en esta aleacin de aluminio particular que el templado en aceite.
Hay una diferencia importante entre rplicas y mediciones repetidas. Por ejemplo, suponga que una
oblea de silicio se graba con un proceso de grabado qumico con plasma para oblea nica, y que se hacen
tres mediciones de una dimensin crtica de esta oblea. Estas mediciones no son rplicas; son una forma
de mediciones repetidas y, en este caso, la variabilidad observada en las tres mediciones repetidas es reflejo
directo de la variabilidad inherente del sistema o instrumento de medicin. Como otro ejemplo, suponga
que, como parte de un experimento en la manufactura de semiconductores, se procesan simultneamente
cuatro obleas en un horno de oxidacin con una velocidad del flujo de gas y un tiempo particulares y que
se hace despus una medicin del espesor del xido en cada oblea. De nueva cuenta, la medicin de las
cuatro obleas no son rplicas sino mediciones repetidas. En este caso reflejan las diferencias entre las
obleas y otras fuentes de variabilidad dentro de esa operacin de horneado particular. En las rplicas se
reflejan las fuentes de variabilidad tanto entre las corridas como (potencialmente) dentro de las mismas.
La aleatorizacin es la piedra angular en la que se fundamenta el uso de los mtodos estadsticos en
el diseo experimental. Por aleatorizacin se entiende que tanto la asignacin del material experimental
como el orden en que se realizarn las corridas o ensayos individuales del experimento se determinan al
azar. Uno de los requisitos de los mtodos estadsticos es que las observaciones (o los errores) sean varia-
bles aleatorias con distribuciones independientes. La aleatorzacin hace por 10general que este supues-
to sea vlido. La aleatorizacin correcta del experimento ayuda tambin a "sacar del promedio" los
efectos de factores extraos que pudieran estar presentes. Por ejemplo, suponga que los ejemplares del
experimento descrito antes presentan slo ligeras diferencias en el espesor y que la efectividad del medio
de templado puede ser afectado por el espesor del ejemplar. Si todos los ejemplares sometidos al templa-
do en aceite son ms gruesos que los sometidos al templado en agua salada, quiz se est introduciendo
un sesgo sistemtico eri los resultados experimentales. Este sesgo estorba en uno de los medios de templa-
1-4 PAUTAS GENERALES PARA DISEAR EXPERIMENTOS 13
do y, en consecuencia, invalida los resultados obtenidos. Al hacer la-asignacin aleatoria de los ejempla-
res al medio de templado este problema se aligera en parte.
Es muy comn el uso de programas de computadora para auxiliar a los experimentadores a seleccio-
nar y construir diseos experimentales. Estos programas presentan a menudo las corridas del diseo ex-
perimental de manera aleatoria. Por lo general este modo aleatorio se crea utilizando un generador de
nmeros aleatorios. Incluso con estos programas de computadora, con frecuencia seguir siendo necesa-
rio que el experimentador haga la asignacin del material experimental (como las obleas en los ejemplos
de semiconductores mencionados antes), de los operadores, de los instrumentos o herramientas de medi-
cin, etc., que se utilizarn en el experimento. Puede recurrirse a tablas de nmeros aleatorios para ase-
gurar que las asignaciones se hacen al azar.
En ocasiones los experimentadores se encuentran con situaciones en las que la aleatorizacin de un
aspecto del experimento es complicada. Por ejemplo, en un proceso qumico, la temperatura puede ser
una variable muy difcil de modificar, haciendo casi imposible la aleatorizacin completa de este factor.
Existen mtodos de diseo estadstico para resolver las restricciones sobre la aleatorizacin. Algunos de
estos enfoques se revisarn en captulos subsecuentes (ver en particular el captulo 13).
La formacin de bloques es una tcnica de diseo que se utiliza para mejorar la precisin de las com-
paraciones que se hacen entre los factores de inters. Muchas veces la formacin de bloques se emplea
para reducir o eliminar la variabilidad transmitida por factores perturbadores; es decir, aquellos factores
que pueden influir en la respuesta experimental pero en los que no hay un inters especfico. Por ejemplo,
en un experimento de un proceso qumico pueden requerirse dos lotes de materia prima para realizar to-
das las corridas necesarias. Sin embargo, podra haber diferencias entre los lotes debido a la variabilidad
de un proveedor a otro y, en caso de no haber un inters especfico en este efecto, los lotes de materia pri-
ma se consideraran un factor perturbador. En general, un bloque es un conjunto de condiciones experi-
mentales relativamente homogneas. En el ejemplo del proceso qumico, cada lote de materia prima
.formara un bloque, ya que es de esperarse que la variabilidad dentro de un lote sea menor que la variabi-
lidad entre lotes. De manera tpica, como en este ejemplo, cada nivel del factor perturbador pasa a ser un
bloque. Entonces el experimentador divide las observaciones del diseo estadstico en grupos que se co-
rren en cada bloque. En varias partes del texto se estudia en detalle la formacin de bloques, incluyendo
los captulos 4, 5, 7, 8, 9, 11 Y13. En el captulo 2, seccin 2-5.1, se presenta un ejemplo sencillo para ilus-
trar la estructura bsica de la formacin de bloques.
Los tres principios bsicos del diseo experimental, la aleatorizacin, la realizacin de rplicas y la
formacin de bloques son parte de cada uno de los experimentos. Se ilustrarn y resaltarn repetidamen-
te a lo largo de este libro.
1~4 PAUTAS GENERALESPARA DISEAR EXPERIMENTOS
Para aplicar el enfoque estadstico en el diseo y anlisis de un experimento, es necesario que todos los
que participan en el mismo tengan desde el principio una idea clara de qu es exactamente lo que va a es-
tudiarse, cmo van a colectarse los datos, y al menos una comprensin cualitativa de la forma en que van a
analizarse estos datos. En la tabla 1-1 se muestra un esquema general del procedimiento recomendado. A
continuacin se presenta una breve explicacin de este esquema y se elaboran algunos de los puntos cla-
ve. Para mayores detalles, ver Coleman y Montgomery [27], as como las referencias al final del libro.
Tambin es til el material complementario para este captulo.
1. Identificacin y enunciacin del problema. Este punto podra parecer muy obvio, pero es comn que
en la prctica no sea sencillo darse cuenta de que existe un problema que requiere experimentacin, y
Tabla 1-1 Pautas generales para disear un experimento

1. Identificacin y exposicin del problema. ] Planeacin previa
2. Eleccin de los factores, los niveles y los rangos." al experimento
3. Seleccin de la variable de respuesta."
4. Eleccin del diseo experimental.
5. Realizacin del experimento.
6. Anlisis estadstico de los datos.
7. Conclusiones y recomendaciones.
"En la prctica, los pasos 2 y 3 suelen hacerse simultneamente o en el orden inverso.
tampoco es fcil desarrollar una enunciacin clara, con la que todos estn de acuerdo, de este problema.
Es necesario desarrollar todas las ideas acerca de los objetivos del experimento. Generalmente, es impor-
tante solicitar aportaciones de todas las reas involucradas: ingeniera, aseguramiento de calidad, manu-
factura, mercadotecnia, administracin, el cliente y el personal de operacin (el cual por lo general
conoce a fondo el proceso y al que con demasiada frecuencia se ignora). Por esta razn, se recomienda un
enfoque de equipo para disear experimentos.
En la mayora de los casos es conveniente hacer una lista de los problemas o las preguntas especficas
que van a abordarse en el experimento. Una enunciacin clara del problema contribuye sustancialmente
a menudo para alcanzar una mejor comprensin de los fenmenos bajo estudio y la solucin final del pro-
blema. Tambin es importante tener presente el objetivo global; por ejemplo, se trata de un proceso o .
sistema nuevo (en cuyo caso el objetivo inicial posiblemente ser la caracterizacin o tamizado de los fac-
tares) o se trata de un sistema maduro que se conoce con profundidad razonable y que se ha caracterizado
con anterioridad (en cuyo caso el objetivo puede ser la optimizacin)? En un experimento puede haber
muchos objetivos posibles, incluyendo la confirmacin (Zel sistema se comporta de la misma manera aho-
ra que en el pasado?), el descubrimiento (Zqu ocurre si se exploran nuevos materiales, variables, condi-
ciones de operacin, etc.?) y la estabilidad (bajo qu condiciones las variables de respuesta de inters
sufren una degradacin seria?). Obviamente, las cuestiones especficas que habrn de abordarse en el ex-
perimento se relacionan de manera directa con los objetivos globales. Con frecuencia en esta etapa de la
formulacin del problema muchos ingenieros y cientficos se percatan de que no es posible que un experi-
mento comprensivo extenso responda las cuestiones clave y de que un enfoque secuencial en el que se uti-
lice una serie de experimentos ms pequeos es una estrategia ms adecuada.
2. Eleccin de los factores, los niveles y los rangos. (Como se indica en la tabla 1-1, los pasos 2 y 3 mu-
chas veces se hacen simultneamente o en orden inverso.) Cuando se consideran los factores que pueden
influir en el desempeo de un proceso o sistema, el experimentador suele descubrir que estos factores
pueden clasificarse como factores potenciales del diseo o bien como factores perturbadores. Los facto-
res potenciales del diseo son aquellos que el experimentador posiblemente quiera hacer variar en el ex-
perimento. Es frecuente encontrar que hay muchos factores potenciales del diseo, por lo que es
conveniente contar con alguna clasificacin adicional de los mismos. Algunas clasificaciones tiles son
factores del diseo, factores que se mantienen constantes y factores a los que se permite variar. Los facto-
res del diseo son los que se seleccionan realmente para estudiarlos en el experimento. Los factores que
se mantienen constantes son variables que pueden tener cierto efecto sobre la respuesta, pero que para
los fines del experimento en curso no son de inters, por lo que se mantendrn fijos en un nivel especfico.
Por ejemplo, en un experimento de grabado qumico en la industria de los semiconductores puede haber
un efecto, que es nico, de la herramienta especfica para el grabado qumico con plasma que se utiliza en
el experimento. Sin embargo, sera muy difcil variar este factor en un experimento, por lo que el experi-
mentador puede decidir llevar a cabo todas las corridas experimentales en un grabador qumico particu-
lar (idealmente "tpico"). De este modo, este factor se mantiene constante. Como un ejemplo de factores
14 PAUTAS GENERALES PARA DISEAR EXPERIMENTOS 15
a los que se permite variar, las unidades experimentales o los "materiales" a los que se aplican los factores
del diseo no son homogneos por lo general, no obstante lo cual con frecuencia se ignora esta variabili-
dad de una unidad a otra y se confa en la aleatorizacin para compensar cualquier efecto del material o la
unidad experimental. Muchas veces se trabajar con el supuesto de que los efectos de los factores que se
mantienen constantes y de los factores a los que se permite variar son relativamente pequeos.
Por otra parte, los factores perturbadores pueden tener efectos considerables que deben tomarse en
consideracin, a pesar de que no haya inters en ellos en el contexto del experimento en curso. Los factores
perturbadores suelen clasificarse como factores controlables, no controlables o de ruido. Un factor pertur-
bador controlable es aquel cuyos niveles pueden ser ajustados por el experimentador. Por ejemplo, el expe-
rimentador puede seleccionar lotes diferentes de materia prima o diversos das de la semana para conducir
el experimento. La estructura bsica de la formacin de bloques, comentada en la seccin anterior, suele ser
tilpara trabajar con factores perturbadores controlables. Si un factor perturbador no es controlable en el
experimento, pero puede medirse, muchas veces puede usarse el procedimiento de anlisis denominado
anlisis de covarianza para compensar este efecto. Por ejemplo, la humedad relativa en el medio ambiente
del proceso puede afectar el desempeo del proceso, y si la humedad no puede controlarse, probablemente
podr medirse y tratarse como una covariable. Cuando un factor que vara de manera natural y no controla-
ble en el proceso puede controlarse para los fines de un experimento, con frecuencia se le llama factor de
ruido. En tales situaciones, es comn que el objetivo sea encontrar los ajustes de los factores controlables
del diseo que minimicen la variabilidad transmitida por los factores de ruido. En ocasiones a esto se le lla-
ma el estudio de robustez del proceso o el problema de robustez del diseo. La formacin de bloques, el
anlisis de covarianza y los estudios de robustez del proceso se comentan ms adelante.
Una vez que el experimentador ha seleccionado los factores del diseo, debe elegir los rangos en los
que har variar estos factores, as como los niveles especficos con los que se realizarn las corridas. 'Iam-
bin deber pensarse cmo van CA controlarse estos factores en los valores deseados y cmo van a medirse.
Por ejemplo, en el experimento de la soldadura lquida, el ingeniero ha definido 12 variables que pueden
afectar la ocurrencia de defectos de soldadura. El ingeniero tambin tendr que tomar una decisin en
cuanto a la regin de inters para cada variable (es decir, el rango en el que se har variar cada factor) y
en cuanto al nmero de niveles de cada variable que usar. Para ello se requiere del conocimiento del proce-
so. Este conocimiento del proceso suele ser una combinacin de experiencia prctica y conocimientos teri-
cos. Es importante investigar todos los factores que pueden ser de importancia y no dejarse influir
demasiado por la experiencia pasada, en particular cuando uno se encuentra en las fases iniciales de la expe-
rimentacin o cuando el proceso no est del todo maduro.
Cuando el objetivo del experimento es el tamizado de los factores o caracterizacin del proceso, por lo
general es mejor mantener reducido el nmero de niveles de los factores. En general, dos niveles funcionan
bastante bien en los estudios de tamizado de factores. Elegir la regin de inters tambin es importante. En el
tamizado de factores, la regin de inters deber ser relativamente grande; es decir, el rango en el que se ha-
cen variar los factores deber ser amplio. Conforme se sepa ms acerca de las variables que son importantes y
de los niveles que producen los mejores resultados, la regin de inters se har por lo general ms estrecha.
3. Seleccin de la varillble de respuesta. Para seleccionar la variable de respuesta, el experimentador de-
ber tener la certeza de que esta variable proporciona en realidad informacin til acerca del proceso bajo
estudio. En la mayora de los casos, el promedio o la desviacin estndar (o ambos) de la caracterstica me-
dida ser la variable de respuesta. No son la excepcin las respuestas mltiples. La eficiencia de los instru-
mentos de medicin (o error die medicin) tambin es un factor importante. Si la eficiencia de los
instrumentos de medicin es inadecuada, el experimentador slo detectar los efectos relativamente gran-
des de los factores o quiz sean necesarias rplicas adicionales. En algunas situaciones en que la eficiencia
de los instrumentos de medicin es pobre, el experimentador puede decidir medir varias veces cada unidad
experimental y usar el promedio de las mediciones repetidas como respuesta observada. Suele ser de impor-
tancia determinante identificar los aspectos relacionados con la definicin de las respuestas de inters y cmo
van a medirse antes de llevar a cabo el experimento. En ocasiones se emplean experimentos diseados para
estudiar y mejorar el desempeo de los sistemas de medicin. Para un ejemplo, ver el captulo 12.
Se reitera lo crucial que es exponer todos los puntos de vista y la informacin del proceso en los pasos
1al 3 anteriores. Se hace referencia a esto como planeacin previa al experimento. Coleman y Montgo-
mery [27] proporcionan hojas de trabajo que pueden ser tiles en la planeacin previa al experimento.
Vase tambin la informacin complementaria del texto para ms detalles y un ejemplo del uso de estas
hojas de trabajo. En muchas situaciones, no es posible que una sola persona posea todos los conocimien-
tos requeridos para hacer esto adecuadamente. Por lo tanto, se hace una amplia recomendacin para el
trabajo en equipo durante la planeacin del experimento. La mayor parte del xito gravitar en tomo a
qu tan bien se haya hecho la planeacin previa del experimento.
4. Elecci6n del diseo experimental. Si las actividades de planeacin previas al experimento se realizan
como es debido, este paso es relativamente sencillo. La eleccin del diseo implica la consideracin del
tamao de la muestra (nmero de rplicas), la seleccin de un orden de corridas adecuado para los ensa-
yos experimentales y la determinacin de si entran en juego o no la formacin de bloques u otras restric-
ciones sobre la aleatorizacin. En este libro se revisan algunos de los tipos ms importantes de diseos
experimentales, y puede usarse en ltima instancia como un catlogo para seleccionar el diseo experi-
mental apropiado para una amplia variedad de problemas.
Existen tambin varios paquetes interactivos de software de estadstica que soportan esta fase del di-
seo experimental. El experimentador puede introducir la informacin del nmero de factores, los nive-
les y los rangos, y estos programas presentarn a la consideracin del experimentador una seleccin de
diseos o recomendarn un diseo particular. (Nosotros preferimos ver varias alternativas en lugar de
confiar en la recomendacin de la computadora en la mayora de los casos.) Estos programas proporcio-
nan tambin por lo general una hoja de trabajo (con el orden aleatorizado de las corridas) que se usar en
la conduccin del experimento.
Al seleccionar el diseo, es importante tener en mente los objetivos experimentales. En muchos ex-
perimentos de ingeniera se sabe de antemano que algunos de los niveles de los factores producirn valo-
res diferentes de la respuesta. En consecuencia, el inters se centra en identificar qu factores causan esta
diferencia yen estimar la magnitud del cambio de la respuesta. En otras situaciones podra haber ms in-
ters en verificar la uniformidad. Por ejemplo, pueden compararse dos condiciones de produccin A y B,
donde A es el estndar y B es una alternativa con una eficiencia de costos mayor. El experimentador esta-
r interesado entonces en demostrar que, por ejemplo, no hay ninguna diferencia en el rendimiento entre
las dos condiciones.
5. Realizaci6n del experimento. Cuando se lleva a cabo el experimento es vital monitorear con atencin el
proceso a fin de asegurarse de que todo se est haciendo conforme a la planeacin. Los errores en el proce-
dimiento experimental en esta etapa destruirn por lo general la validez experimental. Poner en un primer
plano la planeacin es crucial para el xito. Es fcil subestimar los aspectos de logstica y planeacin cuando
se corre un experimento diseado en un ambiente complejo de manufactura o de investigacin y desarrollo.
Coleman y Montgomery [27] sugieren que antes de llevar a cabo el experimento, es conveniente en
muchas ocasiones realizar algunas corridas piloto o de prueba. Estas corridas proporcionan informa-
cin acerca de la consistencia del material experimental, una comprobacin del sistema de medicin,
una idea aproximada del error experimental y la oportunidad de poner en prctica la tcnica experi-
mental global. Esto ofrece tambin una oportunidad para revisar, de ser necesario, las decisiones toma-
das en los pasos 1 a14.
1-5 BREVE HISTORIA DEL DISEO ESTADSTICO 17
6. Anlisis estadistico de los datos. Debern usarse mtodos estadsticos para analizar los datos a fin de
que los resultados y las conclusiones sean objetivos y no de carcter apreciativo. Si el experimento se ha
diseado correctamente y si se ha llevado a cabo de acuerdo con el diseo, los mtodos estadsticos nece-
sarios no deben ser complicados. Existen varios paquetes de software excelentes diseados para auxiliar
en el anlisis de datos, y muchos de los programas usados en el paso 4 para seleccionar el diseo cuentan
con una interfase directa para el anlisis estadstico. Con frecuencia se encuentra que los mtodos grfi-
cos simples desempean un papel importante en el anlisis e interpretacin de datos. Debido a que mU M
chas de las preguntas que el experimentador quiere responder pueden insertarse en el marco de la prueba
de hiptesis, los procedimientos para probar hiptesis y estimar intervalos de confianza son muy tiles en
el anlisis de datos de un experimento diseado. Muchas veces es muy til tambin presentar los resulta-
dos de varios experimentos en trminos de un modelo emprico, es decir, mediante una ecuacin derivada
de los datos que expresa la relacin entre la respuesta y los factores importantes del diseo. El anlisis re-
sidual y la verificacin de la adecuacin del modelo son tambin tcnicas de anlisis importantes. Ms
adelante se revisarn en detalle estos temas.
Recuerde que los mtodos estadsticos no pueden demostrar que un factor (o factores) posee un
efecto particular, slo proporcionan pautas generales en cuanto a la confiabilidad y la validez de los resul-
tados. Aplicados en forma correcta, los mtodos estadsticos no permiten la demostracin experimental
de nada, pero s sirven para medir el error posible en una conclusin o asignar un nivel de confianza a un
enunciado. La ventaja principal de los mtodos estadsticos es que agregan objetividad al proceso de
toma de decisiones. Las tcnicas estadsticas, aunadas a una buena ingeniera o conocimiento del proceso
y el sentido comn, llevarn por lo general a conclusiones slidas.
7. Conclusiones y recomendaciones. Una vez que se han analizado los datos, el experimentador debe sacar
conclusiones prcticas acerca de los resultados y recomendar un curso de accin. Los mtodos grficos sue-
len ser tiles en esta etapa, en particular para presentar los resultados. Tambin debern realizarse corridas
de seguimiento o pruebas de confirmacin para validar las conclusiones del experimento.
A lo largo del proceso completo es importante tener presente que la experimentacin es una parte
esencial del proceso de aprendizaje, en la que se formulan hiptesis tentativas acerca de un sistema, se
realizan experimentos para investigar estas hiptesis y se formulan nuevas hiptesis con base en los resul-
tados, y as sucesivamente. Esto sugiere que la experimentacin es iterativa. Por 10 general es un gran
error disear un solo experimento comprensivo y extenso al principio de un estudio. Un experimento exi-
toso requiere conocer los factores importantes, los rangos en los que debern hacerse variar estos facto-
res, el nmero apropiado de niveles que debern usarse y las unidades de medicin apropiadas para estas
variables. En general, no se conocen las respuestas precisas de estas cuestiones, pero se aprende acerca de
ellas sobre la marcha. A medida que avanza un programa experimental, es comn abandonar algunas va-
riables de entrada e incorporar otras, modificar la regin de exploracin de algunos factores o incorporar
nuevas variables de respuesta. Por consiguiente, generalmente la experimentacin se hace en forma se-
cuencial y, como regla general, no deber invertirse ms de 25% de los recursos disponibles en el primer
experimento. Con esto se asegurar que se contar con los recursos suficientes para realizar las corridas
de confirmacin y que se alcanzar en ltima instancia el objetivo final del experimento.
1..5 BREVEHISTORIA DEL DISEO ESTADSTICO
Ha habido cuatro eras del desarrollo moderno del diseo experimental estadstico. La era agrcola fue
encabezada por el trabajo pionero de Sir Ronald A. Fisher en los aos 1920 y principios de la dcada de
1930. En este periodo, Fisher fue el responsable de las estadsticas y el anlisis de datos en la Estacin
18 csrmno 1 INTRODUCCIN
Agrcola Experimental de Rothamsted en las cercanas de Londres, Inglaterra. Fisher se percat de que
las fallas en la forma en que se llevaba a cabo el experimento que generaba los datos obstaculizaban con
frecuencia el anlisis de los datos de los sistemas (en este caso sistemas agrcolas). Mediante la interac-
cin con mltiples cientficos e investigadores de diversos campos, Fisher desarroll las ideas que lleva-
ron a los tres principios bsicos del diseo experimental que se revisan en la seccin 1-3: la aleatorizacin,
la realizacin de rplicas y la formacin de bloques. Fisher incorpor de manera sistemtica el pensa-
miento y los principios estadsticos en el diseo de las investigaciones experimentales, incluyendo el con-
cepto de diseo factorial y el anlisis de varianza. Sus libros (44a, b] tuvieron profunda influencia en el uso
de la estadstica, particularmente en la agricultura y las ciencias biolgicas relacionadas. Para una exce-
lente biografa de Fisher, ver Box [21].
Si bien es cierto que la aplicacin del diseo estadstico en ambientes industriales se inici en la dca-
da de 1930, el catalizador de la segunda era, o era industrial, fue el desarrollo de la metodologa de super-
ficies de respuesta (MSR) por parte de Box y Wilson [20]. Estos autores se percataron y explotaron el
hecho de que muchos experimentos industriales son fundamentalmente diferentes de sus contrapartes
agrcolas en dos sentidos: l) la variable de respuesta puede observarse por lo general (casi) de inmediato,
y 2) el experimentador puede obtener pronto informacin crucial de un pequeo grupo de corridas que
puede usarse para planear el siguiente expermento. Box [12f] denomina inmediatez y secuencialidad a es-
tas dos caractersticas de los experimentos industriales. En los 30 aos siguientes, la MSR y otras tcnicas
de diseo se generalizaron en las industrias qumica y de proceso, sobre todo en el trabajo de investiga-
cin y desarrollo. George Box fue el lder intelectual de este movimiento. Sin embargo, la aplicacin del
diseo estadstico a nivel de plantas o procesos de manufactura todava no estaba muy generalizada.
Algunas de las razones de ello incluyen la capacitacin inadecuada de ingenieros y otros especialistas en
procesos en los conceptos y los mtodos estadsticos bsicos, as como la falta de recursos de computacin
y software de estadstica que fueran fciles de usar para apoyar la aplicacin de experimentos diseados
estadsticamente.
El inters creciente de la industria occidental en ~1mejoramiento de calidad que empez a fines de la
dcada de 1970 anunci la tercera era del diseo estadstico. El trabajo de Genichi 'Iaguchi (Thguchi y Wu
[109], Kackar [62] y 'Iaguchi [lOBa,bD tuvo un impacto significativo en el aumento del inters y el uso de
los experimentos diseados. 'Iaguchi propugnaba por el uso de experimentos diseados para lo que deno-
min el diseo paramtrico robusto, es decir,
1. Hacer procesos insensibles a los factores ambientales o de otra ndole que son difciles de con-
trolar.
2. Fabricar productos insensibles a la variacin transmitida por los componentes.
3. Encontrar los niveles de laS variables del proceso que obliguen a la media a un valor deseado
mientras que al mismo tiempo se reduzca la variabilidad en tomo a este valor.
Taguchi propuso diseos factoriales altamente fraccionados y otros arreglos ortogonales junto con algu-
nos mtodos estadsticos nuevos para resolver estos problemas. La metodologa resultante gener mu-
chas discusiones y controversias. Parte de la controversia surgi porque en Occidente la metodologa de
'Iaguchi fue defendida al principio (y sobre todo) por empresarios, y no se haba hecho la revisin escruta-
dora adecuada de la ciencia estadstica fundamental. Para fines de la dcada de 1980, los resultados de
esta revisin indicaron que aun cuando los conceptos y los objetivos enfocados en la ingeniera de 'Iaguchi
tenan bases slidas, existan problemas sustanciales con su estrategia experimental y sus mtodos para el
anlisis de los datos. Para detalles especficos de estas cuestiones, ver Box [l2d], Box, Bisgaard y Fung
[14], Hunter [59a, b], Myers y Montgomery [85a] y Pignatielloy Ramberg [94]. Gran parte de estas preo-
1-6 RESUMEN: USO DE TCNICAS ESTADSTICAS EN LA EXPERIMENTACIN 19
cupaciones se resumen tambin en el amplio panel de discusin del nmero de mayo de 1992 de Techno-
metrics (ver Nair, et al. (86]).
Hubo al menos tres resultados positivos de la controversia desatada por Thguchi. Primero, el uso de
los experimentos diseados se biza ms generalizado en las industrias con piezas discretas, incluyendo la
industria de manufacturas automotrices y aeroespaciales, de electrnica y semiconductores, y muchas
otras, que anteriormente hacan poco uso de esta tcnica. Segundo, se inici la cuarta era del diseo esta-
dstico. Esta era ha incluido un renovado inters general tanto por parte de investigadores como de profe-
sionales en ejercicio en el diseo estadstico y el desarrollo de varios enfoques nuevos y tiles para los
problemas experimentales en el mundo industrial, incluyendo alternativas a los mtodos tcnicos de la-
guchi que permiten que sus conceptos de ingeniera se lleven a la prctica de manera eficaz y eficiente.
Algunas de estas alternativas se revisarn e ilustrarn en captulos subsecuentes, en particular en el cap-
tulo 11. Tercero, la educacin formal en diseo experimental estadstico se est haciendo parte de los pro-
gramas de ingeniera en las universidades, tanto a nivel de licenciatura como de posgrado, La integracin
exitosa de una buena prctica del diseo experimental en la ingeniera y las ciencias es un factor clave en
la competitividad industrial futura.
1~6 RESUMEN:USO DE TCNICAS ESTADSTICAS EN LA

EXPERIMENTACIN
Gran parte de la investigacin en la ingeniera, las ciencias y la industria es emprica y hace un uso extensi-
vo de la experimentacin. Los mtodos estadsticos pueden incrementar en gran medida la eficiencia de
estos experimentos y con frecuencia pueden fortalecer las conclusiones as obtenidas. El uso correcto de
las tcnicas estadsticas en la experimentacin requiere que el experimentador tenga presentes los puntos
siguientes:
1. Uso de conocimientos no estadsticos del problema. Los experimentadores suelen poseer amplios co-
nocimientos de sus respectivos campos. Por ejemplo, un ingeniero civil que trabaja en un problema de hi-
drologa cuenta de manera tpica con considerable experiencia prctica y capacitacin acadmica formal
en esta rea. En algunos campos existe un cuerpo enorme de teora fsica en el cual indagar para explicar
las relaciones entre los factores y las respuestas. Este tipo de conocimientos no estadsticos es invaluable
para elegir los factores, determinar los niveles de los factores, decidir cuntas rplicas correr, interpretar
los resultados del anlisis, etc. El uso de la estadstica no es sustituto de la reflexin sobre el problema.
2. Mantener el diseo y el anlisis tan simple como sea posible. Es necesario no exagerar en el uso de
tcnicas estadsticas complejas y sofisticadas. Los mtodos de diseo y anlisis relativamente simples son
siempre los mejores. En este punto cabe hacer hincapi nuevamente en el paso 4 del procedimiento reco-
mendado en la seccin 1-4. Si un diseo se hace de manera cuidadosa y correcta, el anlisis casi siempre
ser relativamente directo. Sin embargo, si el diseo se estropea grandemente por ineptitud, no es posible
que incluso la estadstica ms compleja y elegante salve la situacin.
3. Tenerpresente III diferencia entre significaci6n prctica y significacin estadstica. Debido justamen-
te a que dos condiciones experimentales producen respuestas medias que son estadsticamente diferen-
tes, no existe ninguna seguridad de que esta diferencia sea de la magnitud suficiente como para tener
algn valor prctico. Por ejemplo, un ingeniero puede determinar que una modificacin en el sistema de
inyeccin de combustible de un automvil puede producir un mejoramiento promedio real en el rendi-
miento del combustible de 0.1 mi/gal. ste es un resultado estadsticamente significativo. Sin embargo, si
el costo de la modificacin es de $1000, la diferencia de 0.1 mi/gal probablemente ser muy pequea para
poseer algn valor prctico.
4. Los experimentos son generalmente iterativos. Recuerde que en la mayora de las situaciones no es
conveniente disear un experimento demasiado comprensivo al principio de un estudio. Un diseo exito-
so requiere conocer los factores importantes, los rangos en los que estos factores se harn variar, el nme-
ro apropiado de niveles para cada factor y los mtodos y las unidades de medicin adecuados para cada
factor y respuesta. En general, ningn experimentador est en posicin de responder estas cuestiones al
principio del experimento, sino que las respuestas aparecen sobre la marcha. Esto habla en favor del en-
foque iterativo o secuencial analizado anteriormente. Desde luego, hay situaciones en las que un experi-
mento comprensivo es totalmente apropiado pero, como regla general, la mayora de los experimentos
debern ser iterativos. Por consiguiente, no deber invertirse ms de 25% de los recursos para la experi-
mentacin (corridas, presupuesto, tiempo, etc.) en el experimento inicial. Con frecuencia estos esfuerzos
iniciales constituyen slo experiencias de aprendizaje, y es necesario contar con recursos suficientes para
alcanzar los objetivos finales del experimento.
Experimentos
comparativos simples
En este captulo se examinan los experimentos para comparar dos condiciones (llamadas en ocasiones
tratamientos), a las cuales es comn denominar experimentos comparativos simples. Se empieza con el
ejemplo de un experimento que se realiza para determinar si dos formulaciones diferentes de un produc-
to producen resultados equivalentes. El estudio lleva a revisar varios conceptos bsicos de la estadstica,
como variables aleatorias, distribuciones de probabilidad, muestras aleatorias, distribuciones de mues-
treo y pruebas de hiptesis.
2..1 INTRODUCCIN
La fuerza de la tensin de adhesin del mortero de cemento portland es una caracterstica importante del
producto. Un ingeniero est interesado en comparar la fuerza de una formulacin modificada en la que se han
agregado emulsiones de ltex de polmeros durante el mezclado, con la fuerza del mortero sin modificar. El
experimentador ha reunido 10 observaciones de la fuerza de la formulacin modificada y otras 10 observacio-
nes de la formulacin sin modificar. Los datos se muestran en la tabla 2-1. Podra hacerse referencia a las dos
formulaciones diferentes como dos tratamientos o como dos niveles del factor formulaciones.
En la figura 2-1 se grafican los datos de este experimento. A esta representacin se le llama diagrama
de puntos. Del examen visual de estos datos se obtiene la impresin inmediata de que la fuerza del morte-
ro sin modificar es mayor que la fuerza del mortero modificado. Esta impresin se confirma al comparar
las fuerzas de la tensin de adhesin promedio.y = 16.76 kgf/cm2para el mortero modificado y)l2= 17.92
kgf!cm2 para el mortero sin modificar. Las fuerzas de la tensin de adhesin promedio de estas dos mues-
tras difieren en lo que parece ser una cantidad no trivial. Sin embargo, no es evidente que esta diferencia
sea de la magnitud suficiente para implicar que las dos formulaciones son en realidad diferentes. Quizs
esta diferencia observada en nasfuerzas promedio sea el resultado de fluctuaciones del muestreo y las dos
formulaciones sean idnticas en realidad. Posiblemente otras dos muestras produzcan el resultado con-
trario, con la fuerza del mortero modificado excediendo la de la formulacin sin modificar.
Puede usarse una tcnica de la inferencia estadstica llamada prueba de hiptesis (algunos autores
prefieren el trmino prueba de significacin) para auxiliar al experimentador en la comparacin de estas
21
22 CAPTULo 2 EXPERIMENTOSCOMPARATIVOS SIMPLES
Tabla 2-1 Datos de la fuerza de la tensin de

adhesin del experimento de la
formulacin del cemento portland
Mortero Mortero sin
modificado modificar
j Y'1
1 16.85 17.50
2 16.40 17.63
3 17.21 18.25
4 16.35 18.00
5 16.52 17.86
6 17.04 17.75
7 16.96 18.22
8 17.15 17.90
9 16.59 17.96
10 16.57 18.15
dos formulaciones. La prueba de hiptesis permite que la comparacin de las dos formulaciones se haga
en trminos objetivos, con el conocimiento de los riesgos asociados si se llega a una conclusin equivoca-
da. Antes de presentar los procedimientos de la prueba de hiptesis en experimentos comparativos sim-
ples, se har una breve revisin de algunos conceptos elementales de la estadstica.
2~2 CONCEPTOS ESTADSTICOS BSICOS
A cada una de las observaciones del experimento del cemento portland citado anteriormente se le llama-
ra una corrida. Observe que las corridas individuales difieren, por lo que existen fluctuaciones, o ruido,
en los resultados. Es comn llamar a este ruido el error experimental o simplemente el error. Se trata de
un error estadstico, lo cual significa que se origina por la variacin que no est bajo control y que gene-
ralmente es inevitable. La presencia del error o ruido implica que la variable de respuesta, la fuerza de la
tensin de adhesin, es una variable aleatoria. Una variable aleatoria puede ser discreta o continua. Si el
conjunto de todos los valores posibles de la variable aleatoria es finito o contablemente infinito, entonces
la variable aleatoria es discreta, mientras que si el conjunto de todos los valores posibles de la variable
aleatoria es un intervalo, entonces la variable aleatoria es continua.
Descripcin grfica de la variabilidad

Es frecuente usar mtodos grficos simples como ayuda para analizar los datos de un experimento. El
diagrama de puntos, ilustrado en la figura 2-1, es un recurso muy til para representar un cuerpo reduci-
do de datos (digamos hasta unas 20 observaciones). El diagrama de puntos le permite al experimentador
ver de inmediato la localizacin o tendencia central de las observaciones y su dispersin. Por ejemplo, en
el experimento de la fuerza de tensin de adhesin del cemento portland, el diagrama de puntos revela
_ 1 o OQoai!OCO
15 16 19 20
17 Fuerza 118
1
y, '"'16.76
(kgf/cm2)
Y2'" 17.92
~ Mortero modificado
o " Mortero sin modificar
Figura 21 Diagrama de puntos de los datos de la fuerza de la tensin de adhesin de la tabla 2-1.
2-2 CONCEPTOS ESTADSTICOS BSICOS 23
~ 0.10 20
.,
':
e ..
';
.~ ..
c:
.. ::1
....e
~
"- 0.05 10
Recuperacinde metal (rendimiento)
Figura 2-2 Histograma de 200observacionesde la recuperacin de metal (rendimiento) en

un proceso de fundicin,
que probablemente las dos formulaciones difieran en la fuerza promedio, pero que ambas producen
aproximadamente la misma variacin en la fuerza.
Cuando los datos son muy numerosos, es difcil distinguir las observaciones graficadas en un diagra-
ma de puntos, y en tal caso sera preferible un histograma. En la figura 2-2 se presenta el histograma de
200 observaciones de la recuperacin de metal (o rendimiento) en un proceso de fundicin, El histogra-
ma muestra la tendencia central, la dispersin y la forma general de la distribucin de los datos. Recuerde
que un histograma se construye dividiendo el eje horizontal en intervalos (generalmente de longitud
igual) y trazando un rectngulo sobre el intervalo j-simo con el rea del rectngulo proporcional a nj' el
nmero de observaciones incluidas en ese intervalo.
El diagrama de caja (o diagrama de aYa y bigotes) es una manera muy til de representar grfica-
mente los datos. En un diagrama de caja se muestra el mnimo, el mximo, los cuartiles inferior y superior
(el percentil 25 y el percentil 75, respectivamente) y la mediana (el percentil50) en una caja rectangular
alineada horizontal o verticalmente. La caja se extiende del cuartil inferior al cuartil superior y se traza
una lnea por la mediana que atraviesa la caja. Se trazan dos lneas (o bigotes) que se extienden de los ex-
tremos de la caja hasta (de manera tpica) los valores mnimo y mximo. (Existen diversas variantes de los
diagramas de caja que tienen reglas diferentes para denotar los puntos muestrales extremos. Ver Montgo-
mery y Runger [83d] para ms detalles.) ,
En la figura 2-3 se muestran los diagramas de caja de las dos muestras de la fuerza de la tensin de
adhesin en el experimento del mortero de cemento portland. En esta representacin se revela con toda
claridad la diferencia en la fuerza promedio entre las dos formulaciones. Indica asimismo que ambas for-
mulaciones producen distribuciones de la fuerza razonablemente simtricas con una variabilidad o dis-
persin similar.
Los diagramas de puntos, los histogramas y los diagramas de caja son tiles para resumir la informa-
cin de una muestra de datos. Para describir con mayor detalle las observaciones que podran presentarse
en una muestra, se usa el concepto de distribucin de probabilidad.
Distribuciones de probabilidad
La estructura de la probabilidad de una variable aleatoria, por ejemplo y, se describe mediante su distri-
bucin de probabilidad. Cuando y es discreta, es comn hacer referencia a su distribucin de probabili-
24 CAPTULO 2 EXPERIMENTOSCOMPARATIVOS SIMPLES
Diagramas de caja y bigotes

~
E
u 18.4 - I -
ti
~
":
:2
s: 17.61-
.,..
"C
18 -
$ -
-
"O 17.21- -
$
c:
-o
.;
"
l!!
16.81- -
.'!l
CI)
"O
ca
16.41- -
.,
I::!
161- I I -
"
u.
Modificado Sin modificar
Formulacin del mortero
Figura 2-3 Diagramasde caja del experimentode la fuerza de la ten-

sin de adhesin del cemento portland.
dad, por ejemplo p(y), como la funcin de probabilidad de y. Cuando y es continua, es comn hacer
referencia a su distribucin de probabilidad, por ejemplo f(y), como la funcin de densidad de probabili-
dad de y.
En la figura 24 se ilustran dos distribuciones de probabilidad hipotticas, una discreta y la otra conti-
nua. Observe que en la distribucin de probabilidad discreta es la altura de la funcin p(y) la que repte-
senta la probabilidad, mientras que en el caso continuo, es el rea bajo la curva f(y) asociada con un
....__.......'
I..L.......L....~
Yl Y3 Ys Y7
...............
.Ya Yll
.__.__II
Y13
_ Yj
Y2 Y4 Y6 Ya Yl0 Y12 Y14
a) Una distribucin discreta
b) Una distribucin continua
Figura 2-4 Distribuciones de probabilidad discreta y continua.

2-2 CONCEPTOS ESTADSTICOS BSICOS 25
intervalo dado la que representa la probabilidad. Un resumen cuantitativo de las propiedades de las dis-
tribuciones de probabilidad sera el siguiente:
y discreta: o s p(Y):S; 1 todos los valores de Yi

P(y= y)= p(yJ todos los valores de Yi

todos los
p(y)=1
valoree de y j
y continua: O:s; f(y)
P(a:s; y:s; b)= I: f(y)dy

I:., f(y)dy= 1
Media, varianza y valores esperados

La media, u, de una distribucin de probabilidad es una medida de su tendencia central o localizacin.
Matemticamente, la media se define como
I:", yf(y)dy y continua

p.- (2-1)
- { yp(y)
toda Y
y discreta
La media tambin puede expresarse en trminos del valor esperado o valor promedio a la larga de la va-
riable aleatoria y como
I:., yf(y)dy y continua

p.= E(y) = L",yp(y)
~ y discreta
(2-2)
J toda y
donde E denota el operador del valor esperado.

La variabilidad o dispersin de una distribucin de probabilidad puede medirse con la varianza, la
cual se define como
y continua
(2-3)
y discreta
Observe que la varianza puede expresarse exclusivamente en trminos del valor esperado debido a que
(2-4)
Por ltimo, el uso de la varianza es tan frecuente que resulta conveniente definir un operador de la va-
rianza V tal que
V(y) =: EI(y- p.)2] = a2 (2-5)

26 CAPTIJLO 2 EXPERIMENTOS COMPARATIVOS SIMPLES
Los conceptos de valor esperado y varianza se usan constantemente a lo largo de este libro, y puede
ser til revisar varios resultados elementales relacionados con estos operadores" Si y es una variable alea-
toria con media # y varianza dl y e es una constante, entonces
1. E(c) = c
2. E(y) = #
3. E( cy) = cE(y) = c#
4. V(c) = O
5. V(y) = 02
6. V(cy) = c2V(y)= C202
Si hay dos variables aleatorias, por ejemplo.y conECrl) == #1 Y VCrI) = o; YY2conECrz) = #2Y VCr2)=
o;, se tiene
7. E(YI + Y2) = E(y1)+ E(yz) = #1 + #z
Es posible demostrar que
8. V(Yl +Y2)=V(Yl)+V(Y2)+2 Cov(yl' Y2)
donde
(2-6)
es la covaranza de las variables aleatoriasy, YY2"La covarianza es una medida de la asociacin lineal en-
tre YI y Y2" Ms especficamente, puede demostrarse que si Yl y Y2 son independientes,' entonces
COV'l' Y2) = O. 'Iambin puede demostrarse que
9. V(Yl - Y2) = V(y1)+ V(Yz)- 2 COY (yl' Y2)
Si Yl YY2 son independientes, se tiene
10. V(Yl yz)= V(Yl)+V(Y2)= o; +0;
y
11. E(Yl'YZ)=E(Yl)'E(Y2)='ul"#Z
Sin embargo, observe que, en general,
12. E(1:!_)~ E(Yl)
Yz E(yz)
sin importar si Yl y Y2 son independientes o no.
2..3 MUESTREO y DISTRIBUCIONES DE MUESTREO
Muestras aleatorias. media muestral Vvarianza muestral

El objetivo de la inferencia estadstica es sacar conclusiones acerca de una poblacin utilizando una
muestra de la misma. La mayora de los mtodos que se estudiarn aqu incluyen el supuesto de que se
1 Observe que el recproco no es necesariamente verdadero; es decir, puede tenerse Cov (Yl>Y,) = O Yno obstante esto no implica que
las variables sean independientes. Para un ejemplo, ver Hines y Montgomery ([55] pp. 128129).
2-3 MUESTREO Y DISTRIBUCIONES DE MUESTREO 27
usan muestras aleatorias. Es decir, si la poblacin contiene N elementos y va a seleccionarse una muestra
de n de ellos, y si cada una de las N!/(N - n )!n! muestras posibles tiene una probabilidad igual de ser esco-
gida, entonces al procedimiento empleado se le llama muestreo aleatorio. En la prctica, en ocasiones es
difcil obtener muestras aleatorias, para lo cual pueden ser tiles las tablas de nmeros aleatorios, como
la tabla XI del apndice.
En la inferencia estadstica se utilizan profusamente cantidades calculadas a partir de las observacio-
nes de la muestra. Un estadstico se define como cualquier funcin de las observaciones de una muestra
que no contiene parmetros desconocidos. Por ejemplo, suponga que YbY2, ...,y" representa una muestra.
Entonces la media muestral
(2-7)
y la varianza muestral
!
S2 = -";=:.,:1
(Yi~Y/
_
(2-8)
n-l
son estadsticos. Estas cantidades son medidas de la tendencia central y la dispersin de la muestra, res-
pectivamente. En ocasiones se usa S = .JS2,llamada la desviacin estndar muestral, como medida de
dispersin. Los ingenieros suelen preferir el uso de la desviacin estndar para medir la dispersin debi-
do a que se expresa en las mismas unidades que la variable de inters y.
Propiedades de la media V la varianza muestrales

La media muestralj' es un estimador puntual de la media poblaconalze, y la varianza muestral 52 es un es-
timador puntual de la varianza poblacional el. En general, un estimador de un parmetro desconocido es
un estadstico que corresponde con dicho parmetro. Observe que un estimador puntual es una variable
aleatoria. Al valor numrico particular de un estimador, calculado a partir de los datos muestrales, se le
llama una estimacin. Por ejemplo, suponga que quiere estimarse la media y la varianza de la resistencia a
=
la ruptura de un tipo particular de fibra textil. Se prueba una muestra aleatoria de n 25 ejemplares de
prueba de la fibra y se registra la resistencia de cada uno de ellos. Lamedia y la varianza muestrales se cal-
culan de acuerdo con las ecuaciones 2-7 y 2-8, respectivamente, obtenindose y = 18.6 YS2 = 1.20. Por 10
tanto, la estimacin de fJ. es Y = 18.6 Y la estimacin de el es ~ = 1.20.
Un buen estimador puntual debe tener varias propiedades. Dos de las ms importantes son las si-
guientes:
1. El estimador puntual deber ser insesgado. Es decir, el parmetro que se est estimando deber
ser el promedio o valor esperado a la larga del estimador puntual. Aun cuando la ausencia de ses-
go es deseable, esta propiedad por s sola no siempre hace que un estimador sea adecuado.
2. Un estimador insesgado deber tener la varianza mnima. Esta propiedad establece que el esti-
mador puntual de varianza mnima tiene UDa varianza que es menor que la varianza de cualquier
,otro estimador del parmetro en cuestin.
Es sencillo demostrar que ji y Sl son estimadores insesgados de p. y al, respectivamente. Considere .

primero y. Al utilizar las propiedades del valor esperado, se tiene
:-n1 L" E(y;) i~l
porque el valor esperado de cada observaciny, es p. Porlo tanto.j es un estimador insesgado de u:

Considere ahora la varianza muestral 52. Se tiene
E(52)= E
! (Yi - Y)2]
..:.:;i-:.o...l _
[ n-1
=~E[! (Yi-y)2]
n 1 iml
1
== n-1 E(55)
donde 55 = l:7~1(Yi - y)2 es la soma de cuadrados corregida de las observaciones YI' Entonces
(2-9)
= ! (p.2 +U2)_n(p.2
;-1
+u2 In)
= (n-1)a2 (2-10)
Por lo tanto,
E(52)= _1_ E(55)
n-1
=u2
y se observa que 52 es un estimador insesgado de al.
2-3 MUESTREO Y DISTRIBUCIONES DE MUESTREO 29
Grados de libertad
A la cantidad n -1 de la ecuacin 2-10 se le llama el nmero de grados de libertad de la suma de cuadra-
dos SS. Se trata de un resultado muy general; es decir, siy es una variable aleatoria con varianza 02 y
SS = 1:(YI - y) 2 tiene v grados de libertad, entonces
(2-11)
El nmero de grados de libertad de una suma de cuadrados es igual al nmero de elementos independien-
tes en dicha suma de cuadrados. Por ejemplo, SS = 1:~gI(YI - y)2 en la ecuacin 2-9 consiste en la suma de
los cuadrados de los n elementos YI- y, Y2 - y, ... , Yn - y. No todos estos elementos son independientes
porque 1:~"1(Yi - y) = O; de hecho, slo n -1de ellos son independientes, lo cual implica que SS tiene n-1
grados de libertad.
La distribucin normal y otras distribuciones de muestreo

En muchas ocasiones la distribucin de probabilidad de UD estadstico particular puede determinarse si se
conoce la distribucin de probabilidad de la poblacin de la que se tom la muestra. A la distribucin de
probabilidad de un estadstico se le llama la distribucin de muestreo. A continuacin se revisan breve-
mente varias distribuciones de muestreo tiles.
Una de las distribuciones de muestreo ms importantes es la distribucin normal. Siy es una variable
aleatoria normal, la distribucin de probabilidad de y es
!(y) = _1_ e-(l12)[(Y-I')/a' -oo<y<oo (2-12)

(JJ'2i
donde -00 < IJ < 00 es la media dlela distribucin y 02 > Oes la varianza. En la figura 2-5 se ilustra la distri-
bucin normal.
Debido a que las corridas muestrales que difieren como resultado del error experimental a menudo
se encuentran descritas adecuadamente en la distribucin normal, sta desempea un papel fundamental
en el anlisis de los datos de experimentos diseados. Tambin es posible definir muchas distribuciones
de muestreo importantes en trminos de variables aleatorias normales. Con frecuencia se usa la notacin
y - N(p, 02) para denotar que y sigue una distribucin normal con media IJ y varianza 02.
Un caso especial importante de la distribucin normal es la distribucin normal estndar; es decir,
IJ = O Y 02 = 1. Se observa que si y - N(p, 02), la variable aleatoria
y-IJ
z=-- (2-13)
(J
"
Figura 2-5 La distribucin normal.
30 CAPlULO 2 EXPERIMENTOSCOMPARATIVOS SIMPLES
sigue la distribucin normal estndar, denotadaz - N(O, 1). A la operacin ilustrada en la ecuacin 2-13
suele llamrsele la estandarizacin de la variable aleatoria normal y. En la tabla 1del apndice se presen-
ta la distribucin normal estndar acumulada.
En muchas tcnicas estadsticas se supone que la variable aleatoria sigue una distribucin normal. El
teorema del lmite central es con frecuencia una justificacin de la normalidad aproximada.
TEOREMA 2~1 ,. .
El teorema del lmite central
SiY'Y2' ..,Yn es una sucesin de n variables aleatorias independientes que tienen una distribucin idntica
con E(y) = ..t y V(y) = el (ambas finitas) y x = Yt + Y2 + ... + Yn' entonces
x+nu
z =--
n "Jna 2
tiene una distribucin N(O, 1) aproximada en el sentido de que, si Fn(z) es la funcin de la distribu-
cin de z; y <fJ(z)es la funcin de la distribucin de la variable aleatoria N(O, 1), entonces lm, ....,[Fn(z)/
<fJ(z)] = 1.
Este resultado establece en esencia que la suma de n variables aleatorias independientes que tienen una
distribucin idntica sigue una distribucin aproximadamente normal. En muchos casos esta aproxima-
cin es adecuada para valores muy pequeos de n, digamos n < 10, mientras que en otros casos se necesi-
ta un valor grande de n, digamos n > 100. Frecuentemente se considera que el error de un experimento
surge de una manera aditiva de varias fuentes independientes; por consiguiente, la distribucin normal se
convierte en un modelo recomendable para el error experimental combinado.
Una importante distribucin de muestreo que puede definirse en trminos de variables aleatorias

normales es la distribucinxz o ji-cuadraa. Si z., Z2, ""Zk son variables aleatorias que tienen una distri-
bucin normal e independiente con media y varianza 1, cuya abreviatura es NID(O, 1), entonces la varia-
ble aleatoria
sigue la distribucin ji-cuadrada con k grados de libertad. La funcin de densidad de la distribucin

ji-cuadrada es
x>o (2-14)
En la figura 2-6 se ilustran varias distribuciones ji-cuadrada. La distribucin es asimtrica, o sesgada,

con media y varianza
respectivamente. En la tabla III del apndice se presentan los puntos porcentuales de la distribucin
ji-cuadrada.
2-3 MUESTREO y DISTRIBUCIONES DE MUESTRO 31
Figura 2-6 Varias distribucionesji-cuadrada.
Como un ejemplo de una variable aleatoria que sigue la distribucin ji-cuadrada, suponga que YI'
Y2' ... , y" es una muestra aleatoria de una distribucin N(jJ., al). Entonces
Es decir, SS/cr sigue una distribucin ji-cuadrada con n - 1 grados de libertad.

Muchas de las tcnicas utilizadas en este libro requieren el clculo y la manipulacin de sumas de
cuadrados. El resultado dado en la ecuacin 2-15 es de suma importancia y aparece en mltiples ocasio-
nes; cuando una suma de cuadrados de variables aleatorias normales se divide por cr sigue la distribucin
ji-cuadrada.
Al examinar la ecuacin 2-8, se observa que la varianza muestral puede escribirse como
Si las observaciones de la muestra son NID(.u, cr), entonces la distribucin de S2 es [cr/(n -1)]X:_l' Por lo
tanto, la distribucin de muestreo de la varianza muestral es una constante multiplicada por la distribu-
cin ji-cuadrada si la poblacin tiene una distribucin normal.
Si z yX; son variables aleatorias independientes normal estndar y ji-cuadrada, respectivamente, la
variable aleatoria
Z
t =--=== (2-17)
k ~XUk
sigue la distribuci6n t con k grados de libertad, denotada t", La funcin de densidad de t es
f[(k+l)/2] 1
-oo<t<oo (2-18)
/(t)= ../hir(k/2) [(t2/k)+I](k+l)/2
yla media y la varianza de tson.u = =

Oycr k/(k-2) para k > 2, respectivamente. En la figura 2-7 se ilus-
tran varias distribuciones t. Observe que si k = 00, la distribucin t se convierte en la distribucin normal
32 CAPTUW 2 EXPERIMENTOSCOMPARATIVOS SIMPLES
Figura 2-7 Varias distribuciones t.
estndar. En la tabla 11del apndice se presentan los puntos porcentuales de la distribucin t. SiYl'Y2> ... ,
Yn es una muestra aleatoria de una distribucin N(#, al), entonces la cantidad
t = y- JI. (2-19)
S/.J
se distribuye como t con n - 1 grados de libertad.
Laltima distribucin de muestreo que consideraremos es la distribucin F. Si X ~ YX ~ son dos varia-
bles aleatorias ji-cuadrada independientes con u y V grados de libertad, respectivamente, entonces el co-
ciente
X2/u
r., = X~ / v (2-20)
sigue la distribucin F con u grados de libertad en el numerador y v grados de libertad en el denominador.

Six es una variable aleatoria F con u grados de libertad en el numerador y v grados de libertad en el deno-
minador, entonces la distribucin-de probabilidad de x es
h x _ r(T)(;f2 X(u/2)-1
O<x<oo (2-21)
( )-r(~r(~X(;;}+lr")"
---- u-4.1I=10
0.8 -- .. ~4.11-30
"..
------ u-lO. v-lO
l! -- u~10.v-30
~ 0.6
.a!!
Q.
-8 0.4
.,
"".~ 0.2
..
el
o
Figura 2-8 Varias distribuciones F.
2-4 INFERENCIAS ACERCA DE LAS DIFERENCIAS EN LAS MEDIAS, DISEOS ALEATORIZADOS 33
En la figura 2-8 se ilustran varias distribuciones R Esta distribucin es muy importante en el anlisis esta-
dstico de experimentos diseados. En la tabla IV del apndice se presentan los puntos porcentuales de la
distribucin R
Como un ejemplo de un estadstico que sigue una distribucin F, suponga que se tienen dos poblacio-
nes normales independientes con varianza comn er.
SiYwYl2> ... , YllI, es una muestra aleatoria de nI ob-
servaciones de la primera poblacin y siY2b Y2Z, .. , YZII, es una muestra aleatoria de nz observaciones de la
segunda, entonces
S2
_l__ F
S2 11,-1.",-1 (2-22)
2
donde S12 ysi son las dos varianzas muestrales. Este resultado se sigue directamente de las ecuaciones
2-15 y 2-20.
Z ..4 INFERENCIAS ACERCA DE LAS DIFERENCIAS EN LAS MEDIAS,

DISEOS ALEATORIZADOS
Estamos preparados ahora para volver al problema del mortero de cemento portland de la seccin 2-1.
Recuerde que se estaban investigando dos formulaciones diferentes para determinar si difieren en la
fuerza de la tensin de adhesin. En esta seccin se examina cmo pueden analizarse los datos de este ex-
perimento comparativo simple utilizando procedimientos de prueba de hiptesis e inte"alos de confian-
za para comparar las medias de dos tratamientos.
A lo largo de esta seccin se supone que se usa un diseo experimental completamente aleatorizado.
En este diseo, los datos se consideran como si fueran una muestra aleatoria de una distribucin normal.
2..4.1 Prueba de hiptesis

Se retoma ahora el experimento del cemento portland introducido en la seccin 2-1. Recuerde que el in-
ters se encuentra en comparar la fuerza de dos formulaciones diferentes: una del mortero sin modificar y
una del mortero modificado. En general, estas dos formulaciones pueden considerarse como dos niveles
del factor "formulaciones". Sea que Yu> Y12' ... , Yll1t represente las nI observaciones del primer nivel del
factor y que Y21,Y22, .. , Y211, represente las n2 observaciones del segundo nivel del factor. Se supone que
las muestras se sacan al azar de dos poblaciones normales independientes. En la figura 2-9 se ilustra la
situacin.
11,
Muestra 1:yl1'.)"2....'.)I'",
Nivel 1 del factor Nivel 2 del factor
Figura 2~ La situacin del muestreo para la prueba t de dos muestras.

34 CAPTULo 2 EXPERIMENTOSCOMPARATIVOS SIMPLES
Un modelo de los datos

Con frecuencia los resultados de un experimento se describen con un modelo. Un modelo estadstico sim-
ple que describe los datos de un experimento como el que acaba de describirse es
i =1 2
Yij=p+sij { ,"=1', 2, ni (2-23)
,
donde Yj es la observacinj-sima del nivel i del factor, p es la media de la respuesta para el nivel -simo
del factor, y Eijes una variable aleatoria normal asociada con la observacin ij-sima. Se supone que las e ij
son NID(O, a ),i == 1, 2. Se acostumbra hacer referencia a si como el componente del error aleatorio del
modelo. Puesto que las medias .ti y .t2 son constantes, se observa directamente a partir del modelo que las
=
Yison NIDCa;, a), i 1,2, como se acaba de suponer arriba. Para ms informacin acerca de los modelos
de los datos, referirse al material suplementario del texto.
Hiptesis estadsticas
Una hiptesis estadstica es un enunciado o afirmacin ya sea acerca de los parmetros de una distribu-
cin de probabilidad o de los parmetros de Un modelo. La hiptesis refleja alguna conjetura acerca de la
situacin del problema. Por ejemplo, en el experimento del cemento portland, puede pensarse que las
fuerzas de la tensin de adhesin promedio de las dos formulaciones del mortero son iguales. Esto puede
enunciarse formalmente como
Ho: .tI = .t2

HI: .tI '# .t2
donde .tI es la fuerza de la tensin de adhesin promedio del mortero modificado yP2 es la fuerza de ten-
sin de enlace promedio del mortero sin modificar. Al enunciado Ho:.t = P2 se le llama la hptess nula y
aH1:.tl '# .t2 se le llama la hip6tesis alternativa. A la hiptesis alternativa que se especifica aqu se le llama
hiptesis alternativa de dos colas porque sera verdadera si .tI < .t2 o si PI > .t2'
Para probar una hiptesis se proyecta un procedimiento para tomar una muestra aleatoria, calcular
un estadstico de prueba apropiado para despus rechazar o no estar en posicin de rechazar la hiptesis
nula Ho. Parte de este procedimiento consiste en especificar el conjunto de valores del estadstico de
prueba que llevan al rechazo de Ho. A este conjunto de valores se le llama la regi6n critica O regi6n de re-
chazo de la prueba.
Pueden cometerse dos tipos de errores cuando se prueban hiptesis. Si la hiptesis nula se rechaza
cuando es verdadera, ha ocurrido un error tipo 1. Si la hiptesis nula no se rechaza cuando es falsa, se ha
cometido un error tipo 11.Las probabilidades de estos dos errores se expresan con smbolos especiales:
a = P( error tipo 1)= P( rechazar H I H es verdadera)

p = P( error tipo 11)= P( dejar de rechazar H I H es falsa)
En ocasiones es ms conveniente trabajar con la potencia de la prueba, donde
Potencia == 1- P = P( rechazar H I H o es falsa)

El procedimiento general en la prueba de hip6tesis es especificar un valor de la probabilidad a del error
tipo 1, llamada con frecuencia el nivel de significaci6n de la prueba, y despus disear el procedimiento
de prueba de tal modo que la probabilidad P del error tipo 11tenga un valor convenientemente pequeo.
La prueba t de dos muestras
Considere que puede suponerse que las varianzas de las fuerzas de la tensin de adhesin fueron idnti-
cas para ambas formulaciones del mortero. Entonces el estadstico de prueba que deber usarse para
comparar las medias de dos tratamientos en el diseo completamente aleatorizado es
(2-24)
donde Yl YYz son las medias muestrales, nI Ynz son los tamaos de las muestras, S~ es una estimacin de la
varianza comn a a; al
= = calculada a partir de
S
2
P
= (n -l)S; +(nz -l)S;
nI +nz - 2
(2-25)
y SIZ y S; son las dos varianzas muestrales individuales. Para determinar si deber rechazarse Ho:l-" I-"z, =
se comparara to con la distribucin t con n1 + n2 - 2 grados de libertad. Si Ito I > t aIZ,,,,+"2 -2' donde
t aIZ,,,, +"2 -z es el punto porcentual al2 superior de la distribucin t con nI + nz - 2 grados de libertad, en-
tonces se rechazara H Yse concluira que las fuerzas promedio de las dos formulaciones del mortero de
cemento portland difieren. A este procedimiento de prueba se le llama generalmente la prueba t de dos
muestras.
Este procedimiento puede justificarse de la siguiente manera. Si el muestreo se est haciendo de dis-
tribuciones normales independientes, entonces la distribucin de JI - Yz es N[ul - 1-"2' al(lIn1 + lInz) l. Por
lo tanto, si se conociera al, y si Ho:1-"1 = 1-"2 fuera verdadera, la distribucin de
(2-26)
seraN(O, 1). Sin embargo, al sustituir a con Sp en la ecuacin 2-26, la distribucin de Z cambia de la nor-
mal estndar a la distribucin t con nI + nz - 2 grados de libertad. Ahora bien, si H es verdadera, to de la
ecuacin 2-24 se distribuye como t"1 +112-2 y, por consiguiente, se esperara que 100(1-a) por ciento de los
valores de to estn entre-taI2,nl+n2_Z y tal2,nl +n.-2' Una muestra que produjera un valor de lo que estuviera
fuera de estos lmites sera inusual si la hiptesis nula fuera verdadera y es evidencia de que H deber re-
chazarse. Por lo tanto, la distribucin t con n1 + n2 - 2 grados de libertad es la distribucin de referencia
apropiada para el estadstico de prueba too Es decir, describe el comportamiento de to cuando la hiptesis
nula es verdadera. Observe que a es la probabilidad del error tipo 1 de la prueba.
En algunos problemas quiz quiera rechazarse H nicamente si una de las medias es mayor que la
otra. Por lo tanto, se especificara una hiptesis alternativa de UDacola H1 :1-"1 > 1-"2 YH slo se rechazara
si to > t a,n, +". -2' Si se desea rechazar H slo si 1-"1 es menor que 1-"2' entonces la hiptesis alternativa es
H1:1-"1 < 1-"2' Y H se rechazada si to < -ta,,,,+".-2
Para ilustrar el procedimiento, considere los datos del cemento portland de la tabla 2-1. Para estos
datos, se encuentra que
Mortero modificado Mortero sin modificar
ji ;;: 16.76 kgf / cm' Yl = 17.92 kgf / cm"
5,.2;;: 0.100 si =0.061
5,. = 0.316 s, =0.247
11 = 10 n2 =10
Puesto que las desviaciones estndar muestrales son razonablemente similares, no es improcedente con-
cluir que las desviaciones estndar (o las varianzas) poblacionales son iguales. Por lo tanto, puede usarse
la ecuacin 2-24 para probar las hiptesis
Ho: #1 ;:;o #z
H: #1 ;t: #2
Adems, ni + n2- 2 10 + 10 - 2 18, Ysi se elige a 0.05, entonces HO:,u1;:;o,u2se rechazara si el valor
;:;o ;:;o ;:;o
numrico del estadstico de prueba lo > tO.025,18 2.101, o si lo < -10.02518 -2.101. Estos lmites de la re-
;:;o ;:;o
gin crtica se ilustran en la distribucin de referencia (t con 18 grados de libertad) de la figura 2-10.
Al utilizar la ecuacin 2-25 se encuentra que
S2 ;:;o (ni -1)S12 +(n2 -l)Si

p ni +n2 - 2
9(0.100) + 9(0.061)
10+10-2
= 0.081
Sp = 0.284
y el estadstico de prueba es
Y2
t =
o Sp JR:1
}\ -
-+-
ni n2
16.76-17.92
0.284~k+fo-
=-9.13
Puesto que to = -9.13 < -10.025,18 = -2.101, se rechazara Hj y se concluira que las fuerzas de la tensin de
adhesin promedio de las dos formulaciones del mortero de cemento portland son diferentes.
"O
~ 0.3
~ca
..c
o
~ 0.2
"O
"O
ca
"O
.;
: 0.1
o
-2 o 2 4
to
Figura 210 La distribucin t con 18 grados de libertad con la regin crtica

::ttO.025, " = ::t2.101.
2-4 INFERENCIAS ACERCA DE LAS DIFERENCIAS EN LAS MEDIAS, DISEOS ALEA TORIZADOS 37
El uso de valores P en la prueba de hiptesis

Una manera de reportar los resultados de una prueba de hiptesis es estableciendo que la hiptesis nula
fue rechazada o no para un valor de a o nivel de significacin especfico. Por ejemplo, en el experimento
del mortero de cemento portland anterior puede decirse que Ho:f.1. = f.1.2 se rechaz con el nivel de signifi-
cacin 0.05. Esta enunciacin de las conclusiones es con frecuencia inadecuada porque no le ofrece al res-
ponsable de la toma de decisiones idea alguna de si el valor calculado del estadstico de prueba apenas
rebas la regin de rechazo o si se adentr bastante en la misma. Adems, al darse los resultados de esta
manera se les impone a otros usuarios de la informacin el nivel de significacin predefinido. Este enfo-
que puede ser insatisfactorio porque algunos responsables de la toma de decisiones podran sentirse inc-
modos con los riesgos que implica el valor a = 0.05.
Para evitar estas dificultades, en la prctica se ha adoptado extensivamente el enfoque del valor P. El
valor P es la probabilidad de que el estadstico de prueba asuma un valor que sea al menos tan extremo
como el valor observado del estadstico cuando la hiptesis nula H es verdadera. Por lo tanto, un valor P
transmite mucha informacin acerca del peso de la evidencia en contra de H y, por consiguiente, el res-
ponsable de la toma de decisiones puede llegar a una conclusin con cualquier nivel de significacin espe-
cificado. En trminos ms formales, el valor P se define como el nivel de significacin menor que llevara
a rechazar la hiptesis nula Ho'
Se acostumbra decir que el estadstico de prueba (y los datos) es significativo cuando se rechaza la hi-
ptesis nula; por lo tanto, el valor P puede considerarse como el menor nivel a en el que los datos son sig-
nificativos. Una vez que se conoce el valor p, el responsable de la toma de decisiones puede determinar la
medida en que los datos son significativos sin que el analista de los datos imponga formalmente un nivel
de significacin preseleccionado.
No siempre es sencillo calcular el valor P exacto de una prueba. Sin embargo la mayora de los progra-
mas de computacin modernos para realizar anlisis estadsticos reportan valores p, y pueden obtenerse
tambin en algunas calculadoras porttiles. A continuacin se indicar cmo obtener una aproximacin
del valor P para el experimento del mortero de cemento portland. Por la tabla IIdel apndice, para una
distribucin t con 18 grados de libertad, la probabilidad menor en el rea de la cola es 0.0005, para la cual
tO.0005.18 = 3.922. Ahora bien, Ito I = 9.13 > 3.922, de donde, ya que la hiptesis alternativa es de dos colas,
se sabe que el valor P debe ser menor que 2(0.0005) = 0.001. Algunas calculadoras porttiles tienen la ca-
pacidad para calcular valores P. Una de ellas es la HP-48. Utilizando esta calculadora se obtiene el valor P
para el valor to = -9.13 del experimento de la formulacin del mortero de cemento portland como
P = 3.68 x 10-8. Por lo tanto, la hiptesis nula Ho:,u 1 =,u2 se rechazara con cualquier nivel de significacin
a ~ 3.68 x 10-8.
Solucin por computadora

Hay muchos paquetes de software de estadstica que cuentan con la capacidad para probar hiptesis esta-
dsticas. En la tabla 2-2 se presenta la salida del procedimiento para la prueba t de dos muestras de Mini-
tab aplicado al experimento de la formulacin del mortero de cemento portland. Observe que la salida
incluye algunos estadsticos concisos acerca de las dos muestras (la abreviatura "SE Mean" ["SE media"]
se refiere al error estndar de la media, s / .J ), as como alguna informacin sobre los intervalos de con-
fianza para la diferencia en las dos medias (los cuales se revisan en las secciones 2-4.3 y 2-6). El programa
tambin prueba la hiptesis de inters, permitiendo que el analista especifique la naturaleza de la hipte-
sis alternativa ("not =" ["no ="] significa H1:f.1.1 ~ f.1.2) Y la eleccin de a (a = 0.05 en este caso).
La salida incluye el valor calculado de to, el valor P (llamado el nivel de significacin) y la decisin que
debera tomarse dado el valor especificado de a. Observe que el valor calculado del estadstico t difiere li-
geramente del valor que se calcul manualmente aqu y que el valor P que se reporta es P = 0.0000. Mu-
38 CAPTIJLO Z EXPERIMENTOS COMPARATIVOS SIMPLES
Thbla 2-2 Prueba t de dos muestras usando Minitab para el experimento del mortero de cemento pordand
Prueba t de dos muestras e intervalo de confianza
Two sample T for Modified vs Unmod

N Mean StDev SE Mean
Modified 10 16.774 0.309 0.098
Unmod 10 17.922 0.248 0.078
95% el for mu Modified mu Unmod: (-1.411, -0.885)
t-Test mu Modified = mu Unmod (vs not =): T = -9.16
P = 0.0000 DF = 18
80th use Pooled StDev = 0.280
chos paquetes de software no reportarn un valor P real menor que 0.0001 y en su lugar presentan un
valor "por omisin". ste es el caso aqu.
Verificacin de los supuestos en la prueba t

Para utilizar el procedimiento de la prueba t se establecen los supuestos de que ambas muestras se toman
de poblaciones independientes que pueden describirse con una distribucin normal, que las desviaciones
estndar o las varianzas de ambas poblaciones son iguales, y que las observaciones son variables aleato-
rias independientes. El supuesto de independencia es crtico, pero si el orden de las corridas est aleatori-
zado (y, de ser apropiado, se seleccionan al azar otras unidades y materiales experimentales), este
supuesto por lo general se satisfar. Los supuestos de la igualdad de las varianzas y la normalidad son fci-
les de verificar utilizando una grfica de probabilidad normal.
En general, la graficacin de probabilidades es una tcnica para determinar si los datos muestrales se
ajustan a una distribucin hipotetizada con base en un examen visual subjetivo de los datos. El procedi-
miento general es muy simple y puede realizarse rpidamente con la mayora de los paquetes de software
de estadstica. En el material suplementario del texto se analiza la construccin manual de las grficas de
probabilidad normal.
Para construir una grfica de probabilidad, primero se ordenan de menor a mayor las observaciones
de la muestra. Es decir, la muestraYt,Yz, ...,Yn se ordena como Y(l)'Y(2)' ,Y(n), donde Y(1) es la observacin
menor'Y(2)es la segunda observacin menor, y as sucesivamente, conY(n)la mayor. Las observaciones or-
denadas y (j) se grafican entonces contra sus respectivas frecuencias acumuladas observadas (j- O.5)/n. La
escala de la frecuencia acumulada se ha dispuesto de tal modo que si la distribucin hipotetizada describe
de manera adecuada los datos, los puntos graficados estarn aproximadamente sobre una lnea recta; si
los puntos graficados muestran una desviacin significativa de una recta, el modelo hipotetizado no es
apropiado. Generalmente, determinar si los datos graficados pertenecen o no a una recta es una decisin
subjetiva.
Para ilustrar el procedimiento, suponga que quiere verificarse el supuesto de que la fuerza de la ten-
sin de adhesin en el experimento de la formulacin del mortero de cemento portland sigue una distri-
bucin normal. Inicialmente slo se consideran las observaciones de la formulacin del mortero sin
modificar. En la figura 2-11a se ilustra una grfica de probabilidad normal generada por computadora. La
mayora de las grficas de probabilidad normal muestran 100(j - O.5)/n en la escala vertical izquierda (yen
ocasiones se muestra 100[1- (j- O.5)/n] en la escala vertical derecha), con el valor de la variable graficado
en la escala horizontal. Algunas grficas de probabilidad normal convierten la frecuencia acumulada en
un valor z normalizado. Una lnea recta, elegida de manera subjetiva, se ha trazado en medio de los pun-
2-4 INFERENCIAS ACERCA DE LAS DIFERENCIAS EN LAS MEDIAS, DISEOS ALEATORIZAOOS 39
1
e
~
;;:
""~
~
0.1 17.5 17.7
Fuerzade la tensin de adhesin
al Mortaro sin modificar
Fuerzade la tensin de adhesin
bl Mortero modificado
Figura 2-11 Grficas de probabilidad normal de la fuerza de la tensin de

adhesin en el experimento del cemento portland.
tos graficados. Al trazar la lnea recta, uno deber guiarse ms por Jos puntos de la parte media de la grfi-
ca que por los puntos extremos. Una buena regla emprica es trazar la recta aproximadamente entre los
puntos de los cuartiles 25 y 75. As se determin la recta de la figura 2-11a. Para evaluar la "proximidad"
de los puntos a la lnea recta, imagine un lpiz grueso colocado sobre la recta. Si este lpiz imaginario cu-
bre todos los puntos, entonces una distribucin normal describe de manera adecuada los datos. Puesto
que los puntos de la figura 2-11a pasaran la prueba del lpiz grueso, se concluye que la distribucin nor-
mal es un modelo apropiado para la fuerza de la tensin de adhesin del mortero sin modificar. En la fi-
gura 2-11b se presenta la grfica de probabilidad normal para las 10 observaciones de la fuerza de la
tensin de adhesin del mortero modificado. De nueva cuenta, se concluira que es razonable el supuesto
de una distribucin normal.
Es posible obtener una estimacin de la media y la desviacin estndar directamente de la grfica de
probabilidad normal. La media se estima como el percentil50 de la grfica de probabilidad y la desviacin
estndar se estima como la diferencia entre los percentiles 84 y 50. Esto significa que el supuesto de la
igualdad de las varianzas poblacionales en el experimento del cemento portland puede verificarse compa-
rando las pendientes de las dos rectas de las figuras 2-11a y 2-11b. Ambas rectas tienen pendientes muy si-
milares, por lo que el supuesto de la igualdad de las varianzas es razonable. Si se viola este supuesto,
deber usarse la versin de la prueba t que se describe en la seccin 2-4.4. En el material suplementario
del texto hay ms informacin acerca de la verificacin de los supuestos de la prueba t.
Cuando ocurren violaciones importantes de los supuestos, se afectar el desempeo de la prueba t.
En general, las violaciones de pequeas a moderadas no son motivo de preocupacin particular, pero no
deber ignorarse cualquier falla del supuesto de independencia, as como los indicios claros de que no se
satisface el supuesto de normalidad. Tanto el nivel de significacin de la prueba como la capacidad para
detectar diferencias entre las medias sern afectados adversamente por el incumplimiento de estos su-
puestos. Un recurso para resolver este problema son las transformaciones. Este tema se analiza con ma-
yor detalle en el captulo 3. Tambin es posible utilizar procedimientos no paramtricos para la prueba de
hiptesis cuando las observaciones provienen de poblaciones no normales. Referirse a Montgomery y
Runger [83d] para ms detalles.
Una justificacin alternativa de la prueba t

La prueba t de dos muestras que acaba de presentarse depende en teora del supuesto fundamental de
que las dos poblaciones de las que se seleccionaron las muestras al azar son normales. Aun cuando el su-
puesto de normalidad es necesario para desarrollar formalmente el procedimiento de prueba, como ya
se mencion, las desviaciones moderadas de la normalidad no afectarn seriamente los resultados. Puede
argumentarse (por ejemplo, ver Box, Hunter y Hunter [18]) que el uso de un diseo aleatorizado
permite probar hiptesis sin ningn supuesto respecto de la forma de la distribucin. En resumen, el razo-
namiento es el siguiente. Si los tratamientos no tienen ningn efecto, todas las [20!/(10!10!)] = 184,756
formas posibles en que podran ocurrir las 20 observaciones san igualmente posibles. Hay un valor de to
para cada uno de estos 184,756 posibles arreglos. Si el valor de to que se obtiene en realidad de los datos es
inusualmente grande o inusualmente pequeo con referencia al conjunto de los 184,756 valores posibles,
es una indicacin de que fll :; fl2'
A este tipo de procedimiento se le llama prueba de aleatorizaci6n. Puede demostrarse que la prueba
t es una buena aproximacin de la prueba de aleatorizacin. Por lo tanto, se usarn aqu pruebas t (y otros
procedimientos que pueden considerarse aproximaciones de pruebas de aleatorizacin) sin prestar de-
masiada atencin al supuesto de normalidad. sta es una de las razones por las que un procedimiento
simple, como las grficas de probabilidad normal, es adecuado para verificar el supuesto de normalidad.
2~4.2 Eleccin del tamao de la muestra

La eleccin de un tamao de la muestra apropiado es uno de los aspectos ms importantes de cualquier
problema de diseo experimental. La eleccin del tamao de la muestra y la probabilidad f3 del error tipo
II guardan una estrecha relacin. Suponga que se estn probando las hiptesis
Ha: #1 = #2
H : #1 :; #2
Yque las medias no son iguales, por 10 que = #1-#2' Puesto que HO:#1 = #2no es verdadera, la preocupa-

cin principal es cometer la equivocacin de no rechazar Ha. La probabilidad del error tipo II depende de
o
la verdadera diferencia en las medias O.A una grfica de f3 contra para un tamao particular de la mues-
tra se le llama la curva de operacin caracterstica, o curva OC, de la prueba. El error f3 tambin es una
funcin del tamao de la muestra. En general, para un valor dado de o, el error f3 se reduce cuando el ta-
mao de la muestra se incrementa. Es decir, es ms fcil detectar una diferencia especificada en las me-
dias para tamaos grandes de la muestra que para los tamaos pequeos.
En la figura 2-12 se muestra un juego de curvas de operacin caracterstica para las hiptesis
HO:J.l.1=#2
H1: #1 ~ #2
para el caso en que las dos varianzas poblacionales a ya; son desconocidas pero iguales (a; = a; = (2)
y para un nivel de significacin de a = 0.05. Las curvas tambin parten del supuesto de que los tamaos de
las muestras de las dos poblaciones son iguales; es decir, nI = n2 = n. El parmetro del eje horizontal de la
figura 2-12 es
d)#-.u21 lI
la 2a
La divisin de I (j I por 2a permite al experimentador usar el mismo juego de curvas, independientemente
del valor de la varianza (la diferencia en las medias se expresa en unidades de desviacin estndar). Por
otra parte, el tamao de la muestra usado para construir las curvas es en realidad n" = 2n - 1.
Al examinar estas curvas, se observa lo siguiente:
1. Entre ms grande sea la diferencia en las medias, #1 - #2' menor ser la probabilidad del error tipo 11
para un tamao de la muestra y un valor de a dados. Es decir, para un tamao de la muestra y un valor
de a especificados,la prueba detectar con mayor facilidadlas diferencias grandes que las pequeas.
2. Cuando el tamao de la muestra se hace ms grande, la probabilidad del error tipo 11se hace ms pe-
quea para una diferencia en las medias y un valor de a dados. Es decir, para detectar una diferencia
(j especificada, puede aumentarse la potencia de la prueba incrementando el tamao de la muestra
Las curvas de operacin caracterstica son con frecuencia tiles para seleccionar el tamao de la
muestra que debe usarse en un experimento. Por ejemplo, considere el problema del mortero de cemento
portland comentado antes. Suponga que si las dos formulaciones difieren en la fuerza promedio hasta en
0.5 kgf/cm2, sera deseable detectarlo con una probabilidad alta. Por lo tanto, puesto que #1 - #2 =
d
Figura 2-12 Curvas de operacin caracterstica para la prueba t de dos
colas con a = 0.05. (Reproducida con permiso de "Operatng Characte-
rstics Curves for the Common Statistical 'Iests of Significance", C.L. Fe-
rris, P.E. Grubbs y C.L. Weaver, Ann4ls 01 Mathematical Statistics.)
0.5 kgf/cm" es la diferencia "crtica" en las medias que quiere detectarse, se encuentra que d, el parmetro
del eje horizontal de la curva de operacin caracterstica de la figura 2-12, es
0.5 0.25
~=--
2a a
Desafortunadamente, d incluye al parmetro desconocido a. Sin embargo, suponga que con base en la ex-
periencia previa se piensa que es altamente improbable que la desviacin estndar de cualquiera de las
observaciones de la fuerza exceda 0.25 kgf/cnr', Entonces al usar a = 0.25 en la expresin anterior para d
= =
se obtiene d 1. Si quiere rechazarse la hiptesis nula 95% de las veces cuando Pi -P2 0.5, entonces,8 =
0.05, y en la figura 2-12 con,8 = 0.05 y d = 1 se obtiene n" := 16, aproximadamente. Por lo tanto, puesto
que n * = 2n - 1, el tamao de la muestra requerido es
n= n*+l = 16+1 = &5=9

2 2
y se usaran los tamaos de las muestras ni = n2 = n == 9.

En el ejemplo que se ha venido considerando, el experimentador utiliz en realidad un tamao de la
muestra de 10. Quizs el experimentador decidi incrementar ligeramente el tamao de la muestra a fin
de prevenir la posibilidad de que la estimacin previa de la desviacin estndar comn a haya sido dema-
siado conservadora y quiz fuera un poco mayor que 0.25.
Las curvas de operacin caracterstica desempean con frecuencia un papel importante en la elec-
cin del tamao de la muestra en los problemas de diseo experimental. Su utilizacin a este respecto se
revisa en captulos subsecuentes. Para un anlisis de los usos de las curvas de operacin caracterstica en
otros experimentos comparativos simples similares a la prueba t de dos muestras, vase Montgomery y
Runger [83d].
2-4.3 Intervalos de confianza

Aun cuando la prueba de hiptesis es un procedimiento til, en ocasiones no cuenta la historia completa.
Muchas veces es preferible proporcionar un intervalo dentro del cual cabra esperar que estara incluido
el valor del parmetro o los parmetros en cuestin. A las declaraciones de estos intervalos se les llama in-
tervalos de confianza. En muchos experimentos de ingeniera e industriales, el experimentador sabe de
antemano que las medias PI y P2difieren; por consiguiente, la prueba de la hiptesis Pl = P2 es de escaso
inters. Por lo general el experimentador estara ms interesado en un intervalo de confianza para la dife-
rencia en las medias PI - #2'
Para definir un intervalo de confianza, suponga que () es un parmetro desconocido. Para obtener
e,
una estimacin del intervalo de es necesario encontrar dos estadsticosL y Utales que la declaracin de
probabilidad
P( L s 9 :s;U) = 1- a (2-27)
sea verdadera. Al intervalo
L:s; 9:s; U (2-28)
se le llama intervalo de confianza de 100(1-a) por ciento para el parmetro e. La interpretacin de este
intervalo es que si, en muestreos aleatorios repetidos, se construye gran nmero de estos intervalos, 100(1
-a) por ciento de ellos contendrn el verdadero valor de 8. A los estadsticosL y Use les llama los lmites
2-4 INFERENCIAS ACERCA DE LAS DIFERENCIAS EN LAS MEDIAS, DISEOS ALEATORlZADOS 43
de confianza inferior y superior, respectivamente, y a 1 - a se le llama el coeficiente de confianza. Si a =
0.05, a la ecuacin 2-28 se le llama intervalo de confianza de 95% para 8. Observe que los intervalos de
confianza tienen una interpretacin de frecuencia; es decir, no se sabe si la declaracin es verdadera para
esta muestra especfica, pero s se sabe que el mtodo usado para generar el intervalo de confianza produ-
ce declaraciones correctas en 100(1 - a) por ciento de las veces.
Suponga que quiere encontrarse un intervalo de confianza de loo(l-a) por ciento para la verdadera
diferencia de las medias .t1 - .t2 en el problema del cemento portland. El intervalo puede deducirse de la
siguiente manera. El estadstico
se distribuye como t"+n,_z' Por lo tanto,
=1-a
(2-29)
Al comparar las ecuaciones 2-29 y 2-27, se observa que
--
Y-Y2-taIZ.1I,+1I.-z sJHl
p -+-S.t1-.tZ
n1 nz
S JI - Jz +t"12 11 +11
'1 2
_zSp rr=-I
Vn:';; (2-30)
es un intervalo de confianza de 100(1 - a) por ciento para .tI - #z.

La estimacin real del intervalo de confianza de 95% para la diferencia en la fuerza de la tensin de
adhesin promedio de las formulaciones del mortero de cemento portland se encuentra haciendo la si-
guiente sustitucin en la ecuacin 2-30:
16.76-17.92- (2101)0.284~rlr+rlrs #1 - .tz
s 16.76-17.92+(2101)0.284~rlr+rlr
-1.16- 0.27s .t1 - .t2 s -1.16+0.27
-1.43s .t1 - .t2 s -0.89
Por lo tanto, el intervalo de confianza de 95% estimado para la diferencia en las medias se extiende de
-1.43 kg/cmz a -0.89 kg/cm2 Expresado en otros trminos, el intervalo de confianza es .t1 - .t2 = -1.16
kgf/cm2 0.27 kgf/cm2, o la diferencia en las fuerzas promedio es -1.16 kgf/cm2, y la precisin de esta esti-
macin es de 0.27 kgt/cm2. Observe que como #1 - #2 = Ono est incluida en este intervalo, los datos no
apoyan la hiptesis de que .t1 = .t2 con el nivel de significacin de 5%. Es probable que la fuerza media de
la formulacin sin modificar exceda la fuerza media de la formulacin modificada. Observe que en la ta-
44 CAP"lULO 2 EXPERIMENTOSCOMPARATlVOSSIMPLES
bla 2-2 Minitab tambin report este intervalo de ccnfianza cuando se llev a cabo el procedimiento de la
prueba de hiptesis.
2 ..4.4 Caso en que a~ ~ 0';

Si se est probando
u., .t1 = .t2
H1:#1 ;rtc..t2
y no hay bases para suponer que las varianzas ai ya;

son iguales, entonces es necesario hacer ligeras mo-
dificaciones en la prueba t de dos muestras. En este caso el estadstico de prueba es
5\ - Y2 (2-31)
S2 S2
_1 +_2
ni n2
Este estadstico no se distribuye exactamente como t. No obstante, t es una buena aproximacin de la dis-
tribucin de to si se usa
(2-32)
para los grados de libertad. Una indicacin clara de la desigualdad de las varianzas en una grfica de pro-
babilidad normal sera una situacin que requerira esta versin de la prueba t. El lector no deber encon-
trar problemas para desarrollar una ecuacin para encontrar ese intervalo de confianza para la diferencia
en las medias en el caso de varianzas desiguales.
2 ..4.5 Caso en que se conocen a~ ya;

Si las varianzas de ambas poblaciones se conocen, entonces las hiptesis
HO:#1=#2
H1:#1;rtc.#2
pueden probarse utilizando el estadstico
(2-33)
Si ambas poblaciones son normales, o si los tamaos de las muestras son lo suficientemente grandes para
aplicar el teorema del lmite central, la distribucin de Zo es N(O, 1) si la hiptesis nula es verdadera. Por
lo tanto, la regin crtica se encontrara utilizando la distribucin normal en lugar de la distribucin t.
Especficamente, H se rechazara si IZo I > Za/2' donde Za/2 es el punto porcentual a/2 superior de la dis-
tribucin normal estndar.
A diferencia de la prueba t de las secciones anteriores, en la prueba de las medias con varianzas cono-
cidas no se requiere el supuesto de que el muestreo se haga de poblaciones normales. Puede aplicarse el
teorema del lmite central para justificar una distribucin normal aproximada para la diferencia en las
medias muestrales YI - Y2'
El intervalo de confianza de 100(1-a) por ciento paran, -,u2 cuando las varianzas se conocen es
(2-34)
Como ya se seal, el intervalo de confianza es con frecuencia un complemento til del procedimiento de
prueba de hiptesis.
2..4.6 Comparacin de una sola media con un valor especificado

Algunos experimentos incluyen la comparacin de la media,u de una sola poblacin con un valor especifi-
cado, por ejemplo ,uo. Las hiptesis son
Ho:,u = u
H1:!-l '#!-lo
Si la poblacin es normal con varianza conocida, o si la poblacin no es normal pero el tamao de la mues-
tra es lo suficientemente grande para aplicar el teorema del lmite central, entonces la hiptesis puede
probarse utilizando una aplicacin directa de la distribucin normal. El estadstico de prueba es
Z = y-,uo (2-35)
o a/.J
Si Ho:,u = flo es verdadera, entonces la distribucin de Z es N(O, 1). Por lo tanto, la regla de decisin para
Ha:,u =,uo es rechazar la hiptesis nula si IZo I > Za!2' El valor de la medan, especificado en la hiptesis
nula se determina por lo general mediante una de las tres formas siguientes. Puede ser resultado de evi-
dencia, conocimientos o experimentacin previos. Puede ser resultado de alguna teora o modelo que
describe la situacin bajo estudio. Por ltimo, puede ser resultado de especificaciones contractuales.
El intervalo de confianza de 100(1 - a) por ciento para la verdadera media poblacional es
(2-36)
EJEMPLO 2,1 " .

Un proveedor ofrece lotes de tela a un fabricante de textiles. El fabricante desea saber si la resistencia a la
ruptura promedio excede 200 psi. De ser as, el fabricante aceptar el lote. La experiencia pasada indica
que un valor razonable para la varianza de la resistencia a la ruptura es lOO(psi)2.Las hiptesis que debe-
rn probarse son
Ho:,u=200
H1:fl > 200
Observe que se trata de una hiptesis alternativa de una cola. Por lo tanto, el lote se aceptara slo si la hi-
ptesis nula Ho:'" = 200 pudiera rechazarse (es decir, si Z > Za)'
46 CAPTIJLo 2 EXPERIMENTOSCOMPARATIVOS SIMPLES
Se seleccionan cuatro ejemplares aleatoriamente, y la resistencia a la ruptura promedio observada es

y = 214 psi. El valor del estadstico de prueba es
Z = Y-#o = 214-200 280
o a/J 10/.J4 .
Si se especifica un error tipo 1 de a = 0.05,en la tabla 1 del apndice se encuentra que Z = Zo_os = 1.645.
Por 10 tanto, Ha se rechaza y se concluye que la resistencia a la ruptura promedio del lote excede 200 psi.
Cuando no se conoce la varianza de la poblacin, es necesario establecer el supuesto adicional de que

la poblacin sigue una distribucin normal, aunque las desviaciones moderadas de la normalidad no afec-
tarn seriamente los resultados.
Para probar Ho:# = #0 en el caso de la varianza desconocida, se usa la varianza muestral S2 para esti-
mar al. Al sustituir a con S en la ecuacin 2-35, se obtiene el estadstico de prueba
I = Y-,to
(2-37)
o S/J
La hiptesis nula H o: # = # o se rechazara si 110 I > ta/2. n -1, donde tan.,n -1 denota el punto porcentual a/2
superior de la distribucin I con n - 1 grados de libertad. El intervalo de confianza de 100(1- a) por ciento
es en este caso
(2-38)
2..4.7 Resumen
En las tablas 2-3 y 2-4 se resumen los procedimientos de prueba estudiados aqu para las medias muestra-
les. Se muestran las regiones crticas para hiptesis alternativa tanto de una como de dos colas.
'Iabla 2-3 Pruebas para medias con varianza conocida

Hiptesis Estadsticode prueba Criteriosde rechazo
Ho:p. = P.o
H:p. ~ P.o
Ho:p. = P.o
H,:p. < P.o
Ho:p. = P.o
H:p. > P.o
Ho:p., = P.2
H,:P.2 ~ P.2
IZol> Z"/2
Ho:p., = P.2
H1:p. < P.2 z, -Z"
Ho:p., = p.~
H:.<> P.2
2-5 INFERENCIAS ACERCA DE LAS DIFERENCIAS EN LAS MEDIAS, DISEOS DE COMPARACIONES PAREADAS 47
Tabla 2-4 Pruebas para medias de distribuciones normales,
varianza desconocida
Hiptesis Estadsticode prueba Criterios de rechazo
Ho:f.4 = P.o
H:p. =,
Ho:p. =#0
t < -t",,,,_
H:p.< ~o
Ho:p. = P.o
H:p. > P.o
siat =a~
Ho:!lJ. = P.2
H:# 'ji! P.I
Ho:p. = f.4I
H:p. < PI
Ho:p. =PI
H:p. > PI
v
(SU n,y
+ (SU nS
n-l nz-l
2..5 INFERENCIASACERCA DE LAS DIFERENCIASEN LAS MEDIAS,

DISEOS DE COMPARACIONES PAREADAS
2..5.1 El problema de las comparaciones pareadas

En algunos experimentos comparativos simples puede conseguirse un mejoramiento significativo de la
precisin haciendo comparaciones de observaciones pareadas del material experimental. Por ejemplo,
considere una mquina para probar la dureza que presiona una barra con una punta afilada sobre un
ejemplar de prueba de metal con una fuerza conocida. Al medir la profundidad de la depresin producida
por la punta, se determina la dureza del ejemplar de prueba. En esta mquina pueden instalarse dos pun-
tas diferentes y aun cuando la precisin (la variabilidad) de las mediciones hechas con las dos puntas pa-
rece ser la misma, se sospecha que una de las puntas produce diferentes lecturas de la dureza que la otra.
Sera posible realizar un experimento de la siguiente manera. Podran seleccionarse al azar varios
ejemplares de prueba del metal (por ejemplo, 20). La mitad de estos ejemplares de prueba podran pro-
barse con la punta 1 y la otra mitad con la punta 2. La asignacin exacta de los ejemplares a las puntas se
determinara de manera aleatoria. Puesto que se trata de un diseo completamente aleatorizado, la dure-
za promedio de las dos muestras podra compararse utilizando la prueba t descrita en la seccin 2-4.
Al reflexionar un poco al respecto, se descubrira una seria desventaja del diseo completamente
aleatorizado en este problema. Suponga que los ejemplares de prueba del metal se cortaron de barras di-
48 CAPTULO 2 EXPERlMENTOSCOMPARATIVOS SIMPLES
ferentes que se fabricaron a temperaturas diferentes o que no fueran exactamente homogneos en cual-
quier otra forma que pudiera afectar la dureza. Esta falta de homogeneidad entre los ejemplares
contribuir a la variabilidad de las mediciones de la dureza y tender a inflar el error experimental, ha-
ciendo ms difcil detectar una diferencia real entre las puntas.
Para protegerse de esta posibilidad, considere un diseo experimental alternativo. Suponga que cada
ejemplar de prueba tiene el tamao suficiente para que puedan hacerse en l dos determinaciones de la
dureza. Este diseo alternativo consistira en dividir cada ejemplar de prueba en dos secciones, para des-
pus asignar de manera aleatoria una punta a una mitad de cada ejemplar de prueba y la otra punta a la
otra mitad. El orden en que se prueban las puntas en un ejemplar de prueba particular se seleccionara al
azar. El experimento, cuando se llev a cabo de acuerdo con este diseo con 10 ejemplares de prueba,
produjo los datos (codificados) que se muestran en la tabla 2-5.
Un modelo estadstico que describe los datos de este experimento puede expresarse como
i=1 2
Yij = ,ti +f1j +Ei] {j= 1: 2, ... ,10 (2-39)
donde Yij es la observacin de la dureza para la punta i en el ejemplar de pruebaj, u, es la verdadera dureza
promedio de la punta i-sima, Pi es un efecto sobre la dureza debido al ejemplar de pruebaj-simo, y Ei]es
el error experimental aleatorio con media cero y varianza a.
Es decir, a
es la varianza de las mediciones
de la dureza hechas con la punta 1 ya; es la varianza de las mediciones de la dureza hechas con la punta 2.
Observe que si se calcula la diferencia pareada j-sma .
d, = Ylj - Y2j j = 1, 2, ... , 10 (2-40)
el valor esperado de esta diferencia es
,td :::: E(dj)
= E(Ylj - Y2j)
= E(Ylj )- E(Y2j )
= ,tI +f1j -(,t2 +PJ
=,t1-,t2
Es decir, pueden hacerse inferencias acerca de la diferencia en las lecturas de la dureza promedio de las
dos puntas ,tI - ,t2 haciendo inferencias acerca de la media de las diferencias ,td' Observe que el efecto adi-
Tabla 2.5 Datos del experimento de

la prueba de la dureza
Ejemplar de prueba Punta 1 Punta 2
176
233
3 3 5
4 4 3
5 8 8
632
724
8 9 9
954
10 4 5
2-5 INFERENCIAS ACERCA DE LAS DIFERENCIAS EN LAS MEDIAS. DISEOS DE COMPARACIONES PAREADAS 49
tivo de las Pi de los ejemplares de prueba se cancela cuando las observaciones estn pareadas de esta ma-
nera.
Probar HO:#l = #2 es equivalente a probar
HO:#d = O
H1:#d -:;f:. O
El estadstico de prueba para esta hiptesis es
(2-41)
donde
(2-42)
es la media muestral de las diferencias y
t[
J-1
(di -il)211/2 [}:
,-1
dI -~(t,~1 di)2j1J2
(2-43)
Sd = n-l = n-l
es la desviacin estndar muestral de las diferencias. Ho: #d = Ose rechazara si 110I > ta/2." -1' Debido a
que las observaciones de los niveles del factor estn "pareadas" en cada unidad experimental, a este pro-
cedimiento suele llamrsele prueba t pareada.
Por los datos de la tabla 2-5, se encuentra
d1:::7-6=1 d6=3-2=1
d2 = 3-3= O d7=2-4=-2
d3=3-5=-2 ds = 9-9= O
d, = 4-3= 1 d9 = 5-4= 1
d5 =8-8=0 dIO =4-5=-1
Por lo tanto,
_ 1" 1
d =- L
n j~1
di = -(-1)= -0.10
10
t,~I (t,~1 -,
dI --nI )2]1/2
Sd = [ n-1
_ [13- ilr (_1)2 ]1/2_
- 10-1 -1.20
=
Suponga que se elige a 0.05. Entonces, para tomar una decisin se calculara to YH se rechazara si Ito I
> 10.025 9 = 2.262.
El valor calculado del estadstico de prueba t pareada es
t =---:=
il
o Sdl.J
-0.10
-1.20IM
=-0.26
""..
~ 0.1
o
--4 -2 o 2 4 6
to
Figura 213 La distribucin de referencia (t con 9 grados de libertad)

para el problema de la prueba de la dureza.
y como Ito I = 0.2~:"tO.0259 = 2.262, la hiptesis HO:..td = O no puede rechazarse. Es decir, no hay evidencia
que indique que las dos puntas producen lecturas de la dureza diferentes. En la figura 213 se muestra la
distribucin de to con 9 grados de libertad, la distribucin de referencia para esta prueba, con el valor de to
indicado en relacin con la regin crtica.
En la tabla 26 se muestra la salida de computadora del procedimiento para la prueba t pareada de
Minitab para este problema. Observe que el valor P para esta prueba es P = 0.80, lo cual implica que no
puede rechazarse la hiptesis nula con ningn nivel de significacin razonable.
2..5.2 Ventajas del diseo de comparaciones pareadas

Al diseo que se utiliz en realidad para este experimento se le llama diseo de comparaciones pareadas,
el cual ilustra el principio de la formacin de bloques comentado en la seccin 13. De hecho, es un caso
especial de un tipo de diseo ms general llamado diseo de bloques aleatorizados. El trmino bloque se
refiere a una unidad experimental relativamente homognea (en el caso tratado aqu, los ejemplares
de prueba del metal son los bloques), y el bloque representa una restriccin sobre la aleatorizacin como
pleta debido a que las combinaciones de los tratamientos slo se aleatorizan dentro del bloque. En el ca-
ptulo 4 se examina este tipo de diseos. En dicho captulo el modelo matemtico del diseo, la ecuacin
2-39, se escribe en una forma ligeramente diferente.
Tabla 26 Resultados de Minitab de la prueba t pareada para el ejemplo de la prueba de la dureza

Prueba t pareada e intervalo de confianza
Paired T for Tip 1 - Tip 2
N "ean StDev SE "ean

Tip 1 10 4.800 2.394 0.757
Tip 2 10 4.900 2.234 0.706
Difference 10 -0.100 1.197 0.379
95% el for mean difference: (-0.956, 0.756)

t-Test of mean difference = O (vs not = O):
T-Value = -0.26 P-VaLue 0.798 =
26 INFERENCIAS ACERCA DE LAS VARIANZAS DE DISTRIBUCIONES NORMALES 51
Antes de dejar este experimento, es necesario destacar varios puntos. Observe que, aun cuando se
han hecho 2n = 2(10) = 20 observaciones, se cuenta nicamente con n - 1 = 9 grados de libertad para el
estadstico t. (Se sabe que conforme se incrementan los grados de libertad para t, la prueba se hace ms
sensible.) Al hacer la formacin de bloques o pareo, se han "perdido" en realidad n -1grados de libertad,
pero se espera haber ganado un mejor conocimiento de la situacin al eliminar una fuente adicional de
variabilidad (la diferencia entre los ejemplares de prueba). Puede obtenerse una indicacin de la calidad
de la informacin producida por el diseo pareado comparando la desviacin estndar Sd de las diferen-
cias con la desviacin estndar combinada Sp que habra resultado si el experimento se hubiera conducido
de manera completamente aleatorizada y se hubieran obtenido los datos de la tabla 2-5. Al utilizar los da-
tos de la tabla 2-5 como dos muestras independientes, la desviacin estndar combinada que se calcula
=
con la ecuacin 2-25 es Sp 2.32. Al comparar este valor con Sd = 1.20, se observa que la formacin de
bloques o pareo ha reducido la estimacin de la variabilidad en cerca de 50%. Esta informacin tambin
puede expresarse en trminos de un intervalo de confianza para."I-."2' Utilizando los datos pareados, un
intervalo de confianza de 95% para s, - ."2 es
iI tO.02S,9Sd /.J
-0.1O(2.262)(1.20)/ .JIO
-0.100.86
Recprocamente, al utilizar el anlisis combinado o independiente, un intervalo de confianza de 95%

para ."1 - ."2 es
4.80- 4.90(2101)(232)~rli+rli
- 0.102.18
El intervalo de confianza basado en el anlisis pareado tiene una anchura sensiblemente menor que el in-
tervalo de confianza del anlisis independiente. Esto ilustra la propiedad de reduccin del ruido de la for-
macin de bloques.
La formacin de bloques no es siempre la mejor estrategia de diseo. Si la variabilidad dentro de los
bloques es la misma que la variabilidad entre los bloques, la varianza de;1-;2 ser la misma independien-
temente del diseo que se use. De hecho, la formacin de bloques en esta situacin sera una eleccin de
diseo pobre porque la formacin de bloques produce la prdida de n - 1grados de libertad y llevar en.
realidad a un intervalo de confianza con una anchura mayor para." 1- ."2' En el captulo 4 se ofrece una re-
visin ms amplia de la formacin de bloques.
2..6 INFERENCIAS ACERCA DE LAS VARIANZAS

DE DISTRIBUCIONES NORMALES
En muchos experimentos, el inters se encuentra en las posibles diferencias en la respuesta media de dos
tratamientos. Sin embargo, en algunos experimentos es la comparacin de la variabilidad en los datos lo
que es importante. En la industria de alimentos y bebidas, por ejemplo, es importante que la variabilidad
del equipo de llenado sea pequea para que todos los empaques estn cerca del peso neto nominal o el
52 CAPlULo 2 EXPERIMENTOSCOMPARATIVOS SIMPLES
volumen del contenido neto nominal. En los laboratorios qumicos, tal vez quiera compararse la variabili-
dad de dos mtodos de anlisis. A continuacin se examinan brevemente las pruebas de hiptesis y los in-
tervalos de confianza para las varianzas de distribuciones normales. A diferencia de las pruebas para las
medias, los procedimientos para las pruebas de varianzas son bastante ms sensibles al supuesto de nor-
malidad. En el apndice 2A de Davies [36] hay un buen anlisis del supuesto de normalidad.
Suponga que quiere probarse la hiptesis de que la varianza de una poblacin normal es igual a una
constante, por ejemplo, a~. Expresado en trminos formales, quiere probarse
Ho:a2=a~ (2~44)
H1:a2 ~ a~
El estadstico de prueba para la ecuacin 2~44 es
2 SS (n-l)S2
lo = -;;r = aZ (2-45,
o o
donde SS = 7~1(Yi - y)z es la suma de cuadrados corregida de las observaciones muestrales. La distribu-
cin de referencia apropiada para X ~ es la distribucin ji-cuadrada con n -1grados de libertad. La hipte-
. nu 1ase rec haza
SIS si r i X a/2,.-1
aza Silo> 2 '22 < ll-(aI2),.-l>
o silo donde z'
on e Xa/2,.-1 2
y X1-(aI2),.-1 son 1os puntos porcentua-
les a/2 superior y 1 - (a/2) inferior de la distribucin ji-cuadrada con n -' 1grados de libertad,
respectivamente. En la tabla 2-7 se presentan las regiones crticas para las hiptesis alternativas de una
cola. El intervalo de confianza de 100(1 - a) por ciento para a2 es
(n-l)S2 2 (n-l)S2
2 Sa < -'--2--'--- (2-46)
l aI2,.-1 X 1-(a/2),.-1
Considere ahora la prueba de la igualdad de las varianzas de dos poblaciones normales. Si se toman
muestras aleatorias independientes de tamao nI Yn2 de las poblaciones 1y 2, respectivamente, el estads-
tico de prueba para
Ho:a = a; (2-47)
H1:a;t:ai
es el cociente de las varianzas muestrales
(2A8)
La distribucin de referencia apropiada para F, es la distribucinF con a -1 grados de libertad en el nu-

meradory nz -1grados de libertad en el denominador. La hiptesis nula se rechazara si Fo > Fai2,.,-1'''2-1
o si Fo < F-(a/2),., -1'.2 -1' donde FaIZ,., -1,.,-1 YF-(aI2),., -1,.,-1 denotan los puntos porcentuales a/2 superior
y 1 - (a/2) inferior de la distribucin F con n - 1 Yn2 - 1 grados de libertad. En la tabla IV del apndice
slo aparecen los puntos porcentuales para la cola superior de F; sin embargo, los puntos de las colas su-
perior e inferior se relacionan por
(2-49)
2-6 INFERENCIAS ACERCA DE LAS VARIANZAS DE DISTRIBUCIONES NORMALES 53
Tabla 2-7 Pruebas para las varianzas de distribuciones normales
Hiptesis Estadsticode prueba Criteriosde rechazo
Ho:a2 =a~ x~> X:/2.n- o
H:a2 ;o!a~ X~ < X:-af2.n-
Ho:a2 =o~
H1:02 < o~
x~< xLa,n-
HO:02 =06
H:~>o~
Ho:o; =a~ Fa > F;,f2,n,-,n,- o
H:a; ;o! a; Fo < F;-aI2.n,-.n,-
Ho:a; =a; Fa> F.z.n,-.n,-
H1:0; < a~
Ho:a; =a~
H:a; > a~
En el captulo 3, seccin 3-4.3, se analizan los procedimientos de prueba para ms de dos varianzas. Se re-
visar tambin el uso de la varianza o la desviacin estndar como variable de respuesta en situaciones ex-
perimentales ms generales.
'EJE~LO 2.,,2 . 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111
Un ingeniero qumico investiga la variabilidad inherente de dos tipos de equipo de prueba que pueden
usarse para monitorear la produccin de un proceso. El ingeniero sospecha que el equipo antiguo, tipo 1,
tiene una varianza mayor que la del equipo nuevo. Por lo tanto, quiere probar las hiptesis
H O'.a:1 = 022
H1:a >a~
Se toman dos muestras aleatorias de ni = 12 Yn2 = 10 observaciones, y las varianzas muestrales son S; =
14.5 YS; =
10.8. El estadstico de prueba es
F. = S1 2 = 14.5 :;:1.34
o S; 10.8
En la tabla IV del apndice se encuentra que Fo.os, 11. 9 = 3.10, por lo que no puede rechazarse la hiptesis
nula. Es decir, se ha encontrado evidencia estadstica insuficiente para concluir que la varianza del equipo
antiguo sea mayor que la varianza del equipo nuevo.
El intervalo de confianza de 100(1- a) por ciento para el cociente de las varianzas poblacionales
a; /a; es
(2-50)
Para ilustrar el uso de la ecuacin 2-50, el intervalo de confianza de 95% para el cociente de las varianzas
a I a~ del ejemplo 2-2 es, utilizando F002S, 9,11 = 3.59 Y FO.97S,9,1l = lIFO.02S,1l,9 = 1/3.92 = 0.255,
14.5(0.255) S a~ s 14.5(3.59)
10.8 a2 10.8
a
0.34 ~ --+
a
2
2
~ 4.81
2..7 PROBLEMAS
2-1. Se requiere que la resistencia a la ruptura de una fibra sea de por lo menos 150 psi. La experiencia pasada in-
dica que la desviacin estndar de la resistencia a la ruptura es a = 3 psi. Se prueba una muestra aleatoria de
cuatro ejemplares de prueba, y los resultados son YI = 145, Y2 = 153, Y3 ::: 150 y Y4 = 147.
a) Enunciar las hiptesis que el lector considere que deberan probarse en este experimento.
b) Probar estas hiptesis utilizando a = 0.05. A qu conclusiones se llega?
e) Encontrar el valor P para la prueba del inciso b,
d) Construir un intervalo de confianza de 95% para la resistencia a la ruptura promedio.
2-2~ Supuestamente, la viscosidad de un detergente lquido debe promediar 800 centistokes a 25C. Se colecta
una muestra aleatoria de 16 lotes del detergente, y la viscosidad promedio es 812. Suponga que se sabe que la
desviacin estndar de la viscosidad es a = 25 centistokes.
a) Enunciar las hiptesis que debern probarse.
e) Cul es el valor P para la prueba?
d) Encontrar un intervalo de confianza de 95% para la media.
2-3. Los dimetros de las flechas de acero producidas en cierto proceso de manufactura debern tener un prome-
dio de 0.255 pulgadas. Se sabe que el dimetro tiene una desviacin estndar de a :::0.0001 pulgadas. Una
muestra aleatoria de 10 flechas tiene un dimetro promedio de 0.2545 pulgadas.
a) Establecer las hiptesis apropiadas para la media u,
e) Encontrar el valor P para esta prueba.
d) Construir un intervalo de confianza de 95% para el dimetro promedio de las flechas.
2-4. Una variable aleatoria con una distribucin normal tiene una media desconocida,u y varianza a2 = 9. Encon-
trar el tamao de la muestra que se necesita para construir un intervalo de confianza de 95% para la media,
cuya anchura total sea de 1.0.
2-5. La vida de anaquel de una bebida carbonatada es motivo de inters. Se seleccionan 10 botellas al azar y se
prueban, obtenindose los siguientes resultados:
Das
108 138
124 163
124 159
106 134
115 139
a) Quiere demostrarse que la vida media de anaquel excede los 120 das. Establecer las hiptesis apropia-
das para investigar esta afirmacin.
27 PROBLEMAS 55
e) Encontrar el valor P para la prueba del inciso b.
d) Construir un intervalo de confianza de 99% para la vida media de anaquel.
2-6. Considere los datos de la vida de anaquel del problema 2-5,La vida de anaquel puede describirseo mode-
larse adecuadamente con una distribucinnormal? Qu efecto tendra la violacinde este supuesto sobre
el procedimiento de prueba usado para resolver el problema 2-5?
2-7. El tiempo para reparar un instrumento electrnico es una variable aleatoria medida en horas que sigueuna
distribucinnormal. El tiempo de reparacin de 16de estosinstrumentos elegidosal azar es el siguiente:
Horas
159 280 101 212
224 379 179 264
222 362 168 250
149 260 485 170
a) Quiere saberse si el tiempo de reparacin promedio excede225horas. Establecer las hiptesis apropia-
das para investigar esta cuestin.
b) Probar lashiptesisque se formularon en el incisoa. A qu conclusionesse llega?Utilizara = 0.05.
e) Encontrar el valor P para la prueba.
d) Construir un intervalo de confianza de 95% para el tiempo de reparacin promedio.
2-8. Considere nuevamente los datos del tiempo de reparacin del problema 2-7. En opinin del lector, el tiem-
po de reparacin puede modelarse de manera adecuada con una distribucin normal?
2-9. Se utilizan dos mquinaspara llenar botellas de plsticoconun volumenneto de 16.0onzas.Puede suponer-
se que el proceso de llenado es normal, con desviacionesestndar de 0'1 = 0.015Y0'2 = 0.018.El departamen-
to de ingeniera de calidad sospechaque ambas mquinasllenan el mismovolumenneto, sin importar sieste
volumen es 16.0onzas o no. Se realiza un experimento tomando una muestra aleatoria de la produccin de
cada mquina.
Mquina 1 Mquina 2
16.03 16.01 16.02 16.03
16.04 15.96 15.97 16.04
16.05 15.98 15.96 16.02
16.05 16.02 16.01 16.01
16.02 15.99 15.99 16.00
a) Enunciar las hiptesis que debern probarse en este experimento.

e) Encontrar el valor P para esta prueba.
d) Encontrar un intervalode confianzade 95%para la diferenciaen elvolumende llenado promedio de las
dos mquinas.
2-10. Un fabricante de calculadoras electrnicas puede usar dos tipos de plstico. La resistencia a la ruptura de
este plsticoes importante. Se sabe que o = O'z = 1.0psi.Demuestras aleatorias den = 10ynz = 12se obtie-
ne J. = 162.5Y.Y2 = 155.0.La compaa no emplear el plstico 1a menos que su resistencia a la ruptura ex-
ceda la del plstico2 por al menos 10psi. Con base en la informacinmuestral, Zdeber usarse el plstico 1?
Para responder esta pregunta se deben establecer y probar las hiptesis apropiadas utilizando a = 0.01.
Construir un intervalode confianzade 99%para laverdadera diferenciamedia en la resistenciaa la ruptura.
2-11. A continuacinse presenta el tiempo de combustinde dos cohetes qumicoscon formulacionesdiferentes.

Los ingenierosde diseo se interesan tanto en la media como en lavarianzadel tiempo de combustin.
Tipo 1 Tipo 2
65 82 64 56
81 67 71 69
57 59 83 74
66 75 59 82
82 70 65 79
a) Probar la hiptesis de que las dos varianzas son iguales. Utilizar a = 0.05.
b) Utilizando los resultados del inciso a, probar la hiptesis de que los tiempos de combustinpromedio
son iguales. Utilizar a = 0.05. Cul es el valor P para esta prueba?
e) Comentar el papel del supuesto de normalidad en este problema. Verificarel supuesto de normalidad
para ambos tipos de cohetes.
2-12. En un artculo de Solid State Technology, "Diseo ortogonalpara optimizacinde procesosy su aplicacinen
el grabado qumicocon plasma" de G.Z. Yin y D.W.Jille, se describe un experimento para determinar el
efecto de la velocidaddel flujo de C2F6 sobre la uniformidad del grabado en una oblea de siliciousada en la
fabricacin de circuitos integrados. Los datos de la velocidad del flujo son los siguientes:
Observacinde la uniformidad
Flujo de
~F6 1 2 3 4 5 6
125 2.7 4.6 2.6 3.0 3.2 3.8
200 4.6 3.4 2.9 3.5 4.1 5.1
a) La velocidad del flujo de C2F6 afecta la uniformidad del grabado promedio? Utilizar a = 0.05.
b) Cul es el valor P para la prueba del inciso a?
e) La velocidaddel flujode ~F6 afecta la variabilidadde una oblea a otra en la uniformidaddel grabado?
Utilizar a = 0.05.
d) Trazar diagramas de caja que ayuden a interpretar los datos de este experimento.
2-13. Se instala un nuevo dispositivode filtrado en una unidad qumica.Antes de instalarlo, de una muestra alea-
toria se obtuvo la siguiente informacin sobre el porcentaje de impurezas: 5'1 = 12.5,S = 101.17Y nI = 8.
Despus de instalarlo, de una muestra aleatoria se obtuvo 5'2 = 10.2, Si = 94.73,nz = 9.
a) Puede concluirse que las dos varianzas son iguales? Utilizar a = 0.05.
b) El dispositivode filtrado ha reducido de manera significativael porcentaje de impurezas?Utilizar a =
0.05.
2-14. Se hacen 20observacionesde la uniformidaddel grabado en obleas de siliciodurante un experimento de eva-
luacin de un grabador de plasma. Los datos son los siguientes:
5.34 6.65 4.76 5.98 7.25

6.00 7.55 5.54 5.62 6.21
5.97 7.35 5.44 4.39 4.98
5.25 6.35 4.61 6.00 5.32
a) Construir una estimacin con un intervalo de confianza de 95% de a2

b) Probar la hiptesis de que a2 = 1.0. Utilizar a = 0.05. A qu conclusiones se llega?
2-7 PROBLEMAS 57
e) Comentar el supuesto de normalidad y su papel en este problema.

d) Verificar la normalidad construyendo una grfica de probabilidad normal. A qu conclusiones se
llega?
215. Doce inspectores midieron el dimetro de un cojinete de bolas, utilizando cada uno dos tipos diferentes de
calibradores. Los resultados fueron
Inspector Calibrador 1 Calibrador 2

1 0.265 0.264
2 0.265 0.265
3 0.266 0.264
4 0.267 0.266
5 0.267 0.267
6 0.265 0.268
7 0.267 0.264
8 0.267 0.265
9 0.265 0.265
10 0.268 0.267
11 0.268 0.268
12 0.265 0.269
a) Existe una diferencia significativa entre las medias de la poblacin de mediciones de las que se seleccio-
naron las dos muestras? Utilizar a ,., 0.05.
b) Encontrar el valor P para la prueba del inciso Q.
e) Construir un intervalo de confianza de 95% para la diferencia en las mediciones de los dimetros prome-
dio para los dos tipos de calibradores.
2-16. En un artculo de Joumal of Strain Analysis (vol. 18, no. 2) se comparan varios procedimientos para predecir
la resistencia al corte de vigas de placas de acero. Los datos para nueve vigas en la forma del cociente de la
carga predicha y la observada para dos de estos procedimientos. los mtodos Karlsruhe y Lehigh, son los si-
guientes
Viga Mtodo Karlsruhe Mtodo Lehgh

Sl/1 1.186 1.061
S2/1 1.151 0.992
S3/1 1.322 1.063
S4/1 1.339 1.062
S5/1 1.200 1.065
S2/1 1.402 1.178
S2!2 1.365 1.037
S2/3 1.537 1.086
S2/4 1.559 1.052
a) Existe alguna evidencia que apoye la afirmacin de que hay una diferencia en el desempeo promedio
entre los dos mtodos? Utilizar a ,., 0.05.
b) Cul es el valor P para la prueba del inciso a?
e) Construir un intervalo de confianza de 95% para la diferencia en la carga promedio predicha y la obser-
vada.
d) Investigar el supuesto de normalidad en ambas muestras.
e) Investigar el supuesto de normalidad para la diferencia en los cocientes para los dos mtodos.
/) Comentar el papel del supuesto de normalidad en la prueba t pareada.
2-17. Se estudia la temperatura de deflexin bajo carga de dos formulaciones diferentes de un tubo de plstico
ABS. Dos muestras de 12 observaciones cada una, se preparan utilizando cada formulacin y las temperatu-
ras de deflexin (en F) se presentan abajo:
Formulacin 1 Formulacin 2
206 193 192 177 176 198
188 207 210 197 185 188
205 185 194 206 200 189
187 189 178 201 197 203
a) Construir las grficas de probabilidad normal para ambas muestras. Estas grficas apoyan los supuestos
de normalidad y de la igualdad de la varianza de ambas muestras?
b) Los datos apoyan la afirmacin de que la temperatura promedio de deflexin bajo carga de la formula-
cin 1 excede la de la formulacin 2? Utilizar a = 0.05.
e) Cul es el valor P para la prueba del inciso a?
2-18. Referirse a los datos del problema 2-17. Los datos apoyan la afirmacin de que la temperatura promedio de
deflexin bajo carga de la formulacin 1 excede la de la formulacin 2 en al menos 3P?
2-19. En la fabricacin de semiconductores es comn el uso del grabado qumico hmedo para eliminar el silicio
de la parte posterior de las obleas antes de la metalizacin. La rapidez del grabado es una caracterstica im-
portante de este proceso. Se estn evaluando dos soluciones de grabado diferentes. Se grabaron ocho obleas
seleccionadas al azar en cada solucin, y las cifras de la rapidez del grabado observada (en milsimas de pul-
gada/min) se muestran abajo
Solucin 1 Solucin 2
9.9 10.6 10.2 10.6
9.4 10.3 10.0 10.2
10.0 9.3 10.7 10.4
10.3 9.8 10.5 10.3
a) Los datos indican que la afirmacin de que ambas soluciones tienen la misma rapidez de grabado pro-
medio es verdadera? Utilizar a '= 0.05 y suponer la igualdad de las varianzas.
b) Encontrar un intervalo de confianza de 95% para la diferencia en la rapidez de grabado promedio.
e) Usar grficas de probabilidad normal para investigar la adecuacin de los supuestos de normalidad e
igualdad de las varianzas.
2-20. Se estn comparando dos populares analgsicos con base en la rapidez de absorcin del cuerpo. Especfica-
a a;
mente, se afirma que la tableta 1 se absorbe con el doble de rapidez que la tableta 2. Suponer que y se
conocen. Desarrollar un estadstico de prueba para
Ho:2# = #2
H:2/At ~ #2
2-21. Suponga que se est probando
Ho:l-l = I-lz
H:p ~ #2
donde a~ya; se conocen. Los recursos para hacer el muestreo son limitados, por lo que n + n2 = N. Cmo
debern asignarse las N observaciones entre las dos poblaciones para obtener la prueba con la potencia ms
alta?
2-22. Desarrollar la ecuacin 2-46 para un intervalo de confianza de 100(1- a) por ciento para la varianza de una
distribucin normal.
2-7 PROBLEMAS 59
2-23. Desarrollar la ecuacin250para un intervalo de confianzade 100(1-a) por ciento para el cociente a; la;,
donde (1i y (1~ son las varianzas de dos distribuciones normales.
2-24. Desarrollar una ecuacinpara encontrar un intervalo de confianzade 100(1-a) por ciento para la diferen-
a;
cia en las mediasde dos distribucionesnormales donde ;* (1~.Aplicar la ecuacindesarrollada a los datos
del experimento del cemento portland, y encontrar un intervalo de confianza de 95%.
2-25. Construir un conjunto de datos para los que el estadsticode prueba t pareada sea muygrande, pero para el
cual el estadsticode prueba t de dos muestras o combinadausual sea pequeo. En general, describircmose
crearon los datos. Le da esto al lector alguna idea respecto de cmo funciona la prueba t pareada?
Experimentos con un solo
factor: el anlisis de varianza
En el captulo 2 se analizaron los mtodos para comparar dos condiciones o tratamientos. Por ejemplo, el
experimento de la fuerza de la tensin de adhesin del cemento portland incluy dos formulaciones dife-
rentes del mortero. Otra forma de describir este experimento es como un experimento con un solo factor,
con dos niveles del factor, donde el factor es la formulacin del mortero y los dos niveles son los dos mto-
dos diferentes para hacer la formulacin. Muchos experimentos de este tipo involucran ms de dos nive-
les del factor. En este captulo se presentan los mtodos para el diseo y el anlisis de los experimentos
con un solo factor con a niveles del mismo (o a tratamientos). Se supondr que el experimento se ha alea-
torizado completamente.
3..1 UN EJEMPLO
Un ingeniero de desarrollo de productos tiene inters en investigar la resistencia a la tensin de una fibra
sinttica nueva que se usar para hacer tela de camisas para caballero. El ingeniero sabe por experiencia
previa que la resistencia a la tensin se afecta por el peso porcentual del algodn utilizado en la mezcla de
materiales de la fibra. Adems, sospecha que al aumentar el contenido de algodn se incrementar la re-
sistencia, al menos en un principio. Sabe asimismo que el contenido de algodn deber variar entre 10 y
40 por ciento para que el producto final tenga otras caractersticas de calidad que se desean (como la
capacidad de ser sometido a un tratamiento de planchado permanente). El ingeniero decide probar ejem-
plares en cinco niveles del peso porcentual del algodn: 15,20,25,30 y 35 por ciento. 'Iambin decide pro-
bar cinco ejemplares en cada nivel del contenido de algodn.
Se trata de un ejemplo de un experimento con un solo factor con a == 5 niveles del factor y n = 5 rpli-
cas. Las 25 corridas debern realizarse de manera aleatoria. Para ilustrar cmo puede aleatorizarse el or-
den de las corridas, suponga que las corridas se numeran de la siguiente manera:
60
3-1 UN EJEMPLO 61
Peso
porcentual
del algodn Nmero de corrida experimental
15 1 2 3 4 5
20 6 7 8 9 10
25 11 12 13 14 15
30 16 17 18 19 20
35 21 22 23 24 25
Ahora se selecciona un nmero aleatorio entre 1 y 25. Suponga que este nmero es 8. Entonces la obser-
vacin nmero 8 (20% de algodn) se corre primero. Este proceso se repetira hasta que las 25 observa-
ciones tengan asignada una posicin en la secuencia de prueba.' Muchos paquetes de software de
computadora para ayudar a los experimentadores a seleccionar y construir un diseo, aleatorzan el or-'
den de las corridas utilizando nmeros aleatorios de esta manera.
Suponga que la secuencia de prueba obtenida es
Secuencia de prueba Nmero de corrida Peso porcentual del algodn

1 8 20
2 18 30
3 10 20
4 23 35
5 17 30
6 5 15
7 14 25
8 6 20
9 15 25
10 20 30
11 9 20
12 4 15
13 12 25
14 7 20
15 1 15
16 24 35
17 21 35
18 11 25
19 2 15
20 13 25
21 22 35
22 16 30
23 25 35
24 19 30
25 3 15
Esta secuencia de prueba aleatorizada es necesaria para evitar que los efectos de variables perturbadoras
desconocidas -las cuales quiz varen fuera de control durante el experimento- contaminen los resulta-
dos. Para ilustrar esto, suponga que las 25 corridas de prueba tuvieran que realizarse en el orden original
no aleatorizado (es decir, primero se prueban los cinco ejemplares con 15% de algodn, despus se prue-
1 La nica restriccin sobre la aleatorizacn en este caso, es que si se saca de nuevo el mismo nmero (es decir, 8), se descarta. Se tra-
ta de una restriccin secundaria y se ignora.

62 cAPiTULO 3 EXPERIMENTOSCON UN SOLO FACTOR: ELANLISIS DE VARIANZA
Tabla3-1 Datos (en lb/pulgada') del experimento de la resistencia a la tensin

Peso porcentual Observaciones
del algodn 1 2 3 4 5 Total Promedio
15 7 7 15 11 9 49 9.8
20 12 17 12 18 18 77 15.4
25 14 18 18 19 19 88 17.6
30 19 25 22 19 23 108 21.6
35 7 10 11 15 11 54 10.8
--
376 15.04
ban los cinco ejemplares con 20% de algodn, etc.), Si la mquina empleada para probar la resistencia a la
tensin presenta un efecto de calentamiento tal que entre ms tiempo est funcionando sean menores las
lecturas de la resistencia a la tensin observadas, el efecto del calentamiento contaminar potencialmen-
te los datos de la resistencia a la tensin y destruir la validez del experimento.
Suponga que el ingeniero corre la prueba en el orden aleatorio que se ha determinado. En la tabla 3-1
se muestran las observaciones que obtiene para la resistencia a la tensin.
Siempre es una buena idea examinar grficamente los datos experimentales. En la figura 3-1 se mues-
tran los diagramas de caja para la resistencia a la tensin con cada nivel del peso porcentual de algodn, y
en la figura 3-2 se ilustra un diagrama de dispersin de la resistencia a la tensin contra el peso porcen-
tual del algodn. En la figura 3-2, los puntos rellenos son las observaciones individuales y los crculos hue-
cos son los promedios de la resistencia a la tensin observada. Ambas grficas indican que la resistencia a
la tensin se incrementa cuando el contenido de algodn se incrementa, hasta cerca de 30% de algodn.
Despus de 30% de algodn, hay un marcado descenso de la resistencia a la tensin. No hay evidencia s-
lida que sugiera que la variabilidad de la resistencia a la tensin alrededor del promedio dependa del peso
porcentual del algodn. Con base en este anlisis grfico simple, se tienen firmes sospechas de que 1) el
contenido de algodn afecta la resistencia a la tensin y 2) alrededor de 30% de algodn produce la resis-
tencia mxima.
Suponga que se quiere ser ms objetivo en el anlisis de los datos. Especficamente, imagine que
quieren probarse las diferencias entre las resistencias a la tensin promedio con todos los niveles a = 5 del
30
c: 20
:2
!
s
.!!!
.,
ca
""~ 10
.i
.,.,
a::
Pesoporcentual del algodn
Figura 31 Diagramasde caja de la resistencia a la tensin

contra el peso porcentual del algodn.
32 ELANUSISDEVARIANZA 63

"
-e
.~
o
0
!
..
s
.~ 10

o

V

.i
111

a:
O
15 20 25 30 35
Peso oorcentual del alQodn
Figura 3-2 Diagrama de dispersin de la resistencia

a la tensin contra el peso porcentual del algodn.
peso porcentual del algodn. Por lo tanto, el inters se centra en probar la igualdad de las cinco medias. Pu-
diera parecer que este problema se resolvera realizando una prueba t para todos los pares de medias
posibles. Sin embargo, no es sta la mejor solucin de este problema, porque llevara a una distorsin con-
siderable en el error tipo 1. Por ejemplo, suponga que quiere probarse la igualdad de las cinco medias
usando comparaciones por pares. Hay 10 pares posibles, y si la probabilidad de aceptar correctamente la
hiptesis nula en cada prueba individual es de 1 - a = 0.95, la probabilidad de aceptar correctamente la
hiptesis nula en las 10 pruebas es de (0.95)10 = 0.60 si las pruebas son independientes. Por lo tanto, ha
ocurrido un incremento sustancial en el error tipo l.
El procedimiento correcto para probar la igualdad de varias medias es el anlisis de varianza. Sin
embargo, el anlisis de varianza tiene un rango de aplicaciones mucho ms amplio que el problema ante-
rior. Probablemente sea la tcnica ms til en el campo de la inferencia estadstica.
3..2 EL ANLISIS DE VARIANZA
Suponga que se tienen a tratamientos o niveles diferentes de un solo factor que quieren compararse. La
respuesta observada de cada uno de los a tratamientos es una variable aleatoria. Los datos apareceran
como en la tabla 3-2. Una entrada de la tabla 3-2 (por ejemplo'Yij) representa la observacinj-sima to-
'labia 32 Datos tpicos de un experimento de un solo factor

Tratamiento
(nivel) Observaciones lbtales Promedios
1 fu fu ~ h ~.
2 k fu h h h
a Yo Y.2 Y...
y" y"
64 CAPTULO 3 EXPERIMENTOSCON UN SOLO FACTOR: EL ANLISIS DE VARIANZA
mada bajo el nivel del factor o tratamiento i. Habr, en general, n observaciones bajo el tratamiento i-si-
mo. Observe que la tabla 3-2 es el caso general de los datos del experimento de la resistencia a la tensin
de la tabla 3-1.
Modelos para los datos

Se encontrar til describir las observaciones de un experimento con un modelo. Una manera de escribir
este modelo es
i=l, 2, ... , a
s.=r.r,
.
{j=L , 2, ..., n (3-1)
donde Yjes la observacin ij-sima,ll es la media del nivel del factor o tratamiento i-simo, y Eijes un com-
ponente del error aleatorio que incorpora todas las dems fuentes de variabilidad del experimento, inclu-
yendo las mediciones, la variabilidad que surge de factores no controlados, las diferencias entre las
unidades experimentales (como los materiales de prueba, etc.) a las que se aplican los tratamientos, y el
ruido de fondo general en el proceso (ya sean la variabilidad con el tiempo, los efectos de variables am-
bientales, etc.). Es conveniente considerar que los errores tienen media cero, de tal modo que E(yij) = Ili'
A la ecuacin 3-1 se le llama el modelo de las medias. Una forma alternativa de escribir un modelo de
los datos es definiendo
i = 1, 2, ... , a
de tal modo que la ecuacin 3-1 se convierte en
i =1, 2, ... , a
Yij=Il+"C+E11 { J'- -1, 2, ... , n (3-2)
En esta forma del modelo, Il es un parmetro comn a todos los tratamientos al que se llama la media glo-
bal, y Tes un parmetro nico del tratamiento -simo al que se le llama el efecto del tratamiento j-simo.
A la ecuacin 3-2 se le llama por 10 general el modelo de los efectos.
Tanto el modelo de las medias como el de los efectos son modelos estadsticos lineales; es decir, la va-
riable de respuesta Yij es una funcin lineal de los parmetros del modelo. Aun cuando ambas formas del
modelo son tiles, el modelo de los efectos se encuentra con mayor frecuencia en la literatura del diseo
experimental. Tiene cierto atractivo intuitivo por cuanto Il es una constante y los efectos de los tratamien-
tos TIrepresentan desviaciones de esta constante cuando se aplican los tratamientos especficos.
A la ecuacin 3-2 (o a la 3-1) se le llama tambin el modelo del anlisis de varianza simple o de un
solo factor (o direccin), porque nicamente se investiga un factor. Adems, ser un requisito que el ex-
perimento se lleve a cabo en orden aleatorio para que el ambiente en el que se apliquen los tratamientos
(llamados con frecuencia unidades experimentales) sea lo ms uniforme posible. Por lo tanto, el diseo
experimental es un diseo completamente aleatorizado. Los objetivos sern probar las hiptesis apropia-
das acerca de las medias de los tratamientos y estimarlas. Para probar las hiptesis, se supone que los
errores del modelo son variables aleatorias que siguen una distribucin normal e independiente con me-
dia cero y varianza er. Se supone asimismo que la varianza er es constante para todos los niveles delfactor.
Esto implica que las observaciones
y que las observaciones son mutuamente independientes.

3-3 ANUSIS DEL MODEW CON EFEcrOS FIJOS 65
Factor fijo o aleatorio?
El modelo estadstico (ecuacin 3-2) describe dos situaciones diferentes con respecto a los efectos de los
tratamientos. Primera, los a tratamientos pudieron ser elegidos expresamente por el experimentador. En
esta situacin quieren probarse hiptesis acerca de las medias de los tratamientos, y las conclusiones se
aplicarn nicamente a los niveles del factor considerados en el anlisis. Las conclusiones no pueden ex-
tenderse a tratamientos similares que no fueron considerados explcitamente. Tambin se podra querer
estimar los parmetros del modelo (p., fl' al). A ste se le llama el modelo con efectos fijos. De manera al-
ternativa, los a tratamientos podran ser una muestra aleatoria de una poblacin ms grande de trata-
mientos. En esta situacin sera deseable poder extender las conclusiones (las cuales se basan en la
muestra de los tratamientos) a la totalidad de los tratamientos de la poblacin, sea que se hayan conside-
rado explcitamente en el anlisis o no. Aqu las fl son variables aleatorias, y el conocimiento de las T: par-
ticulares que se investigaron es relativamente intil. Ms bien, se prueban hiptesis acerca de la
variabilidad de las t,y se intenta estimar su variabilidad. A ste se le llama el modelo con efectos aleatorios
o modelo de los componentes de la varianza. La revisin de experimentos con factores aleatorios se pos-
pondr hasta el capitulo 12.
3..3 ANLISIS DEL MODELO CON EFECTOSFIJOS
En esta seccin se desarrolla el anlisis de varianza de un solo factor para el modelo con efectos fijos. Re-
cuerde que YI.representa el total de las observaciones bajo el tratamiento i-simo. Sea que YI.represente el
promedio de las observaciones bajo el tratamiento -simo. De manera similar, sea que y.. represente el
Y..
gran total de todas las observaciones y que represente el gran promedio de todas las observaciones.
Expresado simblicamente,
y. = ~ y., i = 1, 2, ... , a
l. "'" 9
i~l
(3-3)
y..=!1~1 j~l
Yij Y.. =y'./N
=
donde N an es el nmero totall de observaciones. Se nota que el subndice "punto" implica la operacin
suma sobre el subndice que reemplaza.
El inters se encuentra en probar la igualdad de las a medias de los tratamientos; es decir, E(yj} # + =
1: = #' i = 1, 2, ..., a. Las hiptesis apropiadas son
HO:#l =
P2 = ... = P.
H :# I ~ # i para al menos un par (i, j)
En el modelo de los efectos, la median, del tratamiento -simo se descompone en dos componentes tales
que #i = # + t; Por lo general, # se considera como una media global, de tal modo que
i-l
!#
--=p
a
Esta definicin implica que
66 CAPTULO 3 EXPERIMENTOS CON UN SOLO FACTOR: EL ANLISIS DE VARIANZA
Es decir, los efectos del tratamiento o factor pueden considerarse como desviaciones de la media global.'
Por consiguiente, una forma equivalente de escribir las hiptesis anteriores es en trminos de los efectos
de los tratamientos fl, por ejemplo
H :1:1 :: f 2 = ... 1:. :: O
H1: 1:i # O para al menos una i
Por lo tanto, se habla de probar la igualdad de las medias de los tratamientos o de probar que los efectos
de los tratamientos (las f;) son cero. El procedimiento apropiado para probar la igualdad de las medias de
los a tratamientos es el anlisis de varianza.
3..3.1 Descomposicin de la suma de cuadrados total

El nombre anlisis de varianza se deriva de la particin de la variabilidad total en sus partes componen-
tes. La suma de cuadrados total corregida
SST = !! (Yij - y..)2

i-l j-l
se usa como una medida de la variabilidad global de los datos. Intuitivamente, esto es razonable porque,
si SST tuviera que dividirse por el nmero apropiado de grados de libertad (en este caso, an -1 = N -1),se
obtendra la varianza muestral de lasy. La varianza muestral es, desde luego, una medida estndar de va-
riabilidad.
Observe que la suma de cuadrados total corregida SST se puede escribir como
a n a n
LL (Yij - y.. )2 = LL [UI. - Y..)+(Yij - y;. )]2
iml jml 1"'1j"'l
(3-4)
+2~~
L., ~
. "
oYi. --)(
Y.. v, --)
YI.
Sin embargo, el trmino del producto cruzado de la ecuacin 3-5 es cero, ya que
! (Yi/-Y/.)=
j"'l
Yi. -nYi.:: Yi. -n(Yi. In)= O
Se tiene, por lo tanto,
~ ~
L., L.,
( y q.._ Y.
- )2:: n~ - )2 + e:
(-. _ Y.,
L., Y,.
~ L.,
~ (y".._ Y,.
-. )2
;-1 j=l j~l j!:1l1 j-l
La ecuacin 3-6 establece que puede hacerse la particin de la variabilidad total de los datos, medida por
la suma de cuadrados total corregida, en una suma de cuadrados de las diferencias entre los promedios de
los tratamientos y el gran promedio, ms una suma de cuadrados de las diferencias de las observaciones
dentro de los tratamientos y el promedio de los tratamientos. Entonces, la diferencia entre los promedios
2 Para ms informacin sobre este tema, referirse al material suplementario del texto del captulo 3.
3-3 ANLISIS DEL MODELO CON EFECTOS FIJOS 67
de los tratamientos observados y el gran promedio es una medida de las diferencias entre las medias de
los tratamientos, mientras que las diferencias de las observaciones dentro de un tratamiento y el prome-
dio del tratamiento, pueden deberse nicamente al error aleatorio. Por lo tanto, la ecuacin 3-6 puede es-
cribirse simblicamente como
SST = SSTratamentos + SS E
donde a SS"'atamienlos se le llama la suma de cuadrados debida a los tratamientos (es decir, entre los trata-
mientos), y a SSEse le llama la suma de cuadrados debida al error (es decir, dentro de los tratamientos).
Hayan = N observaciones en total; por lo tanto, SS T tiene N - 1 grados de libertad. Haya niveles del fac-
tor (y medias de a tratamientos), de donde SS'II"alamientos tiene a - 1 grados de libertad. Por ltimo, dentro de
cualquier tratamiento hay n rplicas que proporcionan n - 1 grados de libertad con los cuales estimar el
error experimental. Puesto que haya tratamientos, se tienen a(n -1) = an - a = N - a grados de libertad
para el error.
Es til examinar explcitamente los dos trminos del lado derecho de la identidad fundamental del
anlisis de varianza (ecuacin 3-6). Considere la suma de cuadrados del error
En esta forma es fcil ver que el trmino entre corchetes, si se divide por n -1, es la varianza muestral del
tratamiento z-simo, o
!
S2 = _:_i-_I
(Y - Yi.)2
_
, i = 1, 2, ... , a
n-l
Ahora pueden combinarse a varianzas muestrales para obtener una sola estimacin de la varianza pobla-
cional comn de la siguiente manera:
2
(n-l)SI +(n-l)S2 +
2
+ (n-l)S. i-l j-l
2 ! [! o, - Yi )2]
(n-l)+(n-l) + + (n-l) =--=-L--(-n---l)--=
i~l
SSE
(N-a)
Por lo tanto, SSE/(N-a) es una estimacin combinada de la varianza comn dentro de cada uno de los a
tratamientos.
De manera similar, si no hubiera diferencias entre las medias de los a tratamientos, podra usarse la
variacin de los promedios de los tratamientos y el gran promedio para estimar o'. Especficamente
SS Tratamientos
n! o, - Y.. )2
ilBl
a-l a-l
u-
es una estimacin de si las medias de los tratamientos son iguales. La razn de esto puede verse de ma-
nera intuitiva de la siguiente manera. La cantidad l:~_1<Yi. - y,l/(a - 1) estima a'2-/n, la varianza de los pro-
68 CAPlULO 3 EXPERIMENTOSCON UN SOLO FACTOR, EL ANUSIS DE VARlANZA
medios de los tratamientos, de donde nl:7_1(Yi. - "Y-l/(a - 1) debe estimar cr

si no hay diferencias en las
medias de los tratamientos.
Se observa que la identidad del anlisis de varianza (ecuacin 3-6) nos proporciona dos estimaciones
de cr:
una basada en la variabilidad inherente dentro de los tratamientos y una basada en la variabilidad
entre los tratamientos. Si no hay diferencias en las medias de los tratamientos, estas dos estimaciones de-
bern ser muy similares, y si no lo son, se sospecha que la diferencia observada puede ser causada por di-
ferencias en las medias de los tratamientos. Aun cuando se ha usado un razonamiento intuitivo para
desarrollar este resultado, puede adoptarse un enfoque un tanto ms formal.
A las cantidades
MS . = SSTratamien,o,
Tratamientos a- 1
y
SSE
MS =--
E N-a
se les llama cuadrados medios. Se examinarn ahora los valores esperados de estos cuadrados medios.
Considere
Al sustituir el modelo (ecuacin 3-1) en esta ecuacin se obtiene
Entonces, al elevar al cuadrado y tomar el valor esperado de la cantidad entre corchetes, se observa que
los trminos que incluyen ac~ y c;. son reemplazados porcryncr, respectivamente, debido a queE(cij) =
O.Adems, todos los productos cruzados que incluyen a Ci tienen valor esperado cero. Por lo tanto, des-
pus de elevar al cuadrado y tomar el valor esperado, la ltima ecuacin se convierte en
1
E(MSE)= N-a
[aN!L2+nt; T~ +Na2 -N!L2 -nt;
a] Ti -aa2
o
Aplicando un enfoque similar puede demostrarse tambin que?
2
n~
~1
r;
E(M.S Tralamientoo ) = a + """:';a;':'--l-
Por lo tanto, como se argument heurstcamente.fj, = SSE/(N -a) estima al y, si no hay diferencias en
las medias de los tratamientos (lo cual implica que t, = O),MSn-atamientos = SSItatamieDIOJ(a - 1) tambin esti-
ma al. Sin embargo, observe que si las medias de los tratamientos difieren, el valor esperado del cuadrado
medio de los tratamientos es mayor que er.
Parece claro que es posible realizar una prueba de la hiptesis de que no hay diferencias en las medias
de los tratamientos comparando MSn-atamientos y MS E' Se considera ahora cmo puede hacerse esta compa-
racin.
3..3.2 Anlisis estadstico

Se investiga ahora cmo puede llevarse a cabo una prueba formal de la hiptesis de que no hay diferen-
cias en las medias de los tratamientos (HO:#l = #2 = ...= .t., o de manera equivalente, Ho:f1 = f2 =. r.=
O).Puesto que se ha supuesto que los errores Ei) siguen una distribucin normal e independiente con me-
dia cero y varianza cr, las observaciones Yjtienen una distribucin normal e independiente con media .t +
T Yvarianza al. Por lo tanto, SST es una suma de cuadrados de variables aleatorias con una distribucin
normal; por consiguiente, puede demostrarse que SS /cr tiene una distribucin ji-cuadrada con N - 1 gra-
dos de libertad. Adems, puede demostrarse que SSE/al es una variable ji-cuadrada con N -a grados de li-
bertad y que SSTratamientoJaZ es una variable ji-cuadrada con a -1 grados de libertad si la hiptesis nula Ho:'C
= Oes verdadera. Sin embargo, las tres sumas de cuadrados no son necesariamente independientes, ya
que la suma de SSn-alamientos y SSE es SS1' El siguiente teorema, que es una forma especial de un teorema
atribuido a WiUiam Cochran, es til para establecer la independencia de SSE y SSn-atamientos'
TEOREMA 3..1 .............. ,....... 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111 111
Teorema de Cochrao
Sea Z igual a NID(O, 1) para i = 1, 2, ..., v y
~ Z2 = Ql + Q2 + ...+ Q,
/;1
donde s :S v, YQtiene vgrados de libertad (i = 1,2, ..., s). Entonces Q, Q2' ..., Q. son variables aleatorias
ji-cuadrada independientes con v1, V:z, , v. grados de libertad, respectivamente, si y slo si
Puesto que los grados de libertad de SSn-atamientosy SSE suman N -1, el nmero total de grados de liber-
tad, el teorema de Cochran implica que SSn-atamienloJaZ YSSE/cr son variables aleatorias ji-cuadrada con
3 Referirse a! materia! suplementario del texto del captulo 3.

70 CAPTIJLO 3 EXPERIMENTOSCON UN SOLO FACTOR: ELANLISISDE VARIANZA
Tabla 3.3 Tabla de anlisis de varianza para el modelo con un solo factor y efectos fijos
Suma de Grados de Cuadrado
Fuente de variacin cuadrados libertad medio
a
Entre los tratamientos SSTratamientoe == n L

~1
(ji. - ji"l a-l
Error (dentro de Jos
tratamientos) SSE == SSr - SSTratamient05 N-a
lbtal N-l
una distribucin independiente. Por lo tanto, si la hiptesis nula de que no hay diferencias en las medias
de los tratamientos es verdadera, el cociente
F = SSTralamienlo. /(a-1) MSTralomenlO.
(3-7)
o SSe /(N-a) MSE
se distribuye como F con a - 1 YN - a grados de libertad. La ecuacin 3-7 es el estadstico de prueba para
la hiptesis de que no hay diferencias en las medias de los tratamientos.
Por los cuadrados medios esperados se observa que, en general, MS E es un estimador insesgado de dl.
Asimismo, bajo la hiptesis nula, MSnalamientos es un estimador insesgado de o'. Sin embargo, si la hiptesis
nula es falsa, el valor esperado de MSnatamientos es mayor que dl. Por lo tanto, bajo la hiptesis alternativa, el
valor esperado del numerador del estadstico de prueba (ecuacin 3-7) es mayor que el valor esperado del
denominador, y H deber rechazarse para valores del estadstico de prueba que son muy grandes. Esto
implica una regin crtica de una sola cola superior. Por lo tanto, H deber rechazarse y concluirse que
hay diferencias en las medias de los tratamientos si
Fo > Fa,a-l,N-a
donde F se calcula con la ecuacin 3-7. De manera alternativa, podra usarse el enfoque del valor Ppara
tomar una decisin.
Es posible obtener frmulas para calcular estas sumas de cuadrados reescribiendo y simplificando las
definiciones de SSnatamientos Y SST en la ecuacin 3-6. Se obtiene as
(3-8)
y
. 1 a 2
SS Tratamientos = -;;~
" Y.2 - Y.
N (3-9)
i-l
La suma de cuadrados del error se obtiene por sustraccin como

SS E = SST - SS Tratamientos (3-10)
El procedimiento de prueba se resume en la tabla 3-3. Se le conoce como tabla del anlisis de varianza.
EJEMPLO 3,.1 .
El experimento de la resistencia a la tensin
Para ilustrar el anlisis de varianza, se retoma al ejemplo que empez a comentarse en la seccin 3-1. Re-
cuerde que al ingeniero de desarrollo de productos le interesa determinar si el peso porcentual del algo-
dn en una fibra sinttica afecta la resistencia a la tensin, y ha llevado a cabo un experimento
completamente aleatorizado con cinco niveles del peso porcentual del algodn y cinco rplicas. Por con-
veniencia, a continuacin se repiten los datos de la tabla 3-1:
Peso la
Resistencia a tensin observada
porcentual (lb/pulgt) 'Iotales Promedios
-
del algodn 1 2 3 4 5 Yi YI
15 7 7 15 11 9 49 9.8
20 12 17 12 18 18 77 15.4
25 14 18 18 19 19 88 17.6
30 19 25 22 19 23 108 21.6
35 7 10 11 15 11 54 10.8
Y., "" 376 Y.. = 15.04
Se usar el anlisis de varianza para probar Ho"# = f..t2 = f..t3 = #4 = f..ts contra la hiptesis alternativa
H:algunas medias son diferentes. Las sumas de cuadrados requeridas se calculan como sigue:
5 5 2
SSr = 2:2: Y~_L..N
i~l j_l
(376)2
= (7)2 +(7)2 +(15)2 + ... +(15)2 +(11)2 - ~= 636.96
1 2
SSTr.t.amieatos = -n L.J
""
1-1
Yi,2 - Y..
N
= ![(49)2 + ... +(54)2]- (376)2 = 475.76

5 25
SSe = SSr - SSTratamientos
= 636.96- 475.76 161.20 =
Generalmente estos clculos se realizaran en una computadora, utilizando paquetes de software con la
capacidad de analizar datos de experimentos diseados.
En la tabla 3-4 se resume el anlisis de varianza. Observe que el cuadrado medio entre los tratamien-
tos (118.94) es varias veces mayor que el cuadrado medio dentro de los tratamientos o cuadrado medio
del error (8.06). Esto indica que no es posible que las medias de los tratamientos sean iguales. En trmi-
nos ms formales, puede calcularse el cociente F, F = 118.94/8.06 = 14.76, y comparar este valor con un
punto porcentual apropiado de la cola superior de la distribucin F4, 20' Suponga que el experimentador
ha seleccionado a =
0.05. En la tabla IV del apndice se encuentra que Fo.os, 4, 20 = 2.87. Puesto que Fo =
14.76 > 2.87, se rechaza H, y se concluye que las medias de los tratamientos difieren; es decir, el peso por-
centual del algodn en la fibra afecta de manera significativa la resistencia a la tensin media. Tambin
Tabla 34 Anlisis de varianza de los datos de la resistencia a la tensin

Fuente de variacin cuadrados libertad medio ValorP
Peso porcentual del algodn 475.76 4 118.94 Fo=14.76 <0.01
Error 161.20 20 8.06
lbtal 636.96 24
72 CAPTIJLO 3 EXPERIMENTOSCON UN SOLO FACTOR: ELANLISIS DE VARlANZA
"t:J
l! 0.6
:s
.3
ec. 0.4
Q)
"t:J
"t:J
~
~ 0.2
1:>
o o
FO
Figura 3-3 La distribucin de referencia (F. 20) para el estadstico de

prueba Fo en el ejemplo 3-1.
podra calcularse un valor P para este estadstico de prueba. En la figura 3-3 se muestra la distribucin de
referencia (F4,20) para el estadstico de prueba F Evidentemente, el valor P es muy pequeo en este caso.
Puesto que FO.01,4. 20 = 4.43 YF > 4.43, puede concluirse que un lmite superior del valor Pes 0.01; es decir,
P < 0.01 (el valor P exacto es P = 9.11 X 10'-6).
Clculos manuales
Posiblemente el lector haya notado que la suma de cuadrados se defini en trminos de promedios; es de-
cir, por la ecuacin 3-6,
SS-rratamientos = n! (Y
i-l
i. - ji..)2
pero las frmulas de clculo se desarrollaron utilizando los totales. Por ejemplo, para calcular SSnatamientos>
se usara la ecuacin 3-9:
1 a 2
SS =- ~ 2_L
Tratamientos n LJ Yi. N
.-1
La razn principal de esto es por conveniencia; adems, los totales Yi. y Y.. estn menos sujetos al error de
redondeo que los promedios y Yi Y..'
En general, no deber prestarse demasiada atencin a los clculos, ya que se cuenta con una amplia
variedad de programas de computadora para realizarlos. Estos programas de computadora son tambin
tiles para realizar muchos otros anlisis asociados con el diseo experimental (como el anlisis residual y
la verificacin de la adecuacin del modelo). En muchos casos, estos programas tambin ayudarn al ex-
perimentador a establecer el diseo.
Cuando es necesario realizar los clculos manualmente, en ocasiones es til codificar las observacio-
nes. Esto se ilustra en el ejemplo siguiente.
EJEMPLO 3-2 - ...........................................

Codificacin de observaciones
Los clculos del anlisis de varianza pueden hacerse con frecuencia de manera ms precisa o simplificada
codificando las observaciones. Por ejemplo, considere los datos de la resistencia a la tensin del ejemplo
33 ANLISIS DEL MODELO CON EFECTOS FIJOS 73
Tabla 35 Datos codificadosde la resistencia a la tensin del ejemplo 32
Peso Observaciones
porcentual Totales
del algodn 1 2 3 4 5 Y
15 -8 -8 O -4 --6 -26
20 -3 2 -3 3 3 2
25 -1 3 3 4 4 13
30 4 10 7 4 8 33
35 -8 -5 -4 O -4 -21
3-1. Suponga que se resta 15 de cada observacin. Los datos codificados se muestran en la tabla 3-5. Es
sencillo verificar que
SST == (_8)2 +(_8)2 + +(_4)2 - (~ == 636.96
(-26)2 +(2)2 + +(-21)2 (1)2 475.76

SSTratamiencos = 5 25
y
SSe == 161.20
Al comparar estas sumas de cuadrados con las que se obtuvieron en el ejemplo 3-1, se observa que al res-
tar una constante de los datos originales las sumas de cuadrados no se modifican.
Suponga ahora que cada una de las observaciones del ejemplo 3-1 se multiplica por 2. Es sencillo veri-
ficar que las sumas de cuadrados de los datos transformados son SST = 2547.84, SSnatanricntos == 1903.04 y
SSE = 644.80. Estas sumas de cuadrados parecen diferir considerablemente de las que se obtuvieron en el
ejemplo 3-1. Sin embargo, si se dividen por 4 (es decir, 22), los resultados son idnticos. Por ejemplo, para
la suma de cuadrados de los tratamientos, 1903.04/4 = 475.76. Asimismo, para los datos codificados, el
cociente F es F =
(1903.04/4)/(644.80/20) =
14.76, que es idntico al cociente F de los datos originales.
Por 10 tanto, los anlisis de varianza son equivalentes.
Pruebas de aleatorizacin Vanlisis de varianza

En el desarrollo del anlisis de varianza con la prueba F, se ha utilizado el supuesto de que los errores
aleatorios Eij son variables aleatorias que siguen una distribucin normal e independiente. Tambin es po-
sible justificar la prueba F como la aproximacin de una prueba de aleatorizacin. Para ilustrar esto, su-
ponga que se tienen cinco observaciones de cada uno de dos tratamientos y que quiere probarse la
igualdad de las medias de los tratamientos. Los datos apareceran as:
'Ihltamiento 1 'Ihltamiento 2
YIl Y21
Y12 Y22
Y13 Y23
YI4 Y24
YIS Yzs
=
Podra usarse el anlisis de varianza con la prueba F para probar HO:Pl #2' De manera alternativa, po-
dra recurrirse a un enfoque un tanto diferente. Suponga que se consideran todas las formas posibles de
asignar los 10 nmeros de la muestra anterior a los dos tratamientos. Hay 10!/5!5! = 252 arreglos posibles
de las 10 observaciones, Si no hay ninguna diferencia en las medias de los tratamientos, los 252 arreglos
son igualmente posibles. Para cada uno de los 252 arreglos, se calcula el valor del estadstico F usando la
ecuacin 3-7. A la distribucin de estos valores F se le llama distribucin de aleatorizacin, y un valor
grande de F indica que los datos no son consistentes con la hiptesis HO:#l = #2' Por ejemplo, si el valor de
F que se observ realmente fue excedido slo por 5 de los valores de la distribucin de aleatorizacin, esto
correspondera con el rechazo de HO:#l = #2 con un nivel de significacin de a = 5/252 = 0.0198 (o
1.98%). Observe que no es necesario ningn supuesto de normalidad en este enfoque.
La dificultad con este enfoque es que, incluso en problemas relativamente pequeos, los clculos re-
queridos hacen inviable la enumeracin de la distribucin de aleatorizacin exacta. Sin embargo, nume-
rosos estudios han demostrado que la distribucin F comn de la teora normal es una buena
aproximacin de la distribucin de aleatorizacin exacta. Por lo tanto, incluso sin el supuesto de normali-
dad, la prueba F puede considerarse como una aproximacin de la prueba de aleatorizacin. Para ms de-
talles sobre las pruebas de aleatorizacin en el anlisis de varianza, ver Box, Hunter y Hunter [18].
3..3.3 Estimacin de los parmetros del modelo

Se presentan ahora los estimadores de los parmetros del modelo con un solo factor
Ylos intervalos de confianza para las medias de los tratamientos. Ms adelante se demostrar que estima-
dores razonables de la media global y de los efectos de los tratamientos estn dados por
fi= Y., (3-11)
Ti = jii, - ji.. , i = 1, 2, ... , a
Estos estimadores poseen un considerable atractivo intuitivo; observe que la media global se estima con
el gran promedio de las observaciones y que el efecto de cualquier tratamiento no es sino la diferencia en-
tre el promedio del tratamiento y el gran promedio.
Es posible determinar con facilidad una estimacin del intervalo de confianza de la media del trata-
miento i-simo. La media del tratamiento z-smc es
u, =u+t
Un estimador puntual de # sera # i = # + f i = jii, . Ahora bien, si se supone que los errores siguen una dis-
tribucin normal, cadaj, es unaNID(}.t, o2/n). Por lo tanto, si 02 fuera conocida, podra usarse la distribu-
cin normal para definir el intervalo de confianza. Al utilizar MSE como estimador de 02, el intervalo de
confianza se basara en la distribucin t. Por lo tanto, un intervalo de confianza de 100(1-:-a) J
por ciento
para la media u, del tratamiento i-simo es
(3-12)
Un intervalo de confianza de 100(1- a) por ciento para la diferencia en las medias de dos tratamientos
cualesquiera, por ejemplo u, - #j' sera
_ _ ~2MSE _ _ ~2MSE
<Yi, - Yi, +t a/2,N-. -- n
Y, - Yi, - t n.s- --<
n - # - #i - (3-13)
EJE~LO 3 3 .
Utilizando los datos del ejemplo 3-1 pueden encontrarse las estimaciones de la media global y de los efec-
tos de los tratamientos como fJ. = 376/25 = 15.04 Y
Tl = Y_- Y.. = 9.80-15.04 = -5.24
i2 = Yz. -
Y.. = 15.40-15.04 = +0.36
i 3 = Y3. - Y.. = 17.60-15.04 = -2.56
i 4 = Y4. - Y.. = 2l.60-15.04 = +6.56
i s = Ys. - Y.. = 10.80-15.04 = -4.24
Un intervalo de confianza de 95% para la media del tratamiento 4 (30% de algodn) se calcula con la
ecuacin 3-12 como
(8.06 (8.06
21.60- 2.086'15 :S}l4 :S21.60+ 2086'15-5-
o
21.60-265:S}l4 s 21.60+265
Por Jo tanto, el intervalo de confianza de 95% deseado es 18.95 :S }l4 :S 24.25.
o '
Intervalos de confianza simultneos

Las expresiones para los intervalos de confianza dados en las ecuaciones 3-12 y 3-13 son intervalos de con-
fianza uno a la vez. Es decir, el nivel de confianza 1 - a slo se aplica a una estimacin particular. Sin em-
bargo' en muchos problemas, el experimentador tal vez quiera calcular varios intervalos de confianza,
uno para cada una de varias medias o diferencias entre medias. Si hay inters en r de estos intervalos de
confianza de l00(1-a) por ciento, la probabilidad de que los r intervalos sean correctos simultneamen-
te es al menos 1- ra. A la probabilidad ra se le llama con frecuencia ndice de error en el modo del experi-
mento o coeficiente de confianza global. El nmero de intervalos r no tiene que ser muy grande antes de
que el conjunto de intervalos de confianza se vuelva relativamente falto de informacin. Por ejemplo, si
hay r = 5 intervalos y a = 0.05 (una eleccin tpica), el nivel de confianza simultneo para el conjunto de
los cinco intervalos de confianza es de al menos 0.75, y si r = 10 Ya = 0.05, el nivel de confianza simult-
neo es de al menos 0.50.
Un enfoque para asegurarse de que el nivel de confianza simultneo no sea demasiado pequeo es
sustituir a/2 con a/(2r) en las ecuaciones 3-12 y 3-13 del intervalo de confianza uno a la vez. A ste se le lla-
ma el mtodo de Bonferroni, y le permite al experimentador construir un conjunto de r intervalos de con-
fianza simultneos para las medias de los tratamientos o las diferencias en las medias de los tratamientos
para los que el nivel de confianza global es de al menos 100(1- a) por ciento. Cuando r no es muy grande,
ste es un mtodo muy atinado que produce intervalos de confianza razonablemente cortos. Para ms in-
formacin, referirse al material suplementario del texto del captulo 3.
3 ..3.4 Datos no balanceados

En algunos experimentos con un solo factor, puede ser diferente el nmero de observaciones que se ha-
cen dentro de cada tratamiento. Se dice entonces que el diseo es no balanceado. Sigue siendo posible
aplicar el anlisis de varianza descrito arriba, pero deben hacerse ligeras modificaciones en las frmulas
76 CAPTULO 3 EXPERIMENTOSCON UN SOLO FACTOR: ELANLISISDE VARIANZA
de las sumas de cuadrados. Sea que se hagan n, observaciones bajo el tratamiento i (i = 1,2, ..., a) y que
N = l:~_1n. Las frmulas para calcular manualmente SST y SSTratamientos quedan como
(3-14)
y
2 2
SS ~ Y. _L:_. (3-15)
Tratamientos = ..L,. N
-1 n
No se requieren ms cambios en el anlisis de varianza.
Hay dos ventajas al elegir un diseo balanceado. Primera, el estadstico de prueba es relativamente
insensible a las desviaciones pequeas del supuesto de la igualdad de las varianzas de los a tratamientos
cuando los tamaos de las muestras son iguales. No es ste el caso cuando los tamaos de las muestras son
diferentes. Segunda, la potencia de la prueba se maximiza cuando las muestras tienen el mismo tamao. .
3..4 VERIFICACIN DE LA ADECUACIN DEL MODELO
La descomposicin de la variabilidad presente en las observaciones mediante la identidad del anlisis de

varianza (ecuacin 3-6) es una relacin puramente algebraica. Sin embargo, el uso de la particin para
probar formalmente que no hay diferencias en las medias de los tratamientos requiere que se satisfagan
ciertos supuestos. Especficamente, estos supuestos son que el modelo
Yj = ..t+f +e;
describe de manera adecuada las observaciones, y que los errores siguen una distribucin normal e inde-
pendiente con media cero y varianza dl constante pero desconocida. Si estos supuestos se satisfacen, el
procedimiento del anlisis de varianza es una prueba exacta de la hiptesis de que no hay diferencias en
las medias de los tratamientos.
Sin embargo, es comn que en la prctica estos supuestos no se satisfagan exactamente, Por consi-
guiente, en general no es prudente confiar en el anlisis de varianza hasta haber verificado estos supues-
tos. Las violaciones de los supuestos bsicos y la adecuacin del modelo pueden investigarse con facilidad
mediante el examen de los residuales. El residual de la observacinj-sima en el tratamiento -smo se
define como
(3-16)
donde j\ es una estimacin de la observacin Y correspondiente que se obtiene como sigue:
YIj = #+T
= Y..
- +(-Yi. _ Y..
-)
=;;1. (3-17)
La ecuacin 3-17 da el resultado intuitivamente claro de que la estimacin de cualquier observacin en el
tratamiento r-smo no es sino el promedio del tratamiento correspondiente.
El examen de los residuales deber ser una parte automtica de cualquier anlisis de varianza. Si el
modelo es adecuado, los residuales debern estar sin estructura; es decir, no debern contener patrones
obvios. A travs de un estudio de los residuales, pueden descubrirse muchos tipos de inadecuaciones del
modelo y violaciones de los supuestos subyacentes. En esta seccin se indica cmo puede hacerse con fa-
cilidad la verificacin de diagnstico del modelo mediante el anlisis grfico de los residuales y cmo re-
solver varias anormalidades que ocurren comnmente.
3-4 VERlFICACIN DE LA ADECUACIN DEL MODELO 77
3..4.1 El supuesto de nonnallidad

La verificacin del supuesto de normalidad podra hacerse graficando un histograma de los residuales. Si
se satisface el supuesto de NID(O, al) para los errores, esta grfica deber aparecer como una muestra de
una distribucin normal con centro en cero. Desafortunadamente, cuando se trabaja con muestras pe-
queas, suelen ocurrir fluctuaciones significativas, por lo que la aparicin de una desviacin moderada de
la normalidad no implica necesariamente una violacin seria de los supuestos. Las desviaciones marcadas
de la normalidad son potencialmente serias y requieren anlisis adicional.
Un procedimiento en extremo til es construir una grfica de probabilidad normal de los residuales.
Recuerde que en el captulo 2 se utiliz una grfica de probabilidad normal de los datos originales para
verificar el supuesto de normalidad cuando se us la prueba t. En el anlisis de varianza, por lo general es
ms eficaz (y directo) hacer lo mismo con los residuales. Si la distribucin fundamental de los errores es
normal, esta grfica tendr la apariencia de una lnea recta. Para visualizar la lnea recta, deber prestarse
ms atencin a los valores centrales de la grfica que a los valores extremos.
En la tabla 3-6 se muestran los datos originales y los residuales de los datos de la resistencia a la ten-
sin del ejemplo 3-1. La grfica de probabilidad normal se muestra en la figura 3-4. La impresin general
que surge al examinar esta representacin es que la distribucin de los errores puede tener un ligero ses-
go, con la cola derecha siendo ms larga que la izquierda. La tendencia de la grfica de probabilidad nor-
mal a curvarse hacia abajo ligeramente del lado izquierdo, implica que la cola izquierda de la distribucin
de los errores sea un tanto ms delgada de lo que se anticipara con una distribucin normal; es decir, los
residuales negativos no son tan grandes (en valor absoluto) como se esperaba. Sin embargo, esta grfica
no muestra una desviacin marcada de la distribucin normal.
En general, las desviaciones moderadas de la normalidad no son motivo de gran preocupacin en el
anlisis de varianza de efectos fijos (recuerde el anlisis de las pruebas de aleatorizacin de la seccin 3-3.2).
Una distribucin de los errores que tiene colas considerablemente ms gruesas o delgadas que la distribu-
cin normal es motivo de mayor preocupacin que una distribucin sesgada. Puesto que la prueba F slo se
afecta ligeramente, se dice que el anlisis de varianza (y los procedimientos relacionados como las compa-
raciones mltiples) es robusto con respecto al supuesto de normalidad. Las desviaciones de la normalidad
hacen por lo general que tanto el verdadero nivel de significacin como la verdadera potencia difieran lige-
ramente de los valores anunciados, con la potencia siendo generalmente ms baja. El modelo de los efectos
aleatorios que se revisar en el captulo 12 se afecta en forma ms severa por la no normalidad.
Tabla 3,6 Datos y residuales del ejemplo 3-1"

Peso
porcentual Observaciones (j)
del algodn 2 3 4 5
1-2.8 1-2.8 1 5.2 1 1.2 1-0.8
15 7 (15) 7 (19) 15 (25) 11 (12) 9 (6) 9.8
1-3.4 1 1.6 1-304 1 2.6 1 2.6
20 12 (8) 17 (14) 12 (1) 18 (11) 19 (3) 1504
1-3.6 1 0.4 1 0.4 1 1.4 I 1.4
2S 14 (18) 18 (13) 18 (20) 19 (7) 19 (9) 17.6
1-2.6 1 3.4 1 0.4 l-2.6 l lA
30 19 (22) 25 (5) 22 (2) 19 (24) 23 (lO) 21.6
1-3.8 1'-0.8 1 0.2 1 4.2 1 0.2
35 7 (17) 10 (21) 11 (4) 15 (16) 11 (23) 10.8
. .
"Los residuales se ndcan en el recuadro de cada celda. Los nmeros entre
.. .
parntesis indican el orden en que se recolectaron los datos .
1--
78 CAPTULO 3 EXPERIMENTOSCON UN SOLO FACTOR: ELANLISIS DE VARIANZA
-3.8 -1.55 0.7 2.95 5.2

Residual
Figura 34 Grfica de probabilidad normal de los residuales del ejemplo 3-1.
Una anomala muy comn que suele ponerse de manifiesto en las grficas de probabilidad normal es
un residual que es mucho ms grande que cualquier otro. A un residual as se le llama con frecuencia pun-
to atpico. La presencia de uno o ms puntos atpicos puede introducir serias distorsiones en el anlisis de
varianza, por lo que cuando se localiza un punto atpico potencial, se requiere una investigacin atenta.
En muchas ocasiones, la causa del punto atpico es un error en los clculos o un error al codificar o copiar
los datos. Si no es sta la causa, las circunstancias experimentales que rodean esta corrida particular de-
ben estudiarse con atencin. Si la respuesta atpica ocurre en un valor particularmente deseable (alta re-
sistencia, costo bajo, etc.), el punto atpico puede ser ms informativo que el resto de los datos. Deber
tenerse cuidado de no rechazar o descartar una observacin atpica a menos que se tengan razones no es-
tadsticas de peso para hacerlo. En el peor de los casos, puede terminarse con dos anlisis; uno con el pun-
to atpico y uno sin l.
Existen varios procedimientos estadsticos formales para detectar puntos atpicos (por ejemplo, ver
Bamett y Lewis [8], John y Prescott [60] y Stefansky [107]). Puede hacerse una verificacin aproximada de
los puntos atpicos examinando los residuales estandarizados
eij
d .. = -- (3-18)
I} .JMSE
H VERIFICACIN DE LA ADECUACIN DEL MODELO 79
Si los errores Eij son N(O, 02), los residuales estandarizados debern ser aproximadamente normales con
media cero y varianza unitaria. Por 10 tanto, cerca de 68% de los residuales estandarizados debern estar
incluidos dentro de los lmites 1, cerca de 95% de ellos debern estar incluidos dentro de 2 y virtual-
mente todos ellos debern estar incluidos dentro de 3. Un residual mayor que 3 o 4 desviaciones estn-
dar a partir de cero es un punto atpico potencial.
Para los datos de la resistencia a la tensin del ejemplo 3-1, la grfica de probabilidad normal no pro-
duce indicio alguno de puntos atpicos. Adems, el residual estandarizado mayor es
dt) = ~ = __2_ = 5.2 = 1.83

.jMSE .j8.06 2.84
el cual no deber ser motivo de preocupacin.
34.2 Grfica de los residuales en secuencia en el tiempo

La graficacin de los residuales en el orden temporal de la recoleccin de los datos es til para detectar
correlaciones entre los residuales. Una tendencia a tener corridas de residuales positivos y negativos indi-
ca una correlacin positiva. Esto implicara que el supuesto de independencia de los errores ha sido viola-
do. Se trata de un problema potencialmente serio y cuya solucin es difcil, por lo que de ser posible es
importante evitar el problema cuando se colecten los datos. La aleatorizacin adecuada del experimento
es un paso importante para conseguir la independencia.
En ocasiones las habilidades del experimentador (o los sujetos) pueden cambiar conforme el experi-
mento avanza, o el proceso bajo estudio puede "vagar sin rumbo" o volverse ms errtico. Esto producir
con frecuencia un cambio en la varianza del error con el tiempo. Esta condicin suele llevar a una grfica
de los residuales contra el tiempo que muestra una dispersin mayor en uno de sus extremos que en el
otro. Una varianza no constante es un problema potencialmente serio. En las secciones 3-4.3 y 3-4.4 se
abundar sobre el tema.
En la tabla 3-6 se muestran nosresiduales y la secuencia en el tiempo de la recoleccin de los datos
para el experimento de la resistencia a la tensin. En la figura 3-5 se presenta una grfica de estos residua-
Tiempo
-e
Figura 3-5 Grfica de los residuales contra el tiempo.
80 CAPITuLO 3 EXPERIMENTOSCON UN SOLO FACTOR: EL ANLISIS DE VARIANZA
les contra el tiempo. No hay razn para sospechar cualquier violacin de los supuestos de independencia
o de una varianza constante.
3..4.3 Grfica de los residuales contra los valores ajustados
Si el modelo es correcto y se satisfacen los supuestos, los residuales debern estar sin estructura; en par-
ticular, no debern estar relacionados con ninguna otra variable, incluyendo la respuesta predicha. Una
verificacin simple es graficar los residuales contra los valores ajustados Y. (Para el modelo de un experi-
mento con un solo factor, recuerde que Y = Ji_' el promedio del tratamiento i-simo.) Esta grfica no de-
ber mostrar ningn patrn obvio. En la figura 3-6 se grafican los residuales contra los valores ajustados
para los datos de la resistencia a la tensin del ejemplo 3-1. No es evidente ninguna estructura inusual.
Un defecto que sale a relucir en ocasiones en esta grfica es una varianza no constante. En ocasiones la
varianza de las observaciones se incrementa cuando la magnitud de la observacin se incrementa. ste sera
el caso si el error o ruido de fondo del experimento fuera un porcentaje constante de la magnitud de la ob-
servacin. (Esto ocurre comnmente con muchos instrumentos de medicin; el error es un porcentaje de la
escala de medicin.) Si ste fuera el caso, los residuales se haran mayores conforme y se hiciera ms gran-
de, y la grfica de los residuales contra y se vera como un embudo o un megfono con la boca hacia afuera.
Una varianza no constante tambin surge en los casos en que los datos siguen una distribucin no normal,
sesgada, porque en las distribuciones sesgadas la varianza tiende a ser una funcin de la media.
Si se viola el supuesto de la homogeneidad de las varianzas, la prueba F slo resulta afectada ligera-
mente en el modelo balanceado (el mismo tamao de la muestra en todos los tratamientos) con efectos fi-
jos. Sin embargo, en diseos no balanceados en casos en que una de las varianzas es considerablemente
ms grande que las dems, el problema es ms grave. Especficamente, si los niveles del factor que tienen
las varianzas mayores corresponden tambin con los tamaos de las muestras ms pequeos, el ndice de
error tipo 1real es mayor que lo previsto (o los intervalos de confianza tienen niveles de confianza reales
ms bajos que los que fueron especificados). Recprocamente, si los niveles del factor con las varianzas
mayores tienen tambin los tamaos de las muestras mayores, los niveles de significacin son mucho me-
nores que lo anticipado (los niveles de confianza son ms altos). sta es una buena razn para escoger ta-
maos de las muestras iguales siempre que sea posible. Para los modelos con efectos aleatorios, las
Figura 3-6 Grfica de los residuales contra los valores ajustados.

H VERIFICACIN DE LA ADECUACIN DEL MODEW 81
varianzas del error diferentes pueden introducir alteraciones significativas en las inferencias sobre los
componentes de la varianza, incluso cuando se usan diseos balanceados.
El enfoque usual para abordar el problema de una varianza no constante que ocurre por las razones
expuestas antes consiste en aplicar una transformacin para estabilizar la varianza para correr despus
el anlisis de varianza en los datos transformados. En este enfoque, deber tenerse presente que las con-
clusiones del anlisis de varianza se aplican a las poblaciones transformadas.
Se han dedicado considerables esfuerzos de investigacin a la seleccin de una transformacin ade-
cuada. Si los experimentadores conocen la distribucin terica de las observaciones, pueden hacer uso de
esta informacin para elegir la transformacin. Por ejemplo, si las observaciones siguen la distribucin de
Poisson, se usara la transformacin de la raz cuadrada Y~ =.y;; =
o Y~ ~1 + y IJ Si los datos siguen la
distribucin lognormal, la transformacin logartmica y; = lag y; es adecuada. Para datos binomiales ex-
presados como fracciones, la trnnsformacin arcsen yij = arcsenY;; es til. Cuando no hay una transfor-
macin obvia, el experimentador realizar por lo general la bsqueda empfrica de una transformacin
que iguale la varianza independientemente del valor de la media. Al final de esta seccin se ofrecen algu-
nos consejos al respecto. En los experimentos factoriales, los cuales se introducen en el captulo 5, otro
enfoque es seleccionar una transformacin que minimice el cuadrado medio de las interacciones, siendo
el resultado un experimento cuya interpretacin es ms sencilla. En el captulo 14 se revisan con mayor
detalle los mtodos para seleccionar analticamente la forma de la transformacin. Las transformaciones
que se hacen para la desigualdad de la varianza afectan tambin la forma de la distribucin del error. En
la mayora de los casos, la transformacin hace que la distribucin del error est ms cerca de la distribu-
cin normal. Para ms detalles sobre las transformaciones, referirse a Bartlett [7], Box y Cox [15], Dolby
[38] y Draper y Hunter {39].
Pruebas estadsticas para la igualdad de la varianza

Aun cuando es frecuente el uso de las grficas residuales para diagnosticar la desigualdad de la varianza,
se han propuesto tambin varias pruebas estadsticas. Estas pruebas pueden considerarse como pruebas
formales de las hiptesis
Ho:a; = a~ = ... = a;
H1: el enunciado anterior no es verdadero para al menos una a;
Un procedimiento muy utilizado es la prueba de Bartlett. El procedimiento incluye el clculo de un
estadstico cuya distribucin de muestreo est aproximada muy de cerca por la distribucin ji-cuadrada
con a - 1 grados de libertad cuando las a muestras aleatorias son de poblaciones normales independien-
tes. El estadstico de prueba es
x~ = 23026!l.e
donde
q= (N-a)loglo S; - ! (n -1)loglo
",1
S2
c=1+ 1
3(a-1)
(! "'1
(n-1f1-(N-a)-t)
a
L (n -1)S2
S2 = ..:,:1"':.!.I _
P N-a
y Si2 es la varianza muestral de la poblacin i-sima.
82 CAPTULO 3 EXPERIMENTOS CON UN SOLO FACTOR: EL ANLISIS DE VARlANZA
La cantidad q es grande cuando la diferencia entre las varianzas muestrales Si2 es considerablemente
grande, y es igual a cero cuando todas las Si2 son iguales. Por lo tanto, H deber rechazarse para los valo-
res de X~ que sean muy grandes; es decir, se rechaza H slo cuando
2> 2
X o X a.a-l
donde X!.a-l es el punto porcentual a superior de la distribucin ji-cuadrada con a -1 grados de libertad.
Tambin podra usarse el enfoque del valor P para tomar una decisin.
La prueba de Bartlett es muy sensible al supuesto de normalidad. Por consiguiente, cuando la validez
de este supuesto est en duda, no deber usarse la prueba de Bartlett.
EJEMPLO 3...
4 ..... ,.. *
Ya que el supuesto de normalidad no est en entredicho, la prueba de Bartlett puede aplicarse a los datos
de la resistencia a la tensin del experimento del peso porcentual de algodn del ejemplo 3-1. Se calculan
primero las varianzas muestrales de cada tratamiento y se encuentra que S12 = 11.2, = 9.8, = 4.3, S; S; S;
= 6.8 Y S; = 8.2. Entonces
S2 = 4(11.2)+4(9.8)+ 4( 4.3)+ 4( 6.8)+ 4(8.2)

8.06
p 20
q = 20 Iog., (8.06)- 4[1og1011.2+ logia 9.8+ log. 4.3+ log., 6.8+ 10glO8.2] = 0.45
c=1+3(4)
1 (5 1) -20 =1.10
2 = 23026 (0.45) = 0.93

Xo (1.10)
Puesto que X~.05. 4 = 9.49, no puede rechazarse la hiptesis nula y se concluye que las cinco varianzas son
iguales. Se trata de la misma conclusin a la que se lleg al analizar la grfica de los residuales contra los
valores ajustados.
Debido a que la prueba de Bartlett es sensible al supuesto de normalidad, puede haber situaciones en
las que sera til un procedimiento alternativo. Anderson y McLean [2] presentan una atinada revisin de
algunas pruebas estadsticas de la igualdad de la varianza. La prueba de Levene modificada (ver Levene
[72] y Conover, Johnson y Johnson [31]) es un procedimiento muy til que es robusto en cuanto a las des-
viaciones de la normalidad. Para probar la hiptesis de que las varianzas son iguales en todos los trata-
mientos, la prueba de Levene modificada utiliza la desviacin absoluta de las observaciones Yij de cada
tratamiento de la mediana de los tratamientos, por ejemplo Y;. Sea que estas desviaciones se denoten por
i = 1, 2, ... , a
di} =IYij -Y;I { J'= 1, 2, , n i
La prueba de Levene modificada evala entonces si la media de estas desviaciones es igualo no para to-
dos los tratamientos. Cuando las desviaciones medias son iguales, las varianzas de las observaciones de
3-4 VERIFICACIN DE LA ADECUACIN DEL MODELO 83
Tabla 3-7 Datos de la descarga pico
Mtodo de
estimacin Observaciones Yi. y; Si
1 0.34 0.12 1.23 0.70 1.75 0.12 0.71 0.520 0.66
2 0.91 2.94 2.14 2.36 2.86 4.55 2.63 2.610 1.09
3 6.31 8.37 9.75 6.09 9.82 7.24 7.93 7.805 1.66
4 17.15 11.82 10.95 17.20 14.35 16.82 14.72 15.59 2.77
Mtodo de
estimacin Desviacionesdij para la prueba de Levene modificada
1 0.18 0.40 0.71 0.18 1.23 0.40
2 1.70 0.33 0.47 0.25 0.25 1.94
3 1.495 0.565 1.945 1.715 2.015 0.565
4 1.56 3.77 4.64 1.61 1.24 1.23
todos los tratamientos sern iguales. El estadstico de prueba para la prueba de Levene es simplemente el
estadstico F ANOV A usual para probar la igualdad de las medias que se aplica a las desviaciones absolutas.
EJEMPLO 3.,,5 .
Un ingeniero civil est interesado en determinar si cuatro mtodos diferentes para estimar la frecuencia
de las inundaciones producen estimaciones equivalentes de la descarga pico cuando se aplican a la misma
cuenca. Cada procedimiento se usa seis veces en la cuenca, y los datos de las descargas resultantes (en
pies cbicos por segundo) se muestran en la parte superior de la tabla 3-7. El anlisis de varianza de los
datos, el cual se resume en la tabla 3-8, implica que hay una diferencia en las estimaciones de la descarga
pico promedio obtenidas en los cuatro procedimientos. La grfica de los residuales contra los valores
ajustados, la cual se muestra en la figura 3-7, es preocupante porque la forma de embudo con la boca ha-
cia afuera indica que no se satisface el supuesto de una varianza constante.
Se aplicar la prueba de Levene modificada a los datos de la descarga pico. La parte superior de la ta-
bla 3-7 contiene las medianas de los tratamientos y; y la parte inferior contiene las desviaciones di} alrede-
dor de las medianas. La prueba de Levene consiste en realizar un anlisis de varianza estndar en las dijo
= =
El estadstico de pruebaF que resulta en este caso esFo 4.55, para el cual el valor P esP 0.0137. Por lo
tanto, la prueba de Levene rechaza la hiptesis nula de que las varianzas son iguales, coincidiendo en
esencia con el diagnstico que se hizo a partir del examen visual de la figura 3-7. Los datos de la descarga
pico son un buen candidato para una transformacin de datos.
Seleccin emprica de una transformacin

Se seal ya que si los experimentadores conocieran la relacin entre la varianza de las observaciones y la
media, podran usar esta informacin como gua para la seleccin de la forma de la transformacin. Se
Tabla 3-8 Anlisis de varianza de los datos de la descarga pico

Fuente de Sumade Grados de Cuadrado
variacin cuadrados libertad medio YalorP
Mtodos 708.3471 3 236.1157 76.07 <0.001
Error 62.0811 20 3.1041
lbtal 770.4282 23
84 CAPTULO 3 EXPERIMENTOS CON UN SOLO FACTOR: ELANLISIS DE VARIANZA
::;:.
O
'"
-1
-2
-3
--4
O 5
F~gul"a3-7 Grfica de los residuales contra y. para el

ejemplo 3-5.
desarrolla ahora este punto y se presenta un mtodo para seleccionar empricamente la forma de la trans-
formacin requerida de los datos.
SeaE(Y) = ,tIa media de y, y suponga que la desviacin estndar de y es proporcional a una potencia
de la media de y tal que
Quiere encontrarse una transformacin de y que produzca una varianza constante. Suponga que la trans-
formacin es una potencia de los datos originales, por ejemplo
(3-20)
Puede demostrarse entonces que

a ec JJ A+a-l
(3-21)
y. r:
Evidentemente, si se hace). = 1 - a, la varianza de los datos transformados y* es constante.

En la tabla 3-9 se resumen varias de las transformaciones comunes analizadas anteriormente. Obser-
ve que). = O implica la transformacin logartmica. Estas transformaciones se enlistan en el orden de
fuerza creciente. Por fuerza de una transformacin se entiende la cantidad de curvatura que induce. Una
transformacin suave aplicada a datos que se extienden en un rango estrecho tiene escaso efecto sobre el
'Iabla 3-9 Transformacionespara estabilizarla varianza

Relacin entre
a y# a A=l-a 'Iransformacin Comentario
ay oc constante o 1 Sin transformacin
ay oc #1/2 1/2 1/2 Raz cuadrada Datos (nmeros) de Poisson
ay oc# 1 O Log
ay oc #3/2 3/2 -1/2 Raz cuadrada recproca
a OC#2 2 -1 Recproco
3-4 VERIFICACiN DE LA ADECUACIN DEL MODELO 85
0.5
"J-
O>
.2
O
-o.s
I09Y.
Figura 3-8 Grficade log Si contra logy,-para los datosde

la descarga pico del ejemplo 3-5.
anlisis, mientras que una transformacin fuerte aplicada en un rango amplio puede tener resultados dra-
mticos. Con frecuencia las transformaciones tienen escaso efecto a menos que el cociente YmrdYmln sea
mayor que 2 o 3.
En muchas situaciones de diseo experimental en las que se usan rplicas, a puede estimarse empri-
camente a partir de los datos. Puesto que la combinacin z-smo de los tratamientos o s, ocP ~ = fJp ~,
donde fJ es una constante de proporcionalidad, pueden tomarse logaritmos para obtener
lago Yi = logfJ+a log zzi (3-22)
Por lo tanto, una grfica de lag o Yi contra log,ui sera una lnea recta con pendiente a. Puesto que no se co-
nocen o Ji y,u, pueden sustituirse estimaciones razonables de ellos en la ecuacin 3-22 y usar la pendiente
del ajuste de la lnea recta resultante como estimacin de a. De manera tpica, se usara la desviacin es-
tndar Si y el promedio Yi, del tratamiento i-simo (o, en trminos ms generales, la combinacin i-sima
de los tratamientos o conjunto de condiciones experimentales) para estimar o JI y ,ui'
Para investigar la posibilidad de usar una transformacin para estabilizar la varianza en los datos de
la descarga pico del ejemplo 3-5, en la figura 3-8 se grafica lag Si contra 10gY,.La pendiente de la recta que
pasa por estos cuatro puntos est cerca de 1/2 y, por la tabla 3-9, esto implica que la transformacin de la
raz cuadrada puede ser apropiada. El anlisis de varianza de los datos transformados y* = Vy se presenta
en la tabla 3-10, y en la figura 3-9 se muestra una grfica de los residuales contra la respuesta predicha.
Esta grfica residual muestra una mejora sensible en comparacin con la figura 3-7, por lo que se conelu-
Tabla 310 Anlisis de varianza de los datos transformados de la descarga pico, y* = ..y
Fuente de Suma de Grados de Cuadrado
variacin cuadrados libertad medio ValorP
Mtodos 32.6842 3 10.8947 76.99 <0.001
Error 2.6884 19 0.1415
Total 35.3726 22
1.00
0.75
0.50
0.25 I
..:" O

-0.25
-0.50 :
-0.75

-1.00

O
Figura 3-9 Grfica de los residuales de los datos transfor-

mados contra y;
para los datos de la descarga pico del ejem-
plo 3-5.
ye que la transformacin de la raz cuadrada ha sido til. Observe que en la tabla 3-10 se han reducido los
grados de libertad del error en 1 para tomar en consideracin el uso de los datos para estimar el parme-
tro de la transformacin a.
En la prctica, muchos experimentadores seleccionan la forma de la transformacin probando varias
alternativas y observando el efecto de cada transformacin en la grfica de los residuales contra la res-
puesta predicha. Entonces se selecciona la transformacin que produjo la grfica residual ms satisfactoria.
3-4.4 Grficas de los residuales contra otras variables

Si se han recolectado datos de cualesquiera otras variables que posiblemente pudieran afectar la respues-
ta, los residuales debern graficarse contra estas variables. Por ejemplo, en el experimento de la resisten-
cia a la tensin del ejemplo 3-1, la resistencia puede ser afectada de manera significativa por el espesor de
la fibra, por lo que los residuales debern graficarse contra el espesor de la fibra. Si se usaron diferentes
mquinas de prueba para recolectar los datos, los residuales debern graficarse contra las mquinas. Los
patrones en tales grficas residuales implican que la variable afecta la respuesta. Esto sugiere que la varia-
ble debera controlarse con mayor atencin en experimentos futuros o que debera incluirse en el anlisis.
3-5 INTERPRETACIN PRCTICA DE LOS RESULTADOS
Despus de realizar el experimento, llevar a cabo el anlisis estadstico e investigar los supuestos funda-
mentales, el experimentador est listo para sacar conclusiones prcticas acerca del problema bajo estu-
dio. Muchas veces esto es relativamente fcil, y ciertamente en los experimentos sencillos que se han
considerado hasta este punto, esto podra hacerse de manera un tanto informal, tal vez mediante la ins-
peccin de las representaciones grficas, como los diagramas de caja y el diagrama de dispersin de las fi-
guras 3-1 y 3-2. Sin embargo, en algunos casos es necesario aplicar tcnicas ms formales. En esta seccin
se presentarn algunas de ellas.
3-5 INTERPRETACIN PRCTICA DE LOS RESULTADOS 87
3..5.1 Un modelode regresin

Los factores que intervienen en un experimento pueden ser cuantitativos o cualitativos. Un factor cuan-
titativo es aquel cuyos niveles pueden asociarse con puntos en una escala numrica, como la temperatura,
la presin o el tiempo. Los factores cualitativos, por otra parte, son aquellos cuyos niveles no pueden or-
denarse por magnitud. Los operadores, los lotes de materia prima y los cambios de tumo son factores
cualitativos tpicos, ya que no existe ninguna razn para ordenarlos bajo algn criterio numrico particular.
En lo que se refiere al diseo inicial y al anlisis del experimento, ambos tipos de factores se tratan de
manera idntica. El experimentador est interesado en determinar las diferencias, en caso de haberlas,
entre los niveles de los factores. Si el factor es cualitativo, como los operadores, no tiene sentido conside-
rar la respuesta de una corrida subsecuente en un nivel intermedio del factor. Sin embargo, con un factor
cuantitativo como el tiempo, el experimentador tiene inters por lo general en el rango completo de los
valores usados, particularmente la respuesta de una corrida subsecuente con un nivel intermedio del fac-
tor. Es decir, si se usan los niveles 1.0, 2.0 Y3.0 en el experimento, tal vez quiera predecir la respuesta de
2.5 horas. Por lo tanto, el experimentador tiene con frecuencia inters en desarrollar una ecuacin de in-
terpolacin para la variable de respuesta del experimento. Esta ecuacin es un modelo emprico del pro-
ceso que se ha estudiado.
Al enfoque general para ajustar modelos empricos se le llama anlisis de regresin, el cual se analiza
en detalle en el captulo 10. Vase tambin el material suplementario del texto para este captulo. En esta
seccin se ilustra brevemente la tcnica utilizando los datos de la resistencia a la tensin del ejemplo 3-1.
En la figura 3-10 se presenta el diagrama de dispersin de la resistencia a la tensin y contra el peso
porcentual del algodn x en la tela para el experimento del ejemplo 3-1. Los crculos huecos de la grfica
son las resistencias de tensin promedio para cada valor x del peso porcentual del algodn. A partir del
examen del diagrama de dispersin, es evidente que la relacin entre la resistencia a la tensin y el peso
....
'g
cD
.i
$
a:
-

Pesoporcentual del algodn
Figura 3-10 Diagrama de dispersin para los datos

de la resistencia a la tensin del ejemplo 3-1.
porcentual del algodn no es lineal. Como una primera aproximacin, podra intentarse ajustar un mode-
lo cuadrtico para los datos, por ejemplo
donde /30' /31 y /32 son parmetros desconocidos que debern estimarse y E es un trmino del error aleatorio.
El mtodo que se usa con mayor frecuencia para estimar los parmetros en un modelo como ste es el m-
todo de mnimos cuadrados. ste consiste en elegir estimaciones de las f3 tales que minimicen la suma de
cuadrados de los errores (las E). El ajuste de mnimos cuadrados en el ejemplo que se considera aqu es
y= -39.9886+4.596x- 0.0886x'
(Si el lector no est familiarizado con los mtodos de regresin, vea el captulo 10 y el material suplemen-
tario del texto para este captulo.)
En la figura 3-10 se muestra este modelo cuadrtico. No parece muy satisfactorio, ya que subestima
de manera drstica las respuestas para x = 30% de algodn y sobrestima las respuestas para x = 25%.
Quiz pueda lograrse un mejoramiento agregando un trmino cbico enx. El ajuste con el modelo cbico
resultante es
y= 62.6114- 9.0114x+0.4814x2 - 0.0076x3
Este ajuste cbico se ilustra tambin en la figura 3-10. El modelo cbico parece mejor que el cuadrtico
porque proporciona un ajuste mejor para x = 25 Y x = 30% de algodn.
En general, sera preferible hacer el ajuste con el polinomio de orden menor que describa adecuada-
mente el sistema o proceso. En este ejemplo, el polinomio cbico parece un mejor ajuste que el cuadrti-
co, por lo que la complejidad adicional del modelo cbico se justifica. Sin embargo, seleccionar el orden
del polinomio de aproximacin no siempre es fcil, y es relativamente sencillo excederse en el ajuste, es
decir, agregar polinomios de orden superior que no mejoran en realidad el ajuste pero que incrementan
la complejidad del modelo y con frecuencia demeritan su utilidad como predictor o ecuacin de interpo-
lacin.
En este ejemplo, el modelo emprico podra usarse para predecir la resistencia a la tensin media
para los valores del peso porcentual del algodn dentro de la regin de experimentacin. En otros casos,
el modelo emprico podra usarse para la optimizacin del proceso, es decir, para encontrar los niveles de
las variables del diseo que dan como resultado los mejores valores de la respuesta. Ms adelante se ana-
lizarn e ilustrarn en detalle estos problemas.
3~5.2 Comparacionesentre las medias de los tratamientos

Suponga que al hacer el anlisis de varianza en el modelo con efectos fijos se rechaza la hiptesis nula. Por
10 tanto, hay diferencias entre las medias de los tratamientos, pero no se especifica exactamente cules
medias difieren. En ocasiones pueden ser de utilidad en esta situacin las comparaciones y los anlisis
. adicionales entre grupos de las medias de los tratamientos. La media del tratamiento i-simo se define
como f.li = f.l + Ti' YPi se estima con Yi.. Las comparaciones entre las medias de los tratamientos se hacen ya
sea en trminos de los totales de los tratamientos {y;,} o bien de los promedios de los tratamientos {Y;_}. Es
comn llamar a los procedimientos para hacer estas comparaciones mtodos de comparaciones mlti-
ples. En varias de las secciones siguientes se analizan los mtodos para hacer comparaciones entre las me-
dias de los tratamientos individuales o de grupos de estas medias.
3..5.3 Comparaciones grficas de medias

Es muy sencillo desarrollar un procedimiento grfico para la comparacin de las medias despus de un
anlisis de varianza. Suponga que el factor de inters tiene a niveles y que Y1.,Y2.> ... ,Y a. son los promedios
de los tratamientos. Si se conoce a, el promedio de cualquier tratamiento tendra una desviacin estndar
a/V. Por consiguiente, si todas las medias de los niveles del factor son idnticas, las medias muestrales
observadas Yi. se comportaran como un conjunto de observaciones tomadas al azar de una distribucin
normal con medaj ..y desviacin estndar a/V. Visualice una distribucin normal con la capacidad de ser
deslizada sobre un eje abajo del cual estn graficadas YI.,Y2.> ... ,Ya .. Si todas las medias de los tratamientos
son iguales, deber haber una posicin de esta distribucin que haga evidente que los valores Yi. se sacaron
de la misma distribucin. Si no es ste el caso, los valores Yi. que no parecen haberse sacado de esta distri-
bucin se asocian con los niveles del factor que producen respuestas medias diferentes.
La nica falla en esta lgica es que o es desconocida. Sin embargo, puede sustituirse a con .j MS E del
anlisis de varianza y usar una distribucin t con un factor de escalacin .j MS .! en lugar de la distribu-
cin normal. En la figura 3-11 se muestra este arreglo para los datos de la resistencia a la tensin del ejem-
plo 3-1.
Para trazar la distribucin t de la figura 3-11, simplemente se multiplica el valor de la abscisa t por el
factor de escalacin
.jMSE / n = ...}8.06/ 5 =o 1.27
y se grafica contra la ordenada de t en ese punto. Dada la gran similitud entre la distribucin t y la normal,
excepto porque la primera es un poco ms plana cerca del centro y tiene colas ms largas, por lo general
este trazo se construye fcilmente a ojo. Si quiere obtenerse mayor precisin, en Box, Hunter y Hunter
[18] se incluye una tabla de los valores de las abscisas t y las ordenadas correspondientes. La distribucin
puede tener un origen arbitrario, aun cuando por lo general es mejor uno que est en la regin de los valo-
res YI. que van a compararse. En la figura 3-11, el origen es 15 lb/pulg",
Visualice ahora el desplazamiento de la distribucin t de la figura 3-11 sobre el eje horizontal y exami-
ne las cinco medias graficadas en la figura, Observe que no hay ninguna posicin de la distribucin tal que
los cinco promedios puedan considerarse como observaciones tpicas seleccionadas al azar de la distribu-
cin. Esto implica que las cinco medias no son iguales; por 10 tanto, la figura es una representacin grfica
de los resultados del anlisis de varianza. La figura indica que 30% de algodn produce resistencias a la
tensin mucho ms altas que 20 o 25 por ciento de algodn (las cuales son aproximadamente iguales), y
que 15 o 35 por ciento de algodn (las cuales son aproximadamente iguales) produciran resistencias a la
tensin an ms bajas.
25 30
5 10 15
20
25
Resistenciaa la tensin promedio
(lb,lpulg2)
Figura 3-11 Promedio de la resistencia a la tensin del experimento del peso

porcentual del algodn en relacin con una distribucin t con un factor de es-
calacin ../MS" / n ==J8.06 /5 ==127.
90 CAPTULO 3 EXPERIMENTOSCON UN SOLO FACTOR: ELANLISISDE VARlANZA
Este procedimiento simple es una tcnica aproximada pero eficaz en muchos problemas de compara-
ciones mltiples. Sin embargo, existen mtodos ms formales. A continuacin se presenta una breve revi-
sin de algunos de estos procedimientos.
3-5.4 Contrastes
Muchos mtodos de comparaciones mltiples utilizan el concepto de contraste. Considere el problema
de la prueba de la fibra sinttica del ejemplo 3-1. Puesto que se rechaz la hiptesis nula, se sabe que algu-
nos pesos porcentuales del algodn producen resistencias a la tensin diferentes que otros, pero, Zcules
son los que causan en realidad esta diferencia? Al principio del experimento podra sospecharse que los
niveles 4 y 5 del peso porcentual del algodn (30 y 35 por ciento) producen la misma resistencia a la ten-
sin, lo cual implicara que la hiptesis por probar sera .
HO:f-l4 =u ,
Hl:f-l4 : f-l5
o, de manera equivalente,
HO:f-l4-f-lS=0 (3-23)
H:f-l4 - f-l5 : O
Si desde el principio del experimento se hubiera sospechado que el promedio de los niveles ms bajos del
peso porcentual del algodn (1 y 2) no difera del promedio de los niveles ms altos del peso porcentual
del algodn (4 Y 5), entonces la hiptesis habra sido
HO:f-ll +f-l2 = u , +f-ls
H : f-l + f-l 2 : f-l4 + f-l 5
o
Ho:f-l +f-l2 - f-l4 - f-l5 = O (3-24)
H: f-ll + f-l 2 - u , - f-l5 = O
En general, un contraste es una combinacin lineal de parmetros de la forma
r= . =l
ef-l
donde las constantes de los contrastes el' e2, ... , ea suman cero; es decir, ;_e = O.Las dos hiptesis ante-
riores pueden expresarse en trminos de contrastes:
Ho:! ef-l=O
;=
(3-25)
H:! e.u, ~ O
;"1
=
Las constantes de los contrastes para las hiptesis de la ecuacin 3-23 son el == e2 = e3 O,e4 = + 1Yes =
-1, mientras que para las hiptesis de la ecuacin 324 son e = e2 = +1, e3 = O, y e4 = es = -1.
Las pruebas de hiptesis que incluyen contrastes pueden hacerse de dos maneras bsicas. En el pri-
mer mtodo se utiliza la prueba t. El contraste de inters se escribe en trminos de los totales de los trata-
mientos, obtenindose
c= .L,.
~ e.y
, ,..
La varianza de e es
V(C)= n(J2! e; j~l
(3-26)
cuando los tamaos de las muestras de cada tratamiento son iguales. Si la hiptesis nula de la ecuacin
3-25 es verdadera, el cociente
~
.L, c.y
, . l.
tiene la distribucin N(O, 1). Entonces se sustituira la varianza desconocida qz con su estimacin, el error
cuadrtico medio MSE, y se utilizara el estadstico
(3-27)
para probar las hiptesis de la ecuacin 3-25. La hiptesis nula se rechazara si Ito I de la ecuacin 3-27 ex-
cede tan. N ....
En el segundo enfoque se utiliza la prueba F. Entonces, el cuadrado de una variable aleatoria t con v
grados de libertad es una variable aleatoria F con un grado de libertad en el numerador y v grados de li-
bertad en el denominador. Por lo tanto, puede obtenerse
=t2 __
! eiYi.)2
( :..;_I~--=l~_.;._
F.o o - a (3-28)
nMSE j~l
e;
como un estadstico F para probar la ecuacin 3-25. La hiptesis nula se rechazara si F > Fa.l,N-t).. Este es-
tadstico de prueba de la ecuacin 3-28 puede escribirse como
MSc SSc /1
F. :--=--
o MSE MSE
donde la suma de cuadrados de los contrastes con un solo grado de libertad es
SS
e
(t eiYI.)2
= .:..1:...~=-1_.......:._
a (3-29)
nI e;
1-1
Intervalo de confianza para un contraste

En lugar de probar hiptesis acerca de un contraste, puede ser ms til construir un intervalo de confian-
za. Entonces el contraste suele expresarse en trminos de los promedios de los tratamientos Ji' Suponga
que el contraste de inters es
Al sustituir las medias de los tratamientos con los promedios de los tratamientos se obtiene
C=! i~l
CYi.
cuando los tamaos de las muestras son iguales. Si se usaMS E para estimar er, el intervalo de confianza de
100(1 - a) por ciento para el contraste 'L7~ICif..les
(3-30)
Evidentemente, si este intervalo de confianza incluye al cero, no podra rechazarse la hiptesis nula en la
ecuacin 3-25.
Contraste estandarizado
Cuando hay inters en ms de un contraste, con frecuencia es til evaluarlos en la misma escala. Una 'for-
ma de hacer esto es estandarizando el contraste para que su varianza sea o'. Si el contraste 'L7_1CJ.I. se
Jnl::=lc;
expresa en trminos de los totales de los tratamientos como l:~=lCY., al dividirlo por se obtendr
un contraste estandarizado con varianza er. Entonces el contraste estandarizado es en realidad
donde
Tamaos de las muestras desiguales

Cuando los tamaos de las muestras de cada tratamiento son diferentes, se introducen modificaciones
menores en los resultados anteriores. Primero, observe que la definicin de un contraste requiere ahora
que
!
i;;l
nic =0
Otros cambios requeridos son directos. Por ejemplo, el estadstico t de la ecuacin 3-27 queda como
{-, c.y
..L".
t
.
l.
t o = ..,..,:::=,:::'-=1 ===
MSE !i~1
nc;
y la suma de cuadrados de los contrastes de la ecuacin 3-29 queda como
3..5.5 Contrastes ortogonales

Un caso especial til del procedimiento de la seccin 3-5.4 es el de los contrastes ortogonales. Dos con-
trastes con coeficientes {Ci} Y {d} son ortogonales si
o, para un diseo no balanceado, si
!i~1
n.c.d, = O
Para a tratamientos, el conjunto de a - 1contrastes ortogonales hace la particin de la suma de cuadrados

debida a los tratamientos en a -1 componentes independientes con un solo grado de libertad. Por lo tan-
to, las pruebas que se realizan en los contrastes ortogonales son independientes.
Existen varias maneras de elegir los coeficientes de los contrastes ortogonales para un conjunto de
tratamientos. En general, algn elemento en la naturaleza del experimento deber sugerir las compara-
ciones que son de inters. Por ejemplo, si haya = 3 tratamientos, donde el tratamiento 1 es de control y
donde los niveles del factor en los tratamientos 2 y 3 son de inters para el experimentador, los contrastes
ortogonales apropiados podran ser los siguientes:
Coeficientes de los
Tratamiento contrastes ortogonales
1 (control) -2 o
2 (nivel1) 1 -1
3 (nivel 2) 1 1
Observe que el contraste 1 con e = -2, 1, 1 compara el efecto promedio del factor con el control, mientras
que el contraste 2 con d, = O, -1, 1 compara los dos niveles del factor de inters.
En general, el mtodo de contrastes (o de contrastes ortogonales) es til para lo que se llama compa-
raciones preplaneadas. Es decir, los contrastes se especifican antes de llevar a cabo el experimento y de
examinar los datos. La razn de esto es que, si las comparaciones se seleccionan despus de examinar los
94 CAP11JLO3 EXPERIMENTOSCON UN SOLO FAcrOR: ELANLISISDE VARIANZA
datos, la mayora de los experimentadores construiran pruebas que corresponderan con las diferencias
grandes observadas en las medias. Estas diferencias grandes podran ser el resultado de la presencia de
efectos reales o podran ser el resultado del error aleatorio. Si los experimentadores se inclinan consisten-
temente a escoger las diferencias ms grandes para hacer las comparaciones, inflarn el error tipo 1de la
prueba porque es probable que, en un porcentaje inusualmente elevado de las comparaciones selecciona-
das, las diferencias observadas sern el resultado del error. Al examen de los datos para seleccionar las
comparaciones de inters potencial se le llama con frecuencia curioseo o sondeo de datos. El mtodo de
Scheff para todas las comparaciones, el cual se comenta en la seccin siguiente, permite el curioseo o
sondeo de datos.
EJEMPLO 3 ~6 .............. . .................... ...................... ..,...................... ....................

Considere los datos del ejemplo 3-1.Hay cinco medias de los tratamientos y cuatro grados de libertad en-
tre estos tratamientos. Suponga que antes de correr el experimento se especific la siguiente serie de
comparaciones entre las medias de los tratamientos (y sus contrastes asociados):
Hiptesis Contraste
HO:J.l4 ==Ps C = -Y4. + Ys.
Ho:f.l + P3 = P4 + f.ls Cl = YL +h -Y4. -Ys.
Ho:f.l =f.l3 e, = YL -Y3.
Ho:4f.lz = f.l + f.l3 + f.l4 + f.ls C4 =-Yt.+4Y2. -Y3. -Y4. -Ys.
Observe que los coeficientes de los contrastes son ortogonales. Utilizando los datos de la tabla 3-4,se en-
cuentra que los valores numricos de los contrastes y de las sumas de cuadrados son los siguientes:
(-54)2
c=1 -1(108)+1(54)= -54 SSe, = 5(2) 291.60
(-25)2
C, =+1(49) + 1(88)-1(108)-1(54)= -25 SSe, = 5(4) 31.25
C; =+1(49) -1(88) =-39 SS = (-39)2 152.10

e, 5(2)
c 4 = -1( 49)+4(77)-1(88)-1(108)-1(54) =9 SS
e.
= (9)2 = 0.81
5(20)
Tabla 3-11 Anlisisde varianza de los datos de la resistencia a la tensin

variacin cuadrados libertad medio Fu Valor P
Peso porcentual del algodn 475.76 4 118.94 14.76 <0.001
contrastes ortogonales
C:f.l4 = Ps (291.60) 1 291.60 36.18 <0.001
C2:f.l1+ f.l3 == f.l. + Ps (31.25) 1 31.25 3.88 0.06
C3:f.l1 =, (152.10) 1 152.10 18.87 <0.001
C.:4#2 = f.ll + f.l3 + f.l4 + J.ls (0.81) 1 0.81 0.10 0.76
Error 161.20 20 8.06
Total 636.96 24
3-5 INTERPRETACIN PRCTICA DE WS RESULTAOOS 95
Estas sumas de cuadrados de los contrastes hacen la particin completa de la suma de cuadrados de los
tratamientos. Las pruebas de estos contrastes ortogonales se incorporan por lo general en el anlisis de
varianza, como se muestra en la tabla 3-11. Por los valores P se concluye que hay diferencias significativas
entre los niveles 4 y 5 Y1 Y3 del peso porcentual del algodn, pero que el promedio de los niveles 1y 3 no
difiere del promedio de los niveles 4 y 5 con el nivel a = 0.05, Yque el nivel 2 no difiere del promedio de los
otros cuatro niveles .
........................... . .............................................
3..5.6 Mtodo de Scheff para comparar todos los contrastes
En muchas situaciones, los experimentadores pueden no conocer de antemano cules son los contrastes
que quieren comparar, o pueden tener inters en ms de a -1posibles comparaciones. En muchos experi-
mentos de exploracin, las comparaciones de inters slo se descubren despus del examen preliminar de
los datos. Scheff [98a] ha propuesto un mtodo para comparar todos y cada uno de los contrastes posi-
bles entre las medias de los tratamientos. En el mtodo de Scheff, el error tipo 1es a lo sumo a para cual-
quiera de las comparaciones posibles.
Suponga que se ha determinado un conjunto de m contrastes
ru = cu# +C2u#2 + ... +c",,#. u= 1, 2, ... , m (3-31)
en las medias de los tratamientos de inters. El contraste correspondiente de los promedios de los trata-
mientas Yi. es
Cu = C1uYl +C2uY2. + ... +C""y,.. u= 1, 2, ... , m (3-32)
y el error estndar de este contraste es
Se. = MSE! (e! Ini) (3-33)
donde ni es el nmero de observaciones en el tratamiento z-smo. Puede demostrarse que el valor crtico
contra el que deber compararse Cu es
Sa.u = Se .J(a-1)Fa,._1.N_. (3-34)
Para probar la hiptesis de que el contraste T, difiere de manera significativa de cero, se compara C; con
el valor crtico. Si I Cu I > S u, se rechaza la hiptesis de que el contraste T, es igual a cero.
El procedimiento de Scheff puede usarse tambin para formar intervalos de confianza para todos
los contrastes posibles entre las medias de los tratamientos. Los intervalos resultantes, por ejemplo Cu -
S... S T, :S Cu + Sa,u, son intervalos de confianza simultneos por cuanto la probabilidad de que todos
ellos sean verdaderos simultneamente es al menos 1 - a.
Para ilustrar el procedimiento, considere los datos del ejemplo 3-1 y suponga que los contrastes de in-
ters son
y
r2 = #1 - #4
Los valores numricos de estos contrastes son
C1 = Y- 1 +-Y3. - Y4.
- - Y5.
~
= 9.80+ 17.60- 21.60-10.80
=5.00
96 CAPTULO 3 EXPERIMENTOS CON UN SOLO FAcrOR: EL ANLISIS DE VARIANZA
y
Cz = YL - Y4.
= 9.80- 21.60
= -11.80
y los errores estndar se encuentran con la ecuacin 3-33 como
5
Se, o: MSEL (C~ / n') = .J8.06(1+1 +1+ 1)/5 = 2.54

iJEill
y
5
Se, = MSEL (c;z /n)=.J8.06(1+1)/5=1.80

~1
Por la ecuacin 3-34, los valores crticos de 1% son
SO.01,1 = Se .J(a-1)Fo. 01,a-1,N-a = 2.54.J4( 4.43) = 10.69
y
SO.01,Z = Se 2 .J(a-1)Fo.01,a-l.N-a = 1.80.J4(4.43) = 7.58
Puesto que I Cll < SO.Ol,l, se concluye que el contraste I', = #1 + #3 - #4 - #5 es igual a cero;
es decir, no
existe evidencia slida para concluir que las medias de los tratamientos 1 y 3 como grupo difieren de las
medias de los tratamientos 4 y 5 como grupo. Sin embargo, como ICzl > SO.01,2,se concluye que el contras-
r
te 2 :::::#1 -#4 no es igual a cero; es decir, las resistencias medias de los tratamientos 1 4 difieren signifi-y
cativamente.
En muchas situaciones prcticas, querrn compararse slo pares de medias. Frecuentemente, es po-
sible determinar cules son las medias que difieren probando las diferencias entre todos los pares de me-
dias de los tratamientos. Por lo tanto, el inters se encuentra en los contrastes de la forma r = #i - #j para
toda i :;z!: j. Aun cuando el mtodo de Scheff podra aplicarse fcilmente a este problema, no es el procedi-
miento ms sensible para tales comparaciones. Se pasa ahora a 1\1consideracin de los mtodos diseados
especficamente para las comparaciones por pares entre todas las a medias poblacionales.
3~5.7 Comparacinde pares de mediasde tratamientos

Suponga que el inters se encuentra en comparar todos los pares de a medias de tratamientos y que las hi-
ptesis nulas que quieren probarse son Ho:# = #j para toda i ;l: j. A continuacin se presentan cuatro m-
todos para hacer estas comparaciones.
Prueba de Tukey
Suponga que, despus de un anlisis de varianza en el que se ha rechazado la hiptesis nula de la igualdad
de las medias de los tratamientos, quieren probarse todas las comparaciones de las medias por pares:
Ho:/I,=#
tr: J
para toda i :;z!: j. Thkey [111d] propuso un procedimiento para probar hiptesis para las que el nivel de sig-
nificacin global es exactamente a cuando los tamaos de las muestras son iguales y es a lo sumo a cuando
los tamaos de las muestras no son iguales. Este procedimiento puede usarse tambin para contraer los
intervalos de confianza para las diferencias en todos los pares de medias. Para estos intervalos, el nivel de
confianza simultneo es de 100(1-a) por ciento cuando los tamaos de las muestras son iguales y de al
menos 100(1- a) por ciento cuando los tamaos de las muestras no so?-iguales. Se trata de un procedi-
miento excelente para curiosear sobre los datos cuando el inters se centra en pares de medias.
El procedimiento de Thkey hace uso de la distribucin del estadstico del rango studentizado
donde YmxYYmln son las medias muestrales mayor y menor, respectivamente, sacadas de un grupo de p me-
dias muestrales. La tabla VIII del apndice contiene los valores de qa(P,/), los puntos porcentuales a su-
periores de q, donde f es el nmero de grados de libertad asociados con MSE" Para tamaos de las
muestras iguales, la prueba de Thkey declara que dos medias son significativamente diferentes si el valor
absoluto de sus diferencias muestrales excede
(3-35)
De manera equivalente, podra construirse una serie de intervalos de confianza de 100(1- a) por ciento
para todos los pares de medias de la siguiente manera:
(3-36)
Cuando los tamaos de las muestras no son iguales, las ecuaciones 3-35 y 3-36 quedan como
(3-37)
- -
Yi. - Yi, -
qcz(a,f)Fs
'" E
(1
-+-1) '5, ti - t j
-
'5, Yi. -
-
Yj. +
q,,(a,f)
'" M
SE (1'
-+-1) ,l..:e J (3-38)
",,2 ni ni ",,2 ni nj
respectivamente. A la versin para tamaos de las muestras diferentes se le llama en ocasiones el procedi-
miento Tukey-Kramer.
EJEMPLO 3-7 .... .........................................................

Para ilustrar la prueba de Tukey, se usan los datos del experimento del peso porcentual del algodn del
ejemplo 3-1. Con a = 0.05Yf = 20 grados de libertad para el error, en la tabla VIII del apndice se obtie-
ne qo.os(5, 20) = 4.23. Por lo tanto, por la ecuacin 3-35,
[MS; [8.06
T.05 = qO.05 (5, 20)V----;;- = 4.23VS-5- = 5.37
Y,. .)iz Y4
9.8 15.4 21.6
Figura 3-12 Resultados de la prueba de Thkey.
Por lo tanto, cualquier par de promedios de los tratamientos que difieran en valor absoluto por ms de
5.37implicara que el par correspondiente de medias poblacionales son significativamente diferentes.
Los cinco promedios de los tratamientos son
Y2. = 15.4 }\ = 17.6 Ys. = 10.8

y las diferencias en los promedios son
Y1 - Y2. = 9.8-15.4= - 5.6*
YL -Y3. = 9.8-17.6= -7.8*
Y1-Y4. = 9.8-21.6= -11.8*
)11 - Ys. = 9.8-10.8= -1.0
Y2. - Y3. = 15.4-17.6= - 2.2
Y2. - .v4. = 15.4- 21.6= - 6.2*
.v2. - Ys. = 15.4-10.8= 4.6
.h -Y4. =17.6-21.6= -4.0
5'3. - Ys. = 17.6-10.8= 6.8*
.v4. - Y5. = 21.6-10.8= 10.8*
Los valores marcados con asterisco indican pares de medias que son significativamente diferentes. Suele
ser til trazar una grfica, como la de la figura 3-12,donde se subraya a los pares de medias que no difie-
ren significativamente. Esta grfica da una indicacin de que las medias de los tratamientos forman tres
grupos: f.ll y f.l5' f.l2 Y ..t3, y ..t4' Sin embargo, la pertenencia a estos grupos no es del todo clara. -
Cuando se utiliza cualquiera de los procedimientos para probar las medias por pares, ocasionalmen-
te se encuentra que la prueba F global del anlisis de varianza es significativa, pero la comparacin de las
medias por pares falla para revelar cualquier diferencia significativa. Esta situacin ocurre porque la
prueba F considera simultneamente todos los contrastes posibles en los que intervienen las medias de
los tratamientos, no slo las comparaciones por pares. Es decir, en los datos a la mano, quiz no todos los
contrastes significativos sean de la forma f.li - f.lj'
Algunos paquetes de software de computadora presentan comparaciones por pares con intervalos de
confianza. Para el procedimiento de Thkey, estos intervalos se calcularan con la ecuacin 3-36o la 3-38,
dependiendo de si los tamaos de las muestras son iguales o no.
La deduccin del intervalo de confianza de Thkey de la ecuacin 3-36para tamaos de las muestras
iguales es directa. Para el estadstico del rango studentizado q se tiene
p(mx(Yi. - f.l)- mn(Yi. - ..ti) -s q (a f)= 1-a

.JMSE In a ,
Si mx(Vi. -/-li)-ncYi. -/-li) es menor o igual queqa(a,f).JMSE / n, debe ser verdadero que I (V.-/-l) - (Vi,-
/-l) I S qa(a, f) MS ! para cada par de medias. Por lo tanto,
P (-q,,(a,
{MS;s Yi. -
f)V----;;--n- Y. -(/-l - /-lj )sqa(a,
(MS;) = 1-a
f)V----;;--n-
Al reordenar esta expresin para aislar u,- /-lj entre las desigualdades se llegar al conjunto de intervalos
de confianza simultneos de 100(1- a) por ciento dado en la ecuacin 3-38.
El mtodo de la diferencia significativa mnima (LSD) de Fisher
En este procedimiento se utiliza el estadstico F para probar Ho:/-lj = Il
Yi. -Yi.
(3-39)
Suponiendo una hiptesis alternativa de dos colas, los pares de medias /-liy /-lse declararan significativa-
mente diferentes si IJi. - J.I > tan. N-<J~ MS E (l/ni +1/ n j ). A la cantidad
LSD = t n.s- MS E (~i+:j ) (3-40)
se le llama diferencia significativa mnima. Si el diseo es balanceado, n1 = n2 = ... = na = n, y

(2MS;
LSD = ta/2N-.V----;;- (3-41)
Para usar el procedimiento LSD de Fisher, simplemente se compara la diferencia observada entre
cada par de promedios con la LSD correspondiente. Si IJi.-J.I > LSD, se concluye que las medias pobla-
cionales Ili y /-l difieren.
E)'EMPLO 3..8 ... '!
Para ilustrar el procedimiento, si se usan los datos del experimento del ejemplo 3-1,la LSD con a = 0.05es
LSD = t ~2MSE = 2.086~2(8.06)= 3.75
.025,20 n 5
Por lo tanto, cualquier par de promedios de los tratamientos que difiera del valor absoluto por ms de
3.75implicara que el par correspondiente de medias poblacionales es significativamente diferente. Las
diferencias en los promedios son
Y1-Y2.= 9.8-15.4= -5,6*
Y1-Y3.= 9.8-17.6= -7.8*
Y1 - Y4. = 9.8- 21.6= -11.8*
Y1 - Ys. = 9.8-10.8= -1.0
Y2. - Y3. "" 15.4-17.6= - 22
Y2. - Y4. = 15.4- 21.6= - 6.2*
Y2. - Ys. = 15.4-10.8= 4.6*
Y3. - Y4. = 17.6-21.6= -4.0*
Y3. - Y5. = 17.6-10.8= 6.8*
Y4, - Ys, = 21.6-10.8= 10.8*
Y,. Ya.
9.8 17.6
Figura 3-13 Resultadosdel procedimientoLSD.
Los valores marcados con asterisco indican pares de medias que son significativamente diferentes.
En la figura 3-13 se resumen los resultados. Evidentemente, los nicos pares de medias que no difieren
significativamente son 1 y 5 y 2 y 3, y el tratamiento 4 produce una resistencia a la tensin significativa-
mente mayor que los otros tratamientos .
.. . ................... ................ ;., .
Observe que el riesgo global a puede inflarse de manera considerable al utilizar este mtodo. Espec-
ficamente, cuando a se hace ms grande, el error tipo 1del experimento (el cociente del nmero de expe-
rimentos en los que se comete al menos un error tipo 1y el nmero total de experimentos) se hace grande.
Prueba del rango mltiple de Duncan

Un procedimiento muy utilizado para comparar todos los pares de medias es la prueba del rango mltiple
desarrollada por Duncan [41]. Para aplicar la prueba del rango mltiple de Duncan cuando los tamaos
de las muestras son iguales, los a promedios de los tratamientos se arreglan en orden ascendente, y el
error estndar de cada promedio se determina como
sYi, -- (3-42)
Para tamaos de las muestras desiguales, se sustituye n en la ecuacin 3-42 con la media armnica nh del
{ni}, donde
a
n, =-a----
(l/ni)
;;1
= = .., =
Observe que si n1 n2 na' nh = n. En la tabla de Ouncan de los rangos significativos (tabla VII
del apndice) se obtienen los valoresra(p,j) parap = 2,3, ...,a, donde a es el nivel de significacinyfes el
nmero de grados de libertad del error. Estos rangos se convierten en un conjunto de a -1rangos mni-
mos de significacin (por ejemplo, Rp) para p = 2, 3, ..., a calculando
parap = 2, 3, ... , a (3-44)
Entonces, se prueban las diferencias observadas entre las medias, empezando con la ms grande contra la
menor, la cual se comparara con el rango mnimo de significacin Re- Despus se calcula la diferencia de
la mayor y la segunda menor y se compara con el rango mnimo de significacin R, -1' Estas comparacio-
nes se continan hasta que todas las medias se han comparado con la media mayor. Por ltimo, se calcula
la diferencia entre la segunda media mayor y la menor y se compara con el rango mnimo de significacin
Ra_1' Este proceso se contina hasta que se han considerado las diferencias entre todos los a(a -1)/2 pa-
res de medias posibles. Si una diferencia observada es mayor que el rango de significacin mnima corres-
pondiente, se concluye que el par de medias en cuestin es significativamente diferente. Para evitar
3-5 INTERPRETACIN PRCTICA DE LOS RESULTADOS 10 1
contradicciones, ninguna de las diferencias entre un par de medias se considera significativa si las dos me-
dias en cuestin se localizan entre otras dos medias que no difieren significativamente.
EJEMPLO 3...9 .. a -
La prueba del rango mltiple de Duncan puede aplicarse al experimento del ejemplo 3-1. Recuerde que
= =
MSE = 8.06, N 25, n 5, Yhay 20 grados de libertad del error. Al arreglar los promedios de los trata-
mientos en orden ascendente, se tiene
Y1 = 9.8
Y5. = 10.8
Y2. = 15.4
)/3. = 17.6
Y4. :: 21.6
El error estndar de cada promedio es S Ji = "8.06/5 = 1.27. En el conjunto de rangos significativos de la .
tabla VII del apndice para 20 grados de libertad ya"" 0.05, se obtiene '0.05(2,20) = 2.95, '0.05(3,20) =
3.10, '0.05(4,20) = 3.18 y '0.05(5,20) = 3.25. Por lo tanto, los rangos de significacin mnima son
Rz = '0.05(2, 20)S Ji = (2.95)(1.27) = 175
RJ = '0.05(3, 20)S Ji = (110)(1.27) = 3.94
R4 = '0.05(4, 20)S ji = (3.18)(1.27) = 4.04
Rs ='005(5, 2O)SYi.=(3.25)(1.27)=4.13
Los resultados de las comparaciones seran

4 vs, 1: 21.6 - 9.8 = 11.8 > 4.13 (R5)
4 vs. 5: 21.6 - 10.8 = 10.8 > 4.04 (R4)
4 vs. 2: 21.6 - 15.4 = 6.2 > 3.94 (R3)
4 vs. 3: 21.6 - 17.6 = 4.0 > 3.75 (Rz)
3 vs. 1: 17.6 - 9.8 = 7.8 > 4.04 (R4)
3 vs. 5: 17.6 - 10.8 = 6.8 > 3.95 (R3)
3 vs. 2: 17.6 - 15.4 = 2.2 < 3.75 (Rz)
2 VS. 1: 15.4 - 9.8 = 5.6 > 3.94 (R3)
2 VS. 5: 15.4 - 10.8 = 4.6 > 3.75 (Rz)
5 VS. 1: 10.8 - 9.8 = 1.0 < 3.75 (R2)
Por el anlisis se observa que hay diferencias significativas entre todos los pares de medias con excepcin
de la 3 y la 2 y la5y la 1. En la figura 3-14 se muestra una grfica en la que esas medias que no son significa-
tivamente diferentes aparecen subrayadas. Observe que en este ejemplo la prueba del rango mltiple de
Duncan y el mtodo LSD llevan a conclusiones idnticas.
Y,. )'s. Yz. y .

9.8 10.8 16.4 21.6
Figura 3-14 Resultados de la prueba de rango mltiple de Duncan.

102 CAPruLO 3 EXPERIMENTOS CON UN SOLO FACTOR: EL ANLISIS DE VARIANZA
En la prueba del rango mltiple de Duncan se requiere una diferencia observada ms grande para de-
tectar pares significativamente diferentes de medias, cuando el nmero de medias incluidas en el grupo
aumenta. De esta forma, en el ejemplo anterior R2 = 3.75 (dos medias) mientras que R, = 3.94 (tres me-
dias). Para dos medias, el valor crtico R2 ser exactamente igual al valor LSD de la prueba t. Los valores
r,,(p,f) de la tabla VII del apndice se eligen de tal modo que se obtenga un nivel de proteccin especifi-
cado. Es decir, cuando se comparan dos medias que estn p pasos aparte, el nivel de proteccin es
r
,(1- a -1, donde a es el nivel de significacin especificado para dos medias adyacentes. Por lo tanto, el n-
dice de error de reportar al menos una diferencia significativa incorrecta entre dos medias es 1- (1- ay-1,
cuando el tamao del grupo esp. Por ejemplo, si a = 0.05, entonces 1- (1- 0.05)1 = 0.05 es el nivel de sig-
nificacin para comparar el par de medias adyacentes, 1 - (1 - 0.05)2 = 0.10 es el nivel de significacin
para medias que estn un paso aparte, y as sucesivamente.
En general, si el nivel de proteccin es a, las pruebas de las medias tienen un nivel de significacin
que es mayor o igual que a. Por consiguiente, el procedimiento de Duncan tiene una gran potencia; es de-
cir, es muy eficaz para detectar diferencias entre medias cuando existen diferencias reales. Por esta razn,
la prueba del rango mltiple de Duncan es muy popular.
La prueba de Newman-Keuls
Esta prueba fue creada por Newman [90]. Debido a que un inters renovado en la prueba de Newman fue
generado por Keuls [64], al procedimiento se le llama la prueba de Newman-Keuls, Operacionalmente, el
procedimiento es similar a la prueba del rango mltiple de Duncan, salvo porque las diferencias crticas
entre las medias se calculan en una forma un tanto diferente. Especficamente, se calcula una serie de va-
lores crticos
p=2, 3, ... , a
donde qa(P,f) es el punto porcentual a superior del rango studentizado para grupos de medias de tamao
p y con/grados de libertad del error. Una vez que se calculan los valoresx, con la ecuacin 3-45, los pares
de medias extremos en los grupos de tamao p se comparan conKp exactamente igual que en la prueba del
rango mltiple de Duncan.
Qu mtodo de comparacin por pares debe usarse?
Ciertamente, una pregunta lgica en este punto es qu mtodo de comparacin por pares debe usarse.
Desafortunadamente, no hay una respuesta precisa para esta pregunta, y los especialistas en estadstica
estn con frecuencia en desacuerdo en cuanto a la utilidad de los diferentes procedimientos. Carmer y
Swanson [24] han realizado estudios de simulacin Montecarlo con varios procedimientos de compara-
ciones mltiples, incluyendo algunos que no se han considerado aqu. Estos autores reportan que el m-
todo de la diferencia significativa mnima es una prueba muy eficaz para detectar diferencias reales en las
medias si se aplica slo despus de que la prueba F en el anlisis de varianza sea significativa en 5%. Re-
portan asimismo un buen desempeo en la deteccin de diferencias reales con la prueba del rango mlti-
ple de Duncan. Esto no es motivo de sorpresa, ya que estos dos mtodos son los ms poderosos de los que
se han comentado aqu. Sin embargo, estos mtodos no incluyen el ndice de error en el modo del experi-
mento. Debido a que el mtodo de Thkey efecta un control sobre el ndice de error global, muchos expe-
rimentadores prefieren su uso.
La prueba de Newman-Keuls es ms conservadora que la prueba del rango mltiple de Duncan por
cuanto a que el ndice de error tipo 1es menor. Especficamente, el error tipo 1del experimento es a para
todas las pruebas que incluyen el mismo nmero de medias. Por consiguiente, debido a que a es por lo ge-
neral bajo, la potencia de la prueba de Newman-Keuls casi siempre es menor que la de la prueba del ran-
go mltiple de Duncan. Para demostrar que el procedimiento de Newman-Keuls lleva a una prueba con
menor potencia que la prueba del rango mltiple de Duncan, se observa por una comparacin de las ta-
3.5 INTERPRETACIN PRCTICA DE LOS RESULTADOS 103
bIas VII y VIII del apndice que parap > 2 se tiene qa(PJ) > ra(p,I). Es decir, es "ms dificil" declarar que
un par de medias es significativamente diferente al utilizar la prueba de Newman-Keuls que cuando se
usa el procedimiento de Duncan, Esto se ilustra a continuacin para el caso en que a = 0.01, a = 8 Yf = 20:
p 2 3 4 5 7 8
4.02 4.22 4.33 4.40 4.47 4.53 4.58
4.02 4.64 5.02 5.29 5.51 5.69 5.84
Como se seal antes, existen otros procedimientos de comparaciones mltiples. Algunos artculos
que describen estos mtodos son los de Miller [78], O'Neill y Wetherill [91] YNelson [89]. Tambin se re-
comienda el libro de Miller [77].
3..5.8 Comparacin de medias de tratamientos con un control
En muchos experimentos, uno de los tratamientos es un control, y el analista se interesa en comparar
cada una de las medias de losa -1tratamientos restantes con el control. Por lo tanto, slo es necesario ha-
cer a - 1comparaciones. Un procedimiento para hacer estas comparaciones ha sido desarrollado por
Dunnett [42]. Suponga que el tratamiento a es el control y que quieren probarse las hiptesis
n.., =#4
H1:#:;t: #a
para i = 1, 2, ..., a - 1. El procedimiento de Dunnett es una modificacin de la prueba t comn. Para cada
hiptesis se calculan las diferencias observadas en las medias muestrales
i = 1, 2, ... , a-1
La hiptesis nula Ho'...t = !-la se rechaza utilizando un ndice a de error tipo I si
(3-46)
donde la constante da(a-1,1) se da en la tabla IX del apndice. (Pueden hacerse pruebas tanto de una
como de dos colas.) Observe que a es el nivel de significacin conjunto asociado con las a -1pruebas.
EJEMPLO 3~10" "" " ".. "" ".""."""."""" . """""

Para ilustrar la prueba de Dunnett, considere el experimento del ejemplo 3-1, asumiendo que el trata-
miento 5 es el control. En este ejemplo, a = 5, a -1 = 4,f = 20 Yni = n = 5. Con el nivel de 5%, en la tabla
IX del apndice se encuentra que do.os(4, 20) = 2.65. Por lo tanto, la diferencia crtica es
d (4, 20)~2MSE = 265~2(8.06) = 4.76

~~ n 5
(Observe que se trata de una simplificacin de la ecuacin 346 que resulta de un diseo balanceado.) Por
lo tanto, cualquier media de los tratamientos que difiera del control por ms de 4.76 se declarara signifi-
cativamente diferente. Las diferencias observadas son
1 vs. 5: JI. - Ys. = 9.8 - 10.8= -1.0

2 vs. 5: Y2 - Ys. = 15.4 - 10.8= 4.6
3 vs. S: Y3. - Ys. := 17.6 - 10.8= 6.8
4 vs. 5: Y4. - Ys := 21.6 - 10.8= 10.8
Slo las diferencias Y3.- Ys. YY4.- Ys. indican alguna diferencia significativa cuando se comparan con el con-
trol; por lo tanto, se concluye que #3 ;t:. #5 Y#4 ;t:. #5'
Cuando se hace la comparacin de los tratamientos con un control, una buena idea es usar ms obser-
vaciones para el tratamiento de control (por ejemplo, na) que para los dems tratamientos (por ejemplo,
n), suponiendo un nmero igual de observaciones para los a - 1 tratamientos restantes. El cociente n.ln
deber elegirse de tal modo que sea aproximadamente igual a la raz cuadrada del nmero total de trata-
mientos. Es decir, se elige n.ln ::= Ya.
..................................... 111 ,. ~ ..
3..6 MUESTRA DE SALIDADE COMPUTADORA
Hay una gran cantidad de programas de computadora para apoyar el diseo experimental y la realizacin
de anlisis de varianza. En la figura 315 se muestra la salida de uno de estos programas, Design-Expert,
utilizando los datos del experimento con un solo factor del ejemplo 3-1.La suma de cuadrados correspondien-
te al "Modelo" ("Model") es la SSItatamielllosusual de un diseo con un solo factor. Esa fuente se identifica adi-
cionalmente como ''A''. Cuando hay ms de un factor en el experimento, la suma de cuadrados ("Sum of
Squares") del modelo se descompondr en varias fuentes (A,B, etc.). Observe que el resumen del anlisis
de varianza de la parte superior de la salida de Computadora contiene las sumas de cuadrados, los grados de
libertad ("DF", degrees offreedom), los cuadrados medios ("Mean Square") y el estadstico de prueba F
("F Value") acostumbrados. La columna "Prob > F" es el valor P (de hecho, el lmite superior del valor p,
ya que a las probabilidades menores que 0.0001 se les asigna el valor por omisin 0.0001).
Adems del anlisis de varianza bsico, el programa presenta informacin adicional til. La cantidad
"R cuadrada" ("R-Squared") se define como
SS Modelo ::= 475.76 = 0.746923
R2 ::=
SS Total 636.96
y se interpreta en trminos generales como la proporcin de la variabilidad en los datos "explicada" por el
modelo del anlisis de varianza. Por lo tanto, en los datos para probar la resistencia de la fibra sinttica, el
factor "peso porcentual del algodn" explica cerca de 74.69% de la variabilidad en la resistencia a la ten-
sin. Evidentemente, debe tenerse O s R2 S 1, siendo ms deseables los valores ms grandes. En la salida
se presentan tambin otros estadsticos en R2 R2 "ajustada" (''Adj R-Squared") es una variante del esta-
dstico R2 comn que refleja el nmero de factores presentes en el modelo. Puede ser un estadstico til
en experimentos ms complejos en los que intervienen varios factores en el diseo, cuando quiere eva-
luarse el impacto de aumentar o disminuir el nmero de trminos del modelo. "Desviacin estndar"
("Std. Dev.") es la raz cuadrada del cuadrado medio del error, v'8.060 = 2.839, y "C.V" es el coeficiente
(.J
de variacin, definido como MS E / y)100. El coeficiente de variacin mide la variabilidad no explicada
o residual de los datos como un porcentaje de la media ("Mean") de la variable de respuesta. "PRESS"
son las siglas de Prediction Error Sum of Squares (suma de cuadrados del error de prediccin) y es una me-
dida de la adecuacin con que es posible que el modelo del experimento predecir las respuestas en un
nuevo experimento. Son deseables valores pequeos de PRESS. Alternativamente, puede calcularse una
R2 para predicciones con base en PRESS (ms adelante se indicar cmo hacer esto). Esta R~.d ("Pred
R-Squared") para el problema tratado aqu es 0.6046, el cual no es irrazonable, considerando que el mo-
delo explica cerca de 75% de!a variabilidad del experiinento en curso. El estadstico "Prediccin adecua-
da" (''Adeq Precision") se calcula dividiendo la diferencia entre la respuesta predicha mxima y la
respuesta predicha mnima por la desviacin estndar promedio de todas las respuestas predichas. Son
deseables valores grandes de esta cantidad, y los valores que exceden cuatro indican por lo general que el
modelo tendr un desempeo razonable en la prediccin.
Utilice el mouse para posicionarse en una celda y su definicin.
Response: Strength in psi

ANOVA for Selactad Factorial Modal
Analys$ of varlance tabla [Partial sum of squarasJ
Sumof Mean F
Sourca Squares DF Squara Va'ua Prob> F
Modal 475.76 4 118.94 14.76 <0.0001 significativo
A 475.76 4 718.94 14.76 <0.0001
Residual 161.20 20 8.06
LackofFit 0.000 O
Pure Error 161.20 20 8.06
Cor Total 636.96 24
El valor Fdel Modelo de 14.76implica que el modelo es significativo. Slo hay una probabilidad de
0.01% de que un "Valor F del Modelo" de esta magnitud pudiera ocurrir debido a ruido.
Los valores de "Prob > P' menores que 0.0500 indican que los trminos del modelo son significativos.
En este caso A son trminos significativos del modelo.

Los valores mayores que 0.1000 indican que los trminos del modelo no son significativos.
Si hay muchos trminos del modelo no significativos (sin contar los que se necesitan para apoyar
la jerarquizacin), la reduccin del modelo puede mejorarlo.
Std. Dev. 2.84 R-Squared 0.7469

Mean 15.04 Adj R-Squared 0.6963
C.V. 18.88 Pred R-Squared 0.6046
PRESS 251.88 Adeq Preeision 9.294
La "Rcuadrada predicha" de 0.6046 concuerda razonablemente con la "R cuadrada ajustada" de

0.6983. Una diferencia mayor que 0.20 entre la 14 cuadrada predicha" y la "R cuadrada ajustada"
indica un posible problema con el modelo y/o los datos.
"Precisin adecuada" mide la relacin de la seal a ruido. Es deseable una relacin mayor que 4.
la relacin de 9.294 indica una seal adecuada para usar este modelo para navegar el espacio
del diseo.
Treatment Means (Adjustecl. If Necaslary'

EstImated Standard
Mean Error
1-15 9.80 1.27
2-20 15.40 1.27
3-26 17.60 1.27
4-30 21.60 1.27
5-35 10.80 1.27
Mean Standard tfor Ha

Treatment Difference DF Error Coeff=O Prob> Itl
1 vs 2 -5.60 1 1.80 -3.12 0.0054
1 vs J -7.80 1 1.80 -4.34 0.0003
1 vs 4 -11.80 1 1.80 -6.67 <0.0001
1 vs 5 -1.00 1 1.80 -0.66 0.68~
2 vs 3 -2.20 1 1.80 -1.23 0.2347
2 vs4 -6.20 1 1.80 -3.45 0.0025
2 vs 5 4.60 1 1.80 2.56 0.0186
3 vs4 -4.00 1 1.80 -2.23 0.0375
3 vs 5 6.80 1 1.80 3.79 0.0012
4vs 5 10.80 1 1.80 6.01 <0.0001
Los valores de "Prob > Iti" menores que 0.0500 indican que la diferencia en las medias de los
dos tratamientos es significativa.
Los valores de "Prob > Iti" mayores que 0.1000 indican que la diferencia en las medias de los
dos tratamientos no es significativa.
Figura 3-15 Salida de computadora de Design-Expert para el ejemplo 3-1.

Diagnostic Case Statistlcs

Standard Actual Predicted Student Cook's
Order Value Value Residual Leyerage Residual Dlstance Outlier t
1 7.00 9.80 -2.80 0.200 -1.103 0.061 .,....1.109
2 7.00 9.80 -2.80 0.200 -1.103 0.061 -1.109
3 15.00 9.80 5.20 0.200 2.048 0.210 2.245
4 11.00 9.80 1.20 0.200 0.473 0.011 0.463
5 9.00 9.80 -0.80 0.200 -0.315 0.005 -0.308
6 12.00 15.40 -3.40 0.200 -1.339 0.090 -1.368
7 17.00 15.40 1.60 0.200 0.630 0.020 0.620
8 12.00 15.40 -3.40 0.200 -1.339 0.090 -1.368
9 18.00 15.40 2.60 0.200 1.024 0.052 1.025
10 18.00 15.40 2.60 0.200 1.024 0.052 1.025
11 14.00 17.60 -3.60 0.200 -1.418 0.100 -1.457
12 18.00 17.60 0.40 0.200 0.158 0.001 0.154
13 18,00 17.60 0.40 0.200 0.158 0.001 0.154
14 19.00 17.60 1.40 0.200 0.551 0.015 0.542
15 19.00 17.60 1.40 0.200 0.551 0.015 0.542
16 19.00 21.60 -2.60 0.200 -1.024 0.052 -1.025
17 25.00 21.60 3.40 0.200 1.339 0.090 1.368
18 22.00 21.60 0.40 0.200 0.158 0.001 0.154
19 19.00 21.60 -2.60 0.200 -1.024 0.052 -1.025
20 23.00 21.60 1.40 0.200 0.551 0.015 0.542
21 7.00 10.80 -3.80 0.200 -1.496 0.112 -1.548
22 10.00 10.80 -0.80 0.200 -0.315 0.005 -0.308
23 11.00 10.80 0.20 0.200 0.079 0.000 0.077
24 15.00 10.80 4.20 0.200 1.654 0.137 1.735
25 11.00 10.80 0.20 0.200 0.079 0.000 0.077
Proceder con las grficas de diatln6stico (el icono siguiente en progresin). Asegurarse de examinar:
1) La grfica de probabilidad normal de los residuales studentizados para verificar la normalidad
de los residuales.
2) Los residuales studentizados contra los valores predichos para verificar la constante del error.
3) Los puntos atpicos t contra el orden de las corridas para buscar puntos atpicos,
es decir, valores influyentes o importantes
4) La grfica de Box-Cox para las transformaciones de potencia.
Si todos los estadsncos del modelo y las grficas de diagnstico estn correctos, finalizar con el icono
Model Graphs (Grficas del Modelo).
Figul'a 3-15 (Continuacin.)
Se hace la estimacin de las medias ("Estimated Mean") de los tratamientos y se muestra el error es-
tndar ("Standard Error") (o desviacin estndar muestral de la media de cada tratamiento, MS E/n). .J
Las diferencias entre pares de medias ("Mean Difference") de los tratamientos se investigan utilizando el
mtodo LSD de Fisher descrito en la seccin 3-5.7.
El programa de computadora tambin calcula y despliega los residuales, segn se definen en la ecua-
cin 316. El programa producir tambin todas las grficas de los residuales que se comentaron en la sec-
cin 34. En la salida se muestran asimismo varios diagnsticos residuales ms. Algunos de ellos se
revisarn ms adelante.
Por ltimo, observe que el programa de computadora incluye tambin algunas guas para hacer la in-
terpretacin. Esta informacin "aconsejable" es muy comn en muchos paquetes de estadstica para
computadoras personales. Al leer estas guas, recuerde que estn escritas en trminos muy generales, y
quiz no se ajusten exactamente a los requerimientos de redaccin del reporte de un experimentador par-
ticular. Esta salida aconsejable puede ser eliminada por el usuario.
3 7 DETERMINACiN DEL TAMAO DE LA MUESTRA 107
3..7 DETERMINACIN DEL TAMAO DE LA MUESTRA
En cualquier problema de disefio experimental, una decisin crtica es la eleccin del tamafio de la mues-
tra; es decir. determinar el nmero de rplicas que deben correrse. En general, si el experimentador tiene
inters en detectar efectos pequeos, se necesitan ms rplicas que cuando el experimentador se-interesa
en detectar efectos grandes. En esta seccin se analizan varios enfoques para determinar el tamafio de la
muestra. Aun cuando la revisin se centra en un disefio con un solo factor, la mayora de los mtodos pue-
den usarse en situaciones experimentales ms complejas.
3..7.1 Curvas de operacin caracterstica

Recuerde que una CU"8 de operacin caracterstea es una grfica de la probabilidad del error tipo II de
una prueba estadstica para un tamafio de la muestra particular contra un parmetro que refleja la medi-
da en que la hiptesis nula es falsa. El experimentador puede usar estas curvas como gua en la seleccin
del nmero de rplicas para que el diseo sea sensible a diferencias potenciales importantes en los trata-
mientos.
Se considera la probabilidad del error tipo 11del modelo con efectos fijos para el caso en que se usa el
mismo tamafio de las muestras en cada tratamiento, por ejemplo
p= 1- P{Rechazar HolHo es falsa} (3-47)
= 1- p{ F > Fa,.-l,N-.1 H es falsa}
Para evaluar el enunciado de probabilidad de la ecuacin 3-47, es necesario conocer cul es la distribu-
cin del estadstico de pruebaF, si la hiptesis nula es falsa. Puede demostrarse que, si H es falsa, el esta-
=
dstico Fo MSnatamiel1tolMSE se distribuye como una variable aleatoria F no central con a - 1 y N - a
o
grados de libertad y parmetro de no centralidad O. Si = O,la distribucin F no central se convierte en la
distribucin F (central) comn.
Las curvas de operacin caracterstica que se presentan en la parte V del apndice se usan para eva-
luar el enunciado de probabilidad de la ecuacin 3-47. En estas curvas se grafica la probabilidad del error
tipo 11 (/J) contra un parmetro <1>, donde
(3-48)
La cantidad <1>2 est relacionada con el parmetro de no centralidad O. Se cuenta con curvas para a = 0.05
ya = 0.01 Y un rango de grados de libertad para el numerador y el denominador.
Al usar las curvas de operacin caracterstica, el experimentador debe especificar el parmetro <1>.
Con frecuencia es difcil hacer esto en la prctica. Una manera de determinar <1> es elegir los valores reales
de las medias de los tratamientos para los que querra rechazarse la hiptesis nula con una alta probabili-
dad. Por lo tanto, si#'#2' .... #d son las medias de los tratamientos especificadas, la x, de la ecuacin 3-48
se encuentra como 7:1 = #i - ji, donde = (l/a )I~=l=.t es el promedio de las medias de los tratamientos
individuales. Se requiere asimismo una estimacin de al. En ocasiones se cuenta con este valor por expe-
riencia previa, un experimento anterior o una prueba preliminar (como se sugiri en el captulo 1), o por
una estimacin discrecional. Cuando no se tiene la seguridad acerca del valor de al, los tamafios de las
muestras podran determinarse para un rango de valores posibles de al, a fin de estudiar el efecto de este
parmetro sobre el tamafio de la muestra requerido, antes de hacer la eleccin final.
EJEMPLO 3-11 ...

Considere el experimento de la resistencia a la tensin descrito en el ejemplo 3-1. Suponga que el experi-
mentador est interesado en rechazar la hiptesis nula con una probabilidad de al menos 0.90 si las me-
dias de .Ios cinco tratamientos son
#5=19 y
Planea utilizar a = 0.01. En este caso, puesto que l:~",I#1= 75, se tiene _ = (1/5)75 = 15 Y
1"1=#1-;U=11-15=-4
1"2=#2-;U=12-15=-3
1"3 = # 3 - ;U= 15-15 = O
1"4 = # 4 - ;U= 18-15 = 3
1"s=#5-;U=19-15= 4
Por lo tanto, l: ~"'11"; = 50. Suponga que el experimentador piensa que la desviacin estndar de la resis-
tencia a la tensin con cualquier nivel particular del peso porcentual del algodn no ser mayor que a=3
psi. Entonces, al utilizar la ecuacin 3-48, se tiene
s
n~ ",2
~, n(50)
cp2 = i~l = __ = 1.11n
aa? 5(3)2
Se usa la curva de operacin caracterstica para a - 1 = 5 -1 = 4 con N-a = a(n - 1) = 5(n - 1) grados de
libertad del error y a = 0.01 (ver la parte V del apndice). Como primera conjetura para el tamao de la
muestra requerido, se prueba con n = 4 rplicas. Esto produce cp2 = 1.11(4) = 4.44, cp = 2.11 y 5(3) = 15
grados de libertad del error. Por consiguiente, en la parte V se encuentra que P =0.30. Por lo tanto, la po-
tencia de la prueba es aproximadamente 1-P = 1-0.30 = 0.70, que es menor que el 0.90 requerido, por
10 que se concluye que n = 4 rplicas no son suficientes. Procediendo de manera similar, puede construir-
se la siguiente tabla:
n a(n -1) Potencia (1 - 13)

4 4.44 2.11 15 0.30 0.70
5 5.55 2.36 20 0.15 0.85
6 6.66 2.58 25 0.04 0.96
Por 10 tanto, deben realizarse al menos n = 6 rplicas para ootener una prueba con la potencia requerida.
El nico problema con este enfoque para usar las curvas de operacin caracterstica es que por lo general
es difcil seleccionar el conjunto de las medias de los tratamientos en el que se basar la decisin del tama-
o de la muestra. Un enfoque alternativo es seleccionar un tamao de la muestra tal que si la diferencia
entre las medias de dos tratamientos cualesquiera excede un valor especificado, la hiptesis nula deber
rechazarse. Si la diferencia entre las medias de dos tratamientos cualesquiera es tan grande como D, pue-
de demostrarse que el valor mnimo de cp2 es
cp2 = nD2
2aa2
3-7 DETERMINACIN DEL TAMAO DE LA MUESTRA 109
Puesto que ste es un valor mnimo de 1>2, el tamao de la muestra correspondiente que se obtiene de la
curva de operacin caracterstica es un valor conservador; es decir, proporciona una potencia al menos
tan grande como la que especific el experimentador.
Para ilustrar este enfoque, suponga que en el experimento de la resistencia a la tensin del ejemplo
3-1, el experimentador quisiera rechazar la hiptesis nula con una probabilidad de al menos 0.90 si las me-
dias de dos tratamientos cualesquiera difieren hasta en 10 psi. Entonces, suponiendo que a 3 psi, se en- =
cuentra que el valor mnimo de 1>2 es
1>2 = n(10)2
1.Un
2(5)(32 )
y, por el anlisis del ejemplo 3-11, se concluye que se necesitan n = 6 rplicas para obtener la sensibilidad
deseada cuando a = 0.01.
3..7.2 Especificacin de un incremento de la desviacin estndar

Este enfoque es til en ocasiones para elegir el tamao de la muestra. Si las medias de los tratamientos no
difieren, la desviacin estndar de una observacin elegida al azar es a. Sin embargo, si las medias de los
tratamientos son diferentes, la desviacin estndar de una observacin elegida al azar es
Si se escoge un porcentaje P para el incremento de la desviacin estndar de una observacin, ms all del
cual quiera rechazarse la hiptesis de que las medias de todos los tratamientos son iguales, esto es equiva-
lente a escoger
a2 +(! r; / a)
'0;1 =1+0.01P (P=porciento)
a
o
de donde
1>= (3-50)
Por lo tanto, para un valor especificado de P, 1> puede calcularse con la ecuacin 3-50 y despus usar las
CUrvasde operacin caracterstica de la parte V del apndice para determinar el tamafio de la muestra re-
querido.
Por ejemplo, en el experimento de la resistencia a la tensin del ejemplo 3-1, suponga que se desea
detectar un incremento de la desviacin estndar de 20% con una probabilidad de al menos 0.90 ya=:
0.05. Entonces
<1>= ~(1.2)2 -1( J) = 0.66J
La referencia a las curvas de operacin caracterstica indica que se necesita n = 9 para obtener la sensibi-
lidad deseada.
3 ..7 .3 Mtodo para estimar el intervalo de confianza

En este enfoque se supone que el experimentador quiere expresar los resultados finales en trminos de
intervalos de confianza y que est dispuesto a especificar por anticipado cul es el ancho que desea para
estos intervalos de confianza. Por ejemplo, suponga que en el experimento de la resistencia a la tensin
del ejemplo 3-1 se quiere que un intervalo de confianza de 95% para la diferencia en la resistencia a la
tensin media de dos pesos porcentuales del algodn cualesquiera sea 5 psi y una estimacin previa de a
es 3. Entonces, al utilizar la ecuacin 3-13, se encuentra que la precisin del intervalo de confianza es
t n.s-
Suponga que se prueba con n = 5 rplicas. Entonces, al usar el = 32 = 9 como una estimacin de MS E' la
precisin del intervalo de confianza es
2.086~~) ""'3.96
que es ms preciso que el requerimiento. Al probar ton n = 4 se obtiene
2132~~) = 4.52
Al probar con n = 3 se obtiene
2.22~=5.46
Evidentemente, n = 4 es el tamao de la muestra menor que llevar a la precisin deseada.

El nivel de significacin consignado en el ejemplo anterior se aplica a un solo intervalo de confianza.
Sin embargo, puede usarse el mismo enfoque general si el experimentador desea especificar de antemano
un conjunto de intervalos de confianza acerca del cual se hace un enunciado de confianza simultneo o
conjunto (ver los comentarios acerca de los intervalos de confianza simultneos de la seccin 3-3.3). Ade-
ms, los intervalos de confianza podran construirse con respecto a contrastes ms generales en las me-
dias de los tratamientos, que la comparacin por pares ilustrada antes.
3..8 IDENTIFICACIN DE EFECTOS DE DISPERSIN
Nos hemos enfocado aqu en el uso del anlisis de varianza y de otros mtodos relacionados para determi-
nar los niveles del factor que resultan en diferencias entre las medias de los tratamientos o los niveles del
factor. Se acostumbra referirse a estos efectos como efectos de localizacin. Cuando ocurri la desigual-
J8 IDENTIFICACIN DE EFECTOS DE DISPERSIN 111
Tabla 3.12 Datos del experimento de fundicin
Algoritmo para Observaciones
controlar la 1 2 3 4 5 6
proporcin
1 4.93(0.05) 4.86(0.04) 4.75(0.05) 4.95(0.06) 4.79(0.03) 4.88(0.05)
2 4.85(0.04) 4.91(0.02) 4.79(0.03) 4.85(0.05) 4.75(0.03) 4.85(0.02)
3 4.83(0.09) 4.88(0.13) 4.90(0.11) 4.75(0.15) 4.82(0.08) 4.90(0.12)
4 4.89(0.03) 4.77(0.04) 4.94(0.05) 4.86(0.05) 4.79(0.03) 4.76(0.02)
dad de la varianza con los diferentes niveles del factor, se utilizaron transformaciones para estabilizar la
varianza y mejorar as las inferencias hechas sobre los efectos de localizacin. Sin embargo, en algunos
problemas el inters se centra en descubrir si los diferentes niveles del factor afectan la variabilidad; es
decir, el inters est en descubrir efectos de dispersin potenciales. Esto ocurrir siempre que la desvia-
cin estndar, la varianza o cualquier otra medida de la variabilidad se use como variable de respuesta:
Para ilustrar estos conceptos, considere los datos de la tabla 3-12, los cuales se obtuvieron de un expe-
rimento diseado en una fundicin de aluminio. El aluminio se produce combinando almina con otros
ingredientes en una celda de reaccin y aplicando calor al hacer pasar una corriente elctrica a travs de
la celda. La almina se agrega de manera continua a la celda para mantener la proporcin apropiada de la
misma con respecto a los otros ingredientes. En este experimento se investigaron cuatro algoritmos para
controlar la proporcin. Las variables de respuesta estudiadas se relacionaron con el voltaje de la celda.
Especficamente, un sensor registra el voltaje de la celda varias veces cada segundo, produciendo miles de
mediciones del voltaje durante cada corrida del experimento. Los ingenieros del proceso decidieron usar
como variables de respuesta el voltaje promedio y la desviacin estndar del voltaje de la celda (indicado
entre parntesis) en la corrida experimental. El voltaje promedio es importante porque afecta la tempe-
ratura de la celda, y la desviacin estndar del voltaje (llamada "ruido del crisol" por los ingenieros del
proceso) es importante porque afecta la eficiencia global de la celda.
Se llev a cabo un anlisis de varianza para determinar si los diferentes algoritmos para controlar la
proporcin afectan el voltaje promedio de la celda. ste revel que el algoritmo para controlar la propor-
cin no tuvo ningn efecto de localizacin; es decir, al cambiar los algoritmos para controlar la propor-
cin no hubo ningn cambio en el voltaje promedio de la celda. (Referirse al problema 3-28.)
Para investigar los efectos de dispersin, lo mejor suele ser utilizar
log(s) o log(s 2)
como variable de respuesta, ya que la transformacin logartmica es eficaz para estabilizar la variabilidad
en la distribucin de la desviacin estndar muestral. Puesto que todas las desviaciones estndar del vol-
taje del crisol son menores que la unidad, se usar
y= -In(s)
como la variable de respuesta. En la tabla 3-13 se presenta el anlisis de varianza para esta respuesta, el
logaritmo natural del "ruido del crisol". Observe que la eleccin de un algoritmo para controlar la pro-
porcin afecta el ruido del crisol; es decir, el algoritmo para controlar la proporcin tiene un ef~ctode dis-
Tabla 313 Anlisis de varianza del logaritmo natural del ruido del crisol
Fuente de variacin cuadrados libertad medio Valor P
Algoritmo para controlar la proporcin 6.166 3 2.055 21.96 <0.001
Error 1.872 20 0.094
lbtal 8.038 23
3 4 2
2.00 3.00 4.00
Ruido del crlsol logaritmico promedio [-1" (sil
Figura 316 Ruido del crisol logartmico promedio [-ln(s)} de

cuatro algoritmospara controlar la proporcin en relacinconuna
distribucin t escalada con factor de escalamiento J MS B / n =
JO.094/ 6 = 0.125.
persi6n. Las pruebas estndares de la adecuacin del modelo, incluyendo las grficas de probabilidad
normal de los residuales, indican que no hay problemas con la validez del experimento. (Referirse al pro-
blema 3-29.)
En la figura 3-16 se grafica el logaritmo promedio del ruido del crisol de cada algoritmo para controlar
la proporcin y se presenta tambin una distribucin t escalada que se usa como distribucin de referencia
para discriminar entre los algoritmos de la proporcin. Esta grfica revela con toda claridad que el algorit-
mo 3 para controlar la proporcin produce ms ruido del crisolo una desviacin estndar del voltaje de la
celda mayor que los otros algoritmos. No parece haber gran diferencia entre los algoritmos 1, 2 Y 4.
3..9 EL ENFOQUE DE REGRESIN PARA EL ANLISIS DE VARIANZA
Se ha ofrecido un desarrollo intuitivo o heurstico del anlisis de varianza. Sin embargo, es posible pre-
sentar un desarrollo ms formal. El mtodo ser de utilidad ms adelante para entender los fundamentos
del anlisis estadstico de diseos ms complejos. Llamada la prueba general de significacin de la regre-
sin, el procedimiento consiste en esencia en encontrar la reduccin en la suma de cuadrados total para
ajustar el modelo con todos los parmetros incluidos y la reduccin en la suma de cuadrados cuando el
modelo se restringe a la hiptesis nula. La diferencia entre estas dos sumas de cuadrados es la suma de
cuadrados de los tratamientos con la que puede realizarse la prueba de la hiptesis nula. El procedimien-
to requiere los estimadores de mnimos cuadrados de los parmetros en el modelo del anlisis de varian-
za. Se dieron ya (en la seccin 3-3.3) las estimaciones de estos parmetros; sin embargo, ahora se presenta
un desarrollo formal.
3~9.1 Estimacin de mnimos cuadrados de los parmetros del modelo

Se desarrollan ahora los estimadores de los parmetros en el modelo con un solo factor
utilizando el mtodo de mnimos cuadrados. Para encontrar los estimadores de mnimos cuadrados de ,t y
ti' primero se forma la suma de cuadrados de los errores
3-9 EL ENFOQUE DE REGRESIN PARA EL ANLISIS DE VARlANZA 113
y se eligen despus los valores de.u y TI' por ejemplo p,y f i' que minimicen L. Los valores adecuados seran
las soluciones de las a + 1 ecuaciones simultneas
aL -o
a.u .r
i
i = 1, 2, ... , a
Al derivar la ecuacin 3-51 con respecto a.u Y Ti Y al igualar con cero se obtiene
-2!~ i~l j~l

(Yij-p,-il)=O
-2~ (Yij-p,-')=O i = 1, 2, ... , a

f.o!
de la que, despus de simplificar, se obtiene

Np,+ ni' 1 + nr 2 + ... + ni = Y..d
(3-52)
np,
A las a + 1 ecuaciones (ecuacin 3-52) con a + 1 incgnitas se les llama las ecuaciones normales de
mnimos cuadrados. Observe que si se suman la ltimas a ecuaciones normales, se obtiene la primera
ecuacin normal. Por 10 tanto, las ecuaciones normales no son linealmente independientes, y no existe una
solucin nica para s, TI' ... , To' Esta dificultad puede superarse mediante varios mtodos. Puesto que los
efectos de los tratamientos se han definido como desviaciones de la media global, parece razonable apli-
car la restriccin
(3-53)
Utilizando esta restriccin. se obtiene como solucin de las ecuaciones normales

p,= Y.. (3-54)
ti = Yi.-Y .. i=l,2, .... a
Evidentemente, esta solucin no es nica y depende de la restriccin (ecuacin 3-53) que se ha elegi-
do. Al principio esto puede parecer desafortunado porque dos experimentadores diferentes podran ana-
lizar los mismos datos y obtener resultados diferentes si aplican restricciones diferentes. Sin embargo,
ciertas funciones del parmetro del modelo son estimadas de manera nica, independientemente de la
=
restriccin. Algunos ejemplos son Ti - Ti' que se estimara con i' i - t i YI. - Yi.: , Yla media del tratamien-
to i-simo.uj = .u + 'ti' que se estimara con P, I = P, + i' j = Yi.:
Puesto que el inters se encuentra generalmente en las diferencias entre los efectos de los tratamien-
tos y no en sus valores reales, no produce preocupacin alguna que t"jno pueda estimarse de manera n-
114 CAPTULO 3 EXPERlMENTOS CON UN SOLO FACTOR: EL ANLISIS DE VARIANZA
ca. En general, cualquier funcin de los parmetros del modelo que sea una combinacin lineal del
miembro del lado izquierdo de las ecuaciones normales (ecuaciones 3-52) puede estimarse de manera
nica. A las funciones que se estiman de manera nica independientemente de la restriccin que se use se
les llama funciones estimables. Para ms informacin, ver el material suplementario del texto de este ca-
ptulo.Nos encontramos listos para usar estas estimaciones de los parmetros en un desarrollo general
del anlisis de varianza.
3..9.2 Prueba general de significacinde la regresin

Una parte fundamental de este procedimiento es escribir las ecuaciones normales del modelo. Estas
ecuaciones siempre podrn obtenerse formando la funcin de mnimos cuadrados y derivndola con res-
pecto a cada parmetro desconocido, como se hizo en la seccin 3-9.1. Sin embargo, se cuenta con un m-
todo ms sencillo. Las reglas siguientes permiten escribir directamente las ecuaciones normales del
modelo de cualquier diseo experimental:
REGLA l. Hay una ecuacin normal para cada parmetro del modelo que va a estimarse.
REGLA 2. El miembro derecho de cualquier ecuacin normal es slo la suma de todas las observa-
ciones que contienen el parmetro asociado con esa ecuacin normal particular.
Para ilustrar esta regla, considere el modelo con un solo factor. La primera ecuacin normal
corresponde al parmetro u; por lo tanto, el miembro derecho es Y.., ya que todas las observacio-
nes incluyen a u.
REGLA 3. El miembro izquierdo de cualquier ecuacin normal es la suma de todos los parmetros
del modelo, donde cada parmetro est multiplicado por el nmero de veces que aparece en el
total del miembro derecho. Los parmetros se escriben con un acento circunflejo (A) para indicar
que son estimadores y no los verdaderos valores de los parmetros.
Por ejemplo, considere la primera ecuacin normal en un experimento con un solo factor. De acuer-
do con las reglas anteriores, sta sera
porque p aparece en las N observaciones, 'l'l slo aparece en las n observaciones hechas bajo el primer tra-
tamiento, 'l'2 aparece slo en las n observaciones tomadas bajo el segundo tratamiento, etc. Por la ecua-
cin 3-52 se verifica que la ecuacin presentada arriba es correcta. La segunda ecuacin normal
correspondera a 'l'1 Y es
njt+nf1 = Yl
porque slo las observaciones del primer tratamiento contienen a 'l'l (esto day como miembro derecho),
p. y'l'l aparecen exactamente n veces eny., y todas las dems t, aparecen cero veces. En general, el miem-
bro izquierdo de cualquier ecuacin normal es el valor esperado del miembro derecho.
Ahora bien, considere encontrar la reduccin en la suma de cuadrados ajustando un modelo particu-
lar a los datos. Al ajustar un modelo a los datos se "explica" parte de la variabilidad; es decir, la variabili-
dad no explicada se reduce en cierta cantidad. La reduccin en la variabilidad no explicada es siempre la
suma de las estimaciones de los parmetros, cada una de ellas multiplicada por el segundo miembro de la
3-9 EL ENFOQUE DE REGRESIN PARA EL ANLISIS DE VARIANZA 115
ecuacin normal que corresponde al parmetro especfico. Por ejemplo, en un experimento con un solo
factor, la reduccin debida al ajuste del modelo completo Yij = /1- + T + E:ij es
R(jt, T)= f.W. +r1YL +r2Y2. + .-.+r.y ...

(3-55)
= fiy + ~
rrr ; ~
r.y.
1 l.
,~1
La notacinR(,u, T) significa la reduccin en la suma de cuadrados a partir del ajuste del modelo que con-
tiene a /1- y {r.}. A R(,u, T) se le llama en ocasiones la suma de cuadrados "de regresin" del modelo com-
pleto Yij= #- + Ti + ej' El nmero de grados de libertad asociado con una reduccin en la suma de
cuadrados, tal como R(,u, r), siempre es igual al nmero de ecuaciones normales linealmente indepen-
dientes. El resto de la variabilidad no explicada por el modelo se encuentra con
SSE =
. " y: - R(#-, r)
.L (3-56)
i=l j:l
Esta cantidad se usa en el denominador del estadstico de prueba de HO:T1 "'" t2 = ---= Ta = O.
A continuacin se ilustra la prueba general de significacin de la regresin para un experimento con
un solo factor y se demuestra que produce el anlisis de varianza de un solo factor comn. El modelo es
Yi} = /1- + ti + eij, Y las ecuaci.ones normales se encuentran con las reglas anteriores como
Nft + ni 1 + nr 2 + ...+ni. = y__

nli+ni; = Yl
n{l +nrz =h
nft
Compare estas ecuaciones normales con las que se obtuvieron en la ecuacin 3-52.
Al aplicar la restriccin .I~~1r 1 = O,los estimadores de /1- y Ti son
{l= Y.. i=l,2, ...,a
La reduccin en la suma de cuadrados debida al ajuste de este modelo completo se encuentra con la ecua-
cin 3-55 como

= (Y.. )Y. + (Yi. - Y.. )Yi.
=! n
-------------------_ _-_ .._ ..-
116 CAPruLO 3 EXPERIMENTOS CON UN SOLO FACTOR: EL ANUSIS DE VARlANZA
que tiene a grados de libertad porque haya ecuaciones normales linealmente independientes. La suma de
cuadrados del error es, por la ecuacin 3-56,
y tiene N - a grados de libertad.

Para encontrar la suma de cuadrados que resulta de los efectos de los tratamientos (el {'tJ), se consi-
dera que el modelo se restringe a la hiptesis nula; es decir, 1:; = Opara toda i. El modelo reducido es Yij =
fl + eij' Hay una sola ecuacin normal para este modelo:
N{l = y.
=
y el estimador de fl es {l Y.. Por lo tanto, la reduccin en la suma de cuadrados que resulta de ajustar el
modelo reducido que slo contiene a fl es
2
o.x )-
R(.fl ) -- Y.. Y.. - L
N
Puesto que hay una sola ecuacin normal para este modelo reducido, R(j.t) tiene un grado de libertad. La
suma de cuadrados debida al {rJ, dado quefl ya est incluida en el modelo, es la diferenciaentreR(j.t, 1:) Y
R(j.t), que es
R(rl fl) = R(fl, r)- R(fl)
= R(Modelo Completo)- R(Modelo Reducido)
1
=-
n
L y2_LN
a
i-1 l.
2
con a - 1 grados de libertad, que por la ecuacin 3-9 se identifica como SSnatamientos' Estableciendo el su-
puesto de normalidad usual, el estadstico apropiado para probar Ho: 1:1 = 1:2 = ... = ra = O es
F. :::E R(rlfl)/(a-l)
o
~#n
[a 1
y~ -R(fl, 1:) I(N-a)
que se distribuye como Fa_1.N-6 bajo la hiptesis nula. Se trata, desde luego, del estadstico de prueba para
el anlisis de varianza de un solo factor.
3..10 MTODOS NO PARAMTRICOS EN EL ANLISIS DE VARlANZA
3..10.1 La prueba de Kruskal ..Wallis

En situaciones en las que el supuesto de normalidad no est justificado, el experimentador quiz quiera
usar un procedimiento alternativo del anlisis de varianza con la prueba F que no dependa de este su-
)-10 MTODOS NO PARAMTRICOS EN EL ANUSIS DE VARIANZA 117
puesto. Kruskal y Wallis [68] han desarrollado este procedimiento. La prueba de Kruskal-Wallis se usa
para probar la hiptesis nula dieque los a tratamientos son idnticos contra la hiptesis alternativa de que
algunos de los tratamientos generan observaciones que son mayores que otras. Debido a que el procedi-
miento est diseado para ser sensible al probar las diferencias en las medias, en ocasiones es conveniente
considerar la prueba de Kruskal-Wallis como una prueba de la igualdad de las medias de los tratamientos.
La prueba de Kruskal-Wallis es una alternativa no paramtrica del anlisis de varianza usual.
Para realizar la prueba de Kruskal-Wallis, primero se hace la clasificacin en rangos de lasy, observa-
ciones en orden ascendente y cada observacin se reemplaza con su rango, por ejemplo Rij, asignndole a
la observacin menor el rango 1. En el caso de empates (observaciones que tienen el mismo valor), se
asigna el rango promedio a cada una de las observaciones empatadas. Sea R.la suma de los rangos del tra-
tamiento i-simo. El estadstico de prueba es
(3-57)
donde ni es el nmero de observaciones del tratamiento i-simo, N es el nmero total de observaciones y
(3-58)
Observe que S2 es slo la varianza de los rangos. Si no hay empates, S2 = N(N + 1)/12, y el estadstico de
prueba se simplifica a
H=
12
N(N+1)
2: R:ni -3(N+1)
a
i-l
_l. (3-59)
Cuando el nmero de empates es moderado, habr pequeas diferencias entre las ecuaciones 3-57 y 3-59,
y puede usarse la forma ms simple (ecuacin 3-59). Si las ni son razonablemente grandes, por ejemplo
ni ~ 5, H se distribuye aproximadamente como X;-l bajo la hiptesis nula. Por lo tanto, si
H> X~,.-I
la hiptesis nula se rechaza. Tambin podra usarse el enfoque del valor P.
EJEMPLO 3,.,12 111 111 111 111 11>
En la tabla 3-14 se muestran los datos del ejemplo 3-1 y sus rangos correspondientes. Puesto que hay un
nmero bastante grande de empates, la ecuacin 3-57 se usa como el estadstico de prueba. Por la ecua-
cin 3-58 se encuentra
S2 = ~[!I
N 1 i~l i~l
R; - N(N+1)2]
4
= .!.[5497 79- 25(26)2]

24 . 4
= 53.03
118 CAPTULo 3 EXPERIMENTOSCON UN SOLO FACTOR; ELANLISIS DE VARIANZA
Tabla 3-14 Datos y rangos para el experimento de la resistencia a la tensin del ejemplo 3-1
Peso porcentual del algodn
15 20 25 30 35
y. R" Yq Rq Y3j R3j Y4j R4j YSj s;
7 2.0 12 9.5 14 11.0 19 20.5 7 2.0
7 2.0 17 14.0 18 16.5 25 25.0 10 5.0
15 12.5 12 9.5 18 16.5 22 23.0 11 7.0
11 7.0 18 16.5 19 20.5 19 20.5 15 12.5
9 4.0 18 16.5 19 20.5 23 24.0 11 7.0
R. 27.5 66.0 85.0 113.0 33.5
H-=-
l[aRi~
2:-------'-----'---
NCN+1)2]
S2 nii~l 4
= _1_ [5245.0- 25(26/ ]

53.03 4
= 19.25
Puesto que H> X ~.o1,4' 4 = 13.28, se rechazara la hiptesis nula y se concluira que los tratamientos difie-
ren. (El valor PparaH = 19.25 esP = 0.0002.) Se trata de la misma conclusin obtenida por el anlisis de
varianza usual con la prueba F.
3~10.2 Comentarios generales sobre la transformacin de rangos

Al procedimiento utilizado en la seccin anterior de reemplazar las observaciones con sus rangos se le lla-
ma la transformacin de rangos. Es una tcnica muy poderosa y til. Si se aplicara la prueba F comn a
los rangos en lugar de a los datos originales, se obtendra
Fo = H/(a-l)
(3-60)
CN~I-H)/(N-a)
como el estadstico de prueba (ver Conover [20], p. 337). Observe que cuando el estadstico H de Krus-
kal-Wallis se incrementa o decrementa, F tambin se incrementa o decrementa, por lo que la prueba de
Kruskal-Wallis es equivalente a aplicar el anlisis de varianza comn a los rangos.
La transformacin de rangos tiene una amplia aplicabilidad en los problemas de diseo experimental
para los que no existe ninguna alternativa no paramtrica para el anlisis de varianza. Esto incluye mu-
chos de los diseos de captulos subsecuentes de este libro. Si los datos estn en rangos y se aplica la prue-
baF comn, el resultado es un procedimiento aproximado que tiene buenas propiedades estadsticas (ver
Conover e Iman [30a, b]). Cuando existe preocupacin acerca del supuesto de normalidad o por el efecto
de puntos atpicos o valores "absurdos", se recomienda que el anlisis de varianza comn se realice tanto
en los datos originales como en los rangos. Cuando ambos procedimientos producen resultados similares,
probablemente los supuestos del anlisis de varianza se satisfacen razonablemente, y el anlisis estndar
es satisfactorio. Cuando los dos procedimientos difieren, deber darse preferencia a la transformacin de
rangos, ya que es menos posible que sea distorsionada por una condicin de no normalidad o la presencia
de observaciones inusuales. En tales casos, tal vez el experimentador quiera investigar el uso de transfor-
3-11 PROBLEMAS 119
maciones para la falta de normalidad y examinar los datos y el procedimiento experimental a fin de deter-
minar si hay puntos atpicos y por qu han ocurrido.
3~11 PROBLEMAS
3-1. Se estudia la resistencia a la tensin del cemento portland. Pueden usarse econmicamente cuatro diferentes
tcnicas de mezclado. Se han colectado los siguientes datos:
Tcnica de mezclado Resistencia a la tensin (lb/pulg-)

1 3129 3000 2865 2890
2 3200 3300 2975 3150
3 2800 2900 2985 3050
4 2600 2700 2600 2765
a) Probar la hiptesis de que las tcnicas de mezclado afectan la resistencia del cemento. Utilizar a = 0.05.
b) Construir una representacin grfica como se describi en la seccin 3-5.3 para comparar las resistencias
a la tensin promedio de las cuatro tcnicas de mezclado. A qu conclusiones se llega?
e) Usar el mtodo LSD de Fisher con a = 0.05 para hacer comparaciones entre pares de medias.
d) Construir una grfica de probabilidad normal de los residuales. Qu conclusiones se sacaran acerca de
la validez del supuesto de normalidad?
e) Graficar los residuales contra la resistencia a la tensin predicha. Comentar la grfica.
[) Hacer un diagrama de dispersin de los resultados como ayuda para la interpretacin de los resultados
de este experimento.
3-2. a) Resolver de nuevo el inciso b del problema 3-1 utilizando la prueba del rango mltiple de Duncan con a
= 0.05. Hay alguna diferencia en las conclusiones?
b) Resolver de nuevo el inciso b del problema 3-1 utilizando la prueba de Thkey con a = 0.05. Se llega a las
mismas conclusiones con la prueba de Tukey que las obtenidas con el procedimiento grfico y/o con la
prueba del rango mltiple de Duncan?
e) Explicar la diferencia entre los procedimientos de Duncan y de Tukey.
3-3. Considere nuevamente el problema 3-1. Encontrar un intervalo de confianza de 95% para la resistencia a la
tensin media del cemento portland que produce cada una de las cuatro tcnicas de mezclado. Encontrar
tambin un intervalo de confianza de 95% para la diferencia en las medias de las tcnicas 1 y 3. Sirve esto de
ayuda para interpretar los resultados del experimento?
3-4. Se llev a cabo un experimento a fin de detertninar si cuatro temperaturas de coccin especficas afectan la
densidad de cierto tipo de ladrillo. El experimento produjo los siguientes datos:
Temperatura Densidad
100 21.8 21.9 21.7 21.6 21.7
125 21.7 21.4 21.5 21.4
150 21.9 21.8 21.8 21.6 21.5
175 21.9 21.7 21.8 21.4
a) La temperatura de coccin afecta la densidad de los ladrillos? Utilizar a = 0.05.

b) Es apropiado comparar las medias utilizando la prueba del rango mltiple de Duncan (por ejemplo) en
este experimento?
e) Analizar los residuales de este experimento. Se satisfacen los supuestos del anlisis de varianza?
d) Construir una representacin grfica de los tratatnientos como se describi en la seccin 3-5.3. Esta
grfica resume adecuadamente los resultados del anlisis de varianza del inciso a?
3-5. Resolver de nuevo el inciso d del problema 3-4 utilizando el mtodo LSD de Fisher. A qu conclusiones se
llega? Explicar en detalle cmo se modific la tcnica para tomar en cuenta los tamaos de las muestras desi-
guales.
3-6. Un fabricante de televisores est interesado en el efecto de cuatro tipos diferentes de recubrimientos para cines-
copias de color sobre la conductividad de un cinescopio. Se obtienen los siguientes datos de la conductividad:
Tipo de recubrimiento Conductividad

1 143 141 150 146
2 152 149 137 143
3 134 136 132 127
4 129 127 132 129
a) Hay alguna diferencia en la conductividad debida al tipo de recubrimiento? Utilizar a = 0.05.

b) Estimar la media global y los efectos de los tratamientos.
e) Calcular la estimacin de un intervalo de confianza de 95% para la media del tipo de recubrimiento 4.
Calcular la estimacin de un intervalo de confianza de 99% para la diferencia media entre los tipos de re-
cubrimiento 1 y 4.
d) Probar todos los pares de medias utilizando el mtodo LSD de Fisher con a == 0.05.
e) Usar el mtodo grfico comentado en la seccin 3-5.3para comparar las medias. Cul es el tipo de recu-
brimiento que produce la conductividad ms alta?
f) Suponiendo que el recubrimiento tipo 4 es el que se est usando actualmente, qu se recomendara al
fabricante? Quiere minimizarse la conductividad.
3-7. Considere nuevamente el experimento del problema 3-6.Analizar los residuales y sacar conclusiones acerca
de la adecuacin del modelo.
3-8. En un artculo deACI Materials Joumal (vol. 84,pp. 213-216) se describen varios experimentos para investi-
gar el varillado del concreto para eliminar el aire atrapado. Se us un cilindro de 3 X 6 pulgadas; y el nmero
de veces que esta barra se utiliz es la variable del diseo. La resistencia a la compresin resultante de la
muestra de concreto es la respuesta. Los datos se muestran en la tabla siguiente:
Nivel de varillado Resistencia a la compresin

10 1530 1530 1440
15 1610 1650 1500
20 1560 1730 1530
25 1500 1490 1510
a) Hay alguna diferencia en la resistencia a la compresin debida al nivel de varillado? Utilizar a = 0.05.
b) Encontrar el valor P para el estadstico F del inciso a.
e) Analizar los residuales de este experimento. Qu conclusiones pueden sacarse acerca de los supuestos
fundamentales del modelo?
d) Construir una representacin grfica para comparar las medias de los tratamientos, como se describi
en la seccin 3-5.3.
3-9. En un artculo de Environment International (vol. 18,no. 4) se describe un experimento en el que se investig
la cantidad de radn liberado en las duchas. Se us agua enriquecida con radn en el experimento, y se pro-
baron seis dimetros diferentes de los orificios de las regaderas. Los datos del experimento se muestran en la
siguiente tabla:
3-11 PROBLEMAS 121
Dimetro de
los orificios Radn liberado (%)
0.37 80 83 83 85
0.51 75 75 79 79
0.71 74 73 76 77
1.02 67 72 74 74
1.40 62 62 67 69
1.99 60 61 64 66
a) El tamao de los orificios afecta el porcentaje promedio del radn liberado? Utilizar a = 0.05.
b) Encontrar el valor P para el estadstico F del inciso a.
e) Analizar los residuales de este experimento.
d) Encontrar un intervalo de confianza de 95% para el porcentaje promedio de radn liberado cuando el
dimetro de los orificios es 1.40.
e) Construir una representacin grfica para comparar las medias de los tratamientos, como se describi
en la seccin 3-5.3. Qu conclusiones pueden sacarse?
3-10. Se determin el tiempo de respuesta en milisegundos para tres diferentes tipos de circuitos que po-
dran usarse en un mecanismo de desconexin automtica. Los resultados se muestran en la siguiente
tabla:
Tipo de circuito Tiempo de respuesta

1 9 12 10 8 15
2 20 21 23 17 30
3 6 5 8 16 7
a) Probar la hiptesis de que los tres tipos de circuitos tienen el mismo tiempo de respuesta. Utilizar
a = 0.01.
b) Usar la prueba de Thkey para comparar pares de medias de los tratamientos. Utilizar a ee 0.01.
e) Usar el procedimiento grfico de la seccin 3-5.3 para comparar las medias de los tratamientos. Qu
conclusiones pueden sacarse? Cmo se comparan con las conclusiones del inciso b?
d) Construir un conjunto de contrastes ortogonales, suponiendo que al principio del experimento se sospe-
chaba que el tiempo de respuesta del circuito tipo 2 era diferente del de los otros dos.
e) Si el lector fuera el ingeniero de diseo y quisiera minimizar el tiempo de respuesta, Zqu tipo de circuito
seleccionara?
f) Analizar los residuales de este experimento. Se satisfacen los supuestos del anlisis de varianza b-
sico?
3-11. Se estudia la vida efectiva de los fluidos aislantes en una carga acelerada de 35 kV. Se han obtenido datos de
una prueba para cuatro tipos de fluidos. Los resultados fueron los siguientes:
Tipo de fluido Vida (en horas) con 35 kV de carga

1 17.6 18.9 16.3 17.4 20.1 21.6
2 16.9 15.3 18.6 17.1 19.5 20.3
3 21.4 23.6 19.4 18.5 20.5 22.3
4 19.3 21.1 16.9 17.5 18.3 19.8
122 CAPTIJLO 3 EXPERIMENTOSCON UN SOLO FACTOR: ELANLISIS DE VARIANZA
a) Hay algn indicio de que los fluidos difieran? Utilizar a = 0.05.

b) Cul fluido seleccionara el lector, dado que el objetivo es conseguir la vida efectiva ms larga?
e) Analizar los residuales de este experimento. Se satisfacen los supuestos del anlisis de varianza bsico?
3-12. Se estudian cuatro diferentes tipos de diseos de un circuito digital de computadora para comparar la canti-
dad de ruido presente. Se obtienen los siguientes datos:
Diseo del circuito Ruido observado

1 19 20 19 30 8
2 80 61 73 56 80
3 47 26 25 35 50
4 95 46 83 78 97
a) La cantidad de ruido presente es la misma para los cuatro diseos? Utilizar a = 0.05.
b) Analizar los residuales de este experimento. Se satisfacen los supuestos del anlisis de varianza?
e) Qu diseo del circuito se seleccionara para usarlo? El ruido bajo es mejor.
3-13. Se pide a cuatro qumicos que determinen el porcentaje de alcohol metlico en cierto compuesto qumico.
Cada qumico hace tres determinaciones, y los resultados son los siguientes:
Qumico Porcentaje de alcohol metlico

1 84.99 84.04 84.38
2 85.15 85.13 84.88
3 84.72 84.48 85.16
4 84.20 84.10 84.55
a) Los qumicos difieren significativamente? Utilizar a = 0.05.

b) Analizar los residuales de este experimento.
e) Si el qumico 2 es un empleado nuevo, construir un conjunto razonable de contrastes ortogonales que
podra haberse usado al principio del experimento.
3-14. Se someten a estudio tres marcas de bateras. Se sospecha que las vidas (en semanas) de las tres marcas son
diferentes. Se prueban cinco bateras de cada marca con los resultados siguientes:
Semanas de vida
Marca 1 Marca 2 Marca 3
100 76 108
96 80 100
92 75 96
96 84 98
92 82 100
a) Las vidas de estas tres marcas son diferentes?

e) Construir la estimacin de un intervalo de confianza de 95% para la vida media de la batera marca 2.
Construir la estimacin del intervalo de confianza de 99% para la diferencia media entre las vidas de las .
bateras marcas 2 y 3.
3-11 PROBLEMAS 123
d) Qu marca seleccionara el lector para usarla? Si el fabricante reemplazara sin cargo cualquier batera
que dure menos de 85 semanas, qu porcentaje esperara reemplazar la compaa?
3-15. Se estn investigando cuatro catalizadores que pueden afectar la' concentracin de un componente en una
mezcla lquida de tres componentes. Se obtienen las-siguientes concentraciones:
Catalizador
1 2 3 4
58.2 56.3 50.1 52.9
57.2 54.5 54.2 49.9
58.4 57.0 55.4 50.0
55.8 55.3 51.7
54.9
a) Los cuatro catalizadores tienen el mismo efecto sobre la concentracin?

e) Construir la estimacin de un intervalo de confianza de 99% para la respuesta media del catalizador 1.
3-16. Se llev a cabo un experimento para investigar la eficacia de cinco materiales aislantes. Se probaron cuatro
muestras de cada material con un nivel elevado de voltaje para acelerar el tiempo de falla. Los tiempos de fa-
lla (en minutos) se muestran abajo:
Material Tiempo de falla (minutos)

1 110 157 194 178
2 1 2 4 18
3 880 1256 5276 4355
4 495 7040 5307 10,050
5 7 5 29 2
a) Los cinco materiales tienen el mismo efecto sobre el tiempo de falla?

b) Graficar los residuales contra la respuesta predicha. Construir una grfica de probabilidad normal de los
residuales. Qu informacin transmiten estas grficas?
e) Con base en la respuesta del inciso b,realizar otro anlisis de los datos del tiempo de falla y sacar las con-
clusiones apropiadas.
3-17. Un fabricante de semiconductores ha desarrollado tres mtodos diferentes para reducir el conteo de partcu-
las en las obleas. Los tres mtodos se prueban en cinco obleas y se obtiene el conteo de partculas despus del
tratamiento. Los datos se muestran abajo:
Mtodo Conteo
1 31 10 21 4 1
2 62 40 24 30 35
3 53 27 120 97 68
a) Todos los mtodos tienen el mismo efecto sobre el conteo promedio de partculas?
b) Graficar los residuales contra la respuesta predicha. Construir una grfica de probabilidad normal de los
residuales. Hay motivo de preocupacin potencial acerca de la validez de los supuestos?
e) Con base en la respuesta del inciso b, realizar otro anlisis de los datos del conteo de partculas y sacar las
conclusiones apropiadas.
3-18. Considere la prueba de la igualdad de las medias de dos poblaciones normales, donde las varianzas son des-
conocidas pero se suponen iguales. El procedimiento de prueba apropiado es la prueba t agrupada o combi-
nada. Demostrar que la prueba t combinada es equivalente al anlisis de varianza de un solo factor.
3-19. Demostrar que la varianza de la combinacin lineal1::=lcyi. es a21:~=lnc.
3-20. En un experimento con efectos fijos, suponga que hay n observaciones para cada uno de cuatro tratamientos.
Sean {f, (Ji, O; los componentes con un solo grado de libertad de los contrastes ortogonales. Demostrar que
SS'II'a'amieD'OII = {f + (Ji +0;.
3-21. Utilizar la prueba de Bartlett para determinar si el supuesto de la igualdad de las varianzas se satisface en el
problema 3-14. Utilizar a = 0.05. Se lleg a la misma conclusin respecto de la igualdad de las varianzas con
el examen de las grficas de los residuales?
3-22. Utilizar la prueba de Levene modificada para determinar si el supuesto de las varianzas iguales se satisface
en el problema 3-14. Utilizar a = 0.05. Se lleg a la misma conclusin respecto de la igualdad de las varian-
zas con el examen de las grficas de los residuales?
3-23. Referirse al problema 3-10. Si quiere detectarse una diferencia mxima en los tiempos de respuesta prome-
dio de 10 milisegundos con una probabilidad de al menos 0.90, Zqu tamao de la muestra deber usarse?
Cmo se obtendra una estimacin preliminar de a2?
3-24. Referirse al problema 3-14.
a) Si quiere detectarse una diferencia mxima en la vida de las bateras de 10 horas con una probabilidad de
al menos 0.90, Zqu tamao de la muestra deber usarse? Comentar cmo se obtendra una estimacin
preliminar de a2 para responder esta pregunta.
b) Si la diferencia entre las marcas es lo suficientemente grande para que la desviacin estndar de una ob-
servacin se incremente en 25%, qu tamao de la muestra deber usarse si quiere detectarse esto con
una probabilidad de al menos 0.90?
3-25. Considere el experimento del problema 3-14. Si quiere construirse un intervalo de confianza de 95% para la
diferencia en las vidas medias de dos bateras que tenga una precisin de 2 semanas, Zcuntas bateras de
cada marca deben probarse?
3-26. =
Suponga que cuatro poblaciones normales tienen medias J.lI = 50, J.l2 = 60,J.l3 = 50 y #4 60. Cuntas obser-
vaciones debern hacerse en cada poblacin para que la probabilidad de rechazar la hiptesis nula de la
igualdad de las medias poblacionales sea al menos 0.90? Suponer que a = 0.05 Yque una estimacin razona-
ble de la varianza de error es a2 = 25.
327. Referirse al problema 3-26.
a) En qu forma cambiara la respuesta si una estimacin razonable de la varianza del error experimental
fuera a2 = 36?
b) En qu forma cambiara la respuesta si una estimacin razonable de la varianza del error experimental
fuera a2 = 49?
e) Puede sacarse alguna conclusin acerca de la sensibilidad de la respuesta dada en esta situacin
particular acerca de cmo afecta la estimacin de a la decisin referente al tamao de la muestra?
d) Puede hacerse alguna recomendacin acerca de cmo debera usarse este enfoque general para elegir n
en la prctica?
3-28. Referirse al experimento de la fundicin de aluminio descrito en la seccin 3-8. Verificar que los mtodos
para controlar la proporcin de almina no afectan el voltaje promedio de la celda. Construir una grfica de
probabilidad normal de los residuales. Graficar los residuales contra los valores predichos. Existe algn in-
dicio de que se violan algunos de los supuestos fundamentales?
3-29. Referirse al experimento de la fundicin de aluminio de la seccin 3-8. Verificar el anlisis de varianza del
ruido del crisol que se resume en la tabla 3-13. Examinar las grficas de los residuales usuales y comentar la
validez del experimento.
3-30. Se investigaron cuatro diferentes velocidades de alimentacin en un experimento con una mquina CNC que
produce una pieza que se usa en la unidad de potencia auxiliar de un avin. El ingeniero de manufactura a
cargo del experimento sabe que una dimensin crtica de la pieza de inters puede ser afectada por la veloci-
dad de alimentacin. Sin embargo, la experiencia previa indica que es probable que slo estn presentes
3-11 PROBLEMAS 125
efectos de dispersin. Es decir, al cambiarse la velocidad de alimentacin no se afecta la dimensinprome-
dio, pero podra afectarse la variabilidad dimensional. El ingeniero realiza cinco corridas de produccin con
cada velocidad de alimentacin y obtiene la desviacin estndar de la dimensin crtica (en 10-3 mm). Los da-
tos se muestran abajo. Suponer que todas las corridas se hicieron en orden aleatorio.
Velocidad de alimentacin Corrida de produccin

(pulgadas/minuto) 1 2 3 4 5
10 0.09 0.10 0.13 0.08 0.07
12 0.06 0.09 0.12 0.07 0.12
14 0.11 0.08 0.08 0.05 0.06
16 0.19 0.13 0.15 0.20 0.11
a) La velocidad de alimentacin tiene algn efecto sobre la desviacin estndar de esta dimensin crtica?
b) Usar los residuales de este experimento para investigar la adecuacin del modelo. Hay algn problema
con la validez experimental?
3-31. Considere los datos del problema 3-10.
a) Escribir las ecuaciones normales de mnimos cuadrados para este problema y resolverlas para #. y i i' uti-
lizando la restriccin usual (~:_lii = O).Estimar t"t - fz.
b) Resolver las ecuaciones del inciso a utilizando la restriccin i 3 = o. Los estimadores iI Y#. son los mis-
mos que se encontraron en el inciso a? Por qu? Estimar ahora 1'1 - 1'2 Ycomparar la respuesta con la del
inciso Q. Qu afirmacin puede hacerse respecto de estimar los contrastes en las fl?
e) Estimar ,t + 1'1>2'rt-t"2 -1'3' Y,t + 1'1 + 1'2 utilizando las dos soluciones de las ecuaciones normales. Com-
parar los resultados obtenidos en cada caso.
3-32. Aplicar la prueba general de significacin de la regresin en el experimento del ejemplo 3-1. Demostrar que
el procedimiento produce los mismos resultados que el anlisis de varianza usual.
3-33. Usar la prueba de Kruskal-Wallis en el experimento del problema 3-11. Comparar las conclusiones obtenidas
con las del anlisis de varianza usual.
3-34. Usar la prueba de Kruskal-Wallis en el experimento del problema 3-12. Los resultados son comparables con
los encontrados por el anlisis de varianza usual?
3-35. Considere el experimento del ejemplo 3-1. Suponga que la observacin mayor de la resistencia a la tensin se
registr incorrectamente como 50. Qu efecto tiene esto sobre el anlisis de varianza usual? Qu efecto
tiene sobre la prueba de Kruskal-Wallis?
Bloques aleatorizados,
cuadrados latinos y diseos
relacionados
4..1 DISEO DE BLOQUES COMPLETOS ALEATORIZAOOS
En cualquier experimento, la variabilidad que surge de un factor perturbador puede afectar los resulta-
dos. En general, un factor perturbador puede definirse como un factor del diseo que probablemente
tenga un efecto sobre la respuesta, pero en el que no existe un inters especfico. En ocasiones un factor
perturbador es desconocido y no controlable; es decir, se desconoce la existencia de ese factor e incluso
puede tener niveles variables mientras se est realizando el experimento. La aleatorizacin es la tcnica
de diseo que se utiliza para: protegerse contra estos factores perturbadores "que estn al acecho". En
otros casos, el factor perturbador es conocido pero no controlable. Si por lo menos puede observarse el
valor que asume el factor perturbador en cada corrida del experimento, es posible hacer la compensacin
correspondiente en el anlisis estadstico mediante el uso del anlisis de covaranza, una tcnica que se
revisar en el captulo 14. Cuando la fuente de variabilidad perturbadora es conocida y controlable, pue-
de usarse una tcnica de diseo llamada formacin de bloques para eliminar de manera sistemtica su
efecto sobre las comparaciones estadsticas entre los tratamientos. La formacin de bloques es una tcni-
ca de diseo en extremo importante que se utiliza ampliamente en la experimentacin industrial, y es la
materia de este captulo.
Para ilustrar la idea general, suponga que quiere determinarse si cuatro puntas diferentes producen o
no lecturas diferentes en una mquina para probar la dureza. Un experimento como ste podra ser parte
de un estudio de la aptitud en la calibracin de los instrumentos. La mquina funciona presionando la
punta en un ejemplar de prueba de metal, y por la profundidad de la depresin resultante puede determi-
narse la dureza del ejemplar. El experimentador ha decidido obtener cuatro observaciones para cada
punta. Hay un solo factor --el tipo de punta-, y un diseo completamente aleatorizado de un solo factor
consistira en asignar al azar cada una de las 4 x 4 == 16 corridas a una unidad experimental, es decir, a un
ejemplar de prueba de metal, y observar qu resulta de la lectura de la dureza. Por lo tanto, se necesita-
ran 16 ejemplares de prueba de metal en este experimento, uno por cada corrida del diseo.
Existe un problema potencialmente serio con un experimento por completo aleatorizado en esta si-
tuacin de diseo. Si los ejemplares de prueba de metal difieren ligeramente en sus durezas, como podra
126
41 DISEO DE BLOQUES COMPLETOS ALEA TORIZADOS 127
Tabla 4-1 Diseo de bloques completos aleatorizadospara el
experimento de la prueba de la dureza
Ejemplar de prueba
Tipo de punta 1 2 3 4
1 9.3 9.4 9.6 10.0
2 9.4 9.3 9.8 9.9
3 9.2 9.4 9.5 9.7
4 9.7 9.6 10.0 10.2
ocurrir si se tomaran de lingotes que se produjeron con temperaturas diferentes, las unidades experimen-
tales (los ejemplares de prueba) contribuirn a la variabilidad observada en los datos de la dureza. Como
resultado, el error experimental reflejar tanto el error aleatorio como la variabilidad entre los ejempla-
res de prueba.
El objetivo sera hacer el error experimental tan pequeo como fuera posible; es decir, querra elimi-
narse del error experimental la variabilidad entre los ejemplares de prueba. Un diseo para lograr esto
requiere que el experimentador pruebe cada punta una vez en cada uno de los cuatro ejemplares de prue-
ba. A este diseo, que se muestra en la tabla 4-1, se le llama diseo de bloques completos aleatorizados
(RCBD, randomized completeblock design), La respuesta observada es la dureza en la escala C de Rockwell
menos 40. La palabra "completos" indica que cada bloque (ejemplar de prueba) contiene todos los tratamien-
tos (puntas). Al utilizar este diseo, los bloques o ejemplares de prueba forman una unidad experimental
ms homognea en la cual comparar las puntas. De hecho, esta estrategia de diseo mejora la precisin
de las comparaciones entre las puntas al eliminar la variabilidad entre los ejemplares de prueba. Dentro de
un bloque, el orden en que se prueban las cuatro puntas se determina aleatoriamente. Observe la simili-
tud de este problema de diseo con el de la seccin 2-5, donde se analiz la prueba t pareada. El diseo de
bloques completos aleatorizados es una generalizacin de ese concepto.
El RCBD es uno de los diseos experimentales ms utilizados. Son numerosas las situaciones en las
que el RCBD es apropiado. Las unidades de equipo o maquinaria de prueba son con frecuencia diferen-
tes en sus caractersticas de operacin y seran un factor de formacin de bloques tpico. Lotes de materia
prima, personas y el tiempo tambin son fuentes de variabilidad perturbadora comunes en un experimen-
to que pueden controlarse de manera sistemtica mediante la formacin de bloques.
La formacin de bloques tambin puede ser til en situaciones que no incluyen necesariamente fac-
tores perturbadores. Por ejemplo, suponga que un ingeniero qumico est interesado en el efecto de la ve-
locidad de alimentacin del catalizador sobre la viscosidad de un polmero. Sabe que hay varios factores,
como la fuente de la materia prima, la temperatura, el operador y la pureza de la materia prima, que son
muy difciles de controlar en proceso en gran escala. Por lo tanto, decide probar en bloques la velocidad
de alimentacin del catalizador, donde cada bloque consiste en alguna combinacin de estos factores no
controlables. De hecho, est utilizando los bloques para probar la robustez de su variable de proceso (la
velocidad de alimentacin) para las condiciones que no puede controlar con facilidad. Para un anlisis
ms amplio de este punto, ver Coleman y Montgomery [27].
4..1.1 Anlisis estadstico del diseo de bloques completos aleatorizados

Suponga que se tienen, en general, a tratamientos que van a compararse y b bloques. El diseo de bloques
completos aleatorizados se muestra en la figura 4-1. Hay una observacin por tratamiento en cada blo-
que, y el orden en que se corren los tratamientos dentro de cada bloque se determina al azar. Debido a
128 CAPTULO 4 BLOQUES ALEATORlZAD()S, CUADRADOS LATINOS Y DISEOS RELACIONADOS
Bloque 1 Bloque 2 Bloque b
Figura 41 El diseo de bloques completos aleatorzados,
que la nica aleatorizacin de los tratamientos se hace dentro de los bloques, con frecuencia se dice que
los bloques representan una restriccin sobre la aleatorizacin.
El modelo estadstico del RCBD puede escribirse de varias maneras. El tradicional es el modelo de
los efectos:
=
i 1, ~.,., a
(4-1)
Yij=.t+'t+P+Eij { ]'=1') ..., b
,...,
donde s es la media global, t, es el efecto del tratamiento i-simo, p es el efecto del bloque j-simo, y Ees
el trmino del error NID(O, cr) usual. Se considerar inicialmente que los tratamientos y los bloques son
factores fijos. Como en el modelo del diseo experimental con un solo factor del captulo 3, el modelo de
los efectos para el RCBD es un modelo sobreespecificado. En consecuencia, los efectos de los tratamien-
tos y los bloques se consideran por 10 general como desviaciones de la media global, por lo que
'Iambin es posible usar un modelo de las medias para el RCBD, por ejemplo
i=l,~ ,a
YI} = PI; +Eij { l= 1, ~ ,b
donde .tij = P + 'ti + Pi" Sin embargo, en este captulo se usar el modelo de los efectos de la ecuacin 4-1.
En un experimento en el que se use el RCBD, el inters se encuentra en probar la igualdad de las me-
dias de los tratamientos. Por lo tanto, las hiptesis de inters son
HO:P1 = P2 = ... = .ta
HI: al menos una .t :o!: f.l
Puesto que la media del tratamiento i-simo es .t= (lIb p:: ~-l (}t + 'ti + Pi) = .t + 'tI' una manera equivalen-
te de escribir las hiptesis anteriores es en trminos de los efectos de los tratamientos, por ejemplo
HO:'tI=T2="'=fa=O
HI: f :o!: O para al menos una i
Seay, el total de observaciones hechas bajo el tratamiento i., el total de observaciones del bloquej,y ..
=
el gran total de las observaciones y N ab el nmero total de observaciones. Expresado matemticamente,
4-1 DISEO DE BLOQUES COMPLETOS ALEATORlZAOOS 129
i = 1, 2, ... , a (4-2)
v, = !
1",1
YIj i= 1, 2, ... , b (4-3)
(4-4)
De manera smlar.j es el promedio de las observaciones hechas bajo el tratamiento i,y es el promedio
de las observaciones del bloque j, Y.. es el gran promedio de todas las observaciones, Es decir,
YI. = YI. / b Y. = Y. / a y_ / N (4-5)

La suma de cuadrados total corregida puede expresarse como
Q b Q b
LL (Yij _ Y.. )2 = LL [UI. _ Y..)+(Y. - Y.. )+(YIj _ Y/. - Y. +Y.. )]2 (4-6)
Al desarrollar el miembro del lado derecho de la ecuacin 4-6 se obtiene

Q b Q b
~ ~
L., L.,
( YIj _ Y..
- )2 = b L.,
~ - )2
(-YI, _ y.. + aL.,
~ (-Y. _ Y..
- )2
1"'1mi 1-1 -I
b b
Q
+~~ ( _-YI. _-Y. +-Y..)2+2~~L., L.,

L., L., Yfj
Q
oYi. _-Y. )(-_-)

v, Y..
;-1 j~l ;=1j-l
Q b
+2~~
, e: (-Y.j _-)(
Y.. Yij _-v, _-v, +-)
Y..
~1 j"'
a b
+2~L., L.,
~ (-YI. _ Y.
-)( Yij _ Yi. - +-Y.. )
- _ Y.
Mediante procedimientos algebraicos simples, pero laboriosos, se prueba que los tres productos cruzados
son cero. Por lo tanto,
(4-7)
representa una particin de la suma de cuadrados total. Al expresar simblicamente las sumas de cuadra-
dos de la ecuacin 4-7, se tiene
(4-8)
Puesto que hay N observaciones, SST tiene N - 1 grados de libertad. Haya tratamientos y b bloques,
de donde SSnalamientos y SSBloqu tienen a -1 y b -1grados de libertad, respectivamente. La suma de cuadra-
130 CAPTULO 4 BLOQUES ALEATORIZADOS, CUADRADOS LATINOS y DISEOS RELACIONADOS
dos del error es slo la suma de cuadrados entre las celdas menos la suma de cuadrados de los tratamien-
tos y los bloques. Hayab celdas con ab -1grados de libertad entre ellas, de donde SS E tiene ab - 1-(a -1)
-(b -1) = (a -1)(b-1) grados de libertad. Adems, la suma de los grados de libertad del lado derecho de
la ecuacin 4-8 es igual al total del lado izquierdo; por lo tanto, al establecer los supuestos de normalidad
usuales para los errores, puede usarse el teorema 3-1 para demostrar que SSTratamientojo2, SSBIOfjUejrr y
SSE/rr son variables aleatorias ji-cuadrada con distribuciones independientes. Cada suma de cuadrados
dividida por sus grados de libertad es un cuadrado medio. Puede demostrarse que el valor esperado de los
cuadrados medios, si los tratamientos y los bloques son fijos, es
b! r;
A"S Tratamientos) = a 2 +---,i,--,,~l_
B( JYI'
a-1
b
2
aL fJ~
i~l
E(MSBIoqUe,)=a + b-1
E(MSE)= a2
Por lo tanto, para probar la igualdad de las medias de los tratamientos, se usara el estadstico de prueba
F. = MS TrAtamientos
O MS E
que se distribuye como Fa-l, (a-l)(b-l)si la hiptesis nula es verdadera. La regin crtica es la cola superior de
la distribucin F, y Ho se rechazara si F > Fa, a-1, (a-l)(b-l)'
Tambin podra haber inters en comparar las medias de los bloques porque, en caso de que la dife-
rencia entre estas medias no sea considerable, quiz no sea necesaria la formacin de bloques en experi-
mentos futuros. Por los cuadrados medios esperados, aparentemente la hiptesis HO:fJi = O puede
probarse comparando el estadstico Fo = MSBkxu.jMSE con Fa, bol, (a-l)(b-l)' Sin embargo, recuerde que la
aleatorizacin slo se ha aplicado a los tratamientos dentro de los bloques; es decir, los bloques represen-
tan una restriccin sobre la aleatorizacin. Qu efecto tiene esto sobre el estadstico F = MSa1o
qu.jMS E? Existen diferentes puntos de vista para abordar esta cuestin. Por ejemplo, Box, Hunter y Hun-
ter [18] sealan que la pruebaF del anlisis de varianza comn puede justificarse exclusivamente con base
en la aleatorizacin,' sin el uso directo del supuesto de normalidad. Agregan que en la prueba para com-
parar las medias de los bloques no puede recurrirse a dicha justificacin debido a la restriccin sobre la
aleatorizacin; pero si los.errores son NID(O, 02), puede usarse el estadstico F = MSBloqucjMSE para
comparar las medias de los bloques. Por otra parte, Anderson y McLean [2] argumentan que la restric-
cin sobre la aleatorizacin impide que este estadstico sea una prueba significativa para comparar las
medias de los bloques y que este cociente F es en realidad una prueba de la igualdad de las medias de los
bloques ms la restriccin sobre la aleatorizacin (a la que llaman el error de la restriccin; ver Anderson
y McLean [2] para detalles adicionales). '
Entonces, Zqu se hace en la prctica? Debido a que con frecuencia el supuesto de normalidad es
cuestionable, considerar F o = MSBloqucjMS E como una prueba F exacta para la igualdad de las medias de
los bloques no es una buena prctica general. Por esa razn, esta prueba F no se incluye en la tabla del
anlisis de varianza. Sin embargo, como un procedimiento aproximado para investigar el efecto de la va-
riable formacin de bloques, examinar el cociente MSBloquejMS E es muy razonable. Si este cociente es muy
1 De hecho, la distribucinF de la teora normal es una aproximacin de la distribucin de aleatorizacin generada al calcular F a
partir de cada asignacin posible de las respuestas a los tratamientos.

4-1 DISEO DE BLOQUES COMPLETOS ALEATORIZADOS 131
Tabla 4-2 Anlisis de varianza de un diseo de bloques completos aleatorizados
Fuente de Grados de
variacin Suma de cuadrados libertad Cuadrado medio
'Iratamientos SSlblAmientO< a-l SSnatamiento. MSnatamient",
a-l MS"
Bloques SSOloque. b-l S~loques
b-l
Error SSE (a-l)(b-l) SSE
(a-l)(b-l)
Thtal SST N-l
grande, implica que el factor formacin de bloques tiene un efecto considerable y que la reduccin del
ruido obtenida por la formacin de bloques probablemente fue til para mejorar la precisin de la com-
paracin de las medias de los tratamientos.
El procedimiento suele resumirse en un esquema de anlisis de varianza, como el que se muestra en
la tabla 4-2. En general, los clculos se realizaran con un paquete de software de estadstica. Sin embar-
go, es posible obtener frmulas de clculo manual de las sumas de cuadrados para los elementos de la
ecuacin 4-7 expresndolos en trminos de los totales de los tratamientos y los bloques. Estas frmulas de
clculo son
4 b 2
SSr= LL
;=1 j=J
y~-~ (4-9)
1 4 y2
SS Tratamientos = bL l- Iv
.=1
(4-10)
SS =_1~b y2 __ i.. (4-11)

Bloques a LJ .J N
J-l
y la suma de cuadrados del error se obtiene por sustraccin como
SSE = SSr - SSTratamiento. - SSBIOQUCS (4-12)
E)"EMPLO 4..1 .
Considere el experimento de la prueba de la dureza de la seccin 4-1. Hay cuatro puntas y cuatro ejempla-
res de prueba de metal. Cada punta se prueba una vez en cada ejemplar, resultando un diseo de bloques
completos aleatorizados. Los datos obtenidos se repiten por conveniencia en la tabla 4-3. Recuerde que
el orden en que se probaron las puntas en un ejemplar particular se determin al azar. Para simplificar los
Tabla 4.3 Diseo de bloques completos aleatorizados para el

experimento de la prueba de la dureza
Ejemplar de prueba (bloque)
~~~~ 1 2 3 4
1 9.3 9.4 9.6 10.0
2 9.4 9.3 9.8 9.9
3 9.2 9.4 9.5 9.7
4 9.7 9.6 10.0 10.2
13 2 CAPTULO 4 BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
Tabla 4-4 Datoscodificadosdelexperimentode la pruebade la dureza

Tipo de punta 1 2 3 4 Yi.
1 -2 -1 1 5 3
2 -1 -2 3 4 4
3 -3 -1 O 2 -2
4 2 1 5 7 15
Yi -4 -3 9 18 20"" y..
clculos, los datos originales se codifican restando 9.5 de cada observacin y multiplicando el resultado
por 10. Se obtienen as los datos de la tabla 4-4. Lassumas de cuadrados se obtienen de la siguiente manera:
442
SST = LL Yi~ - ~
i~l j-l
( 20)2
= 154.00-16 = 129.00
SS'natamientos = b? y; - y2]v
1 4
,~l
= [(3)2 +(4)2 +(_2)2 +(15)2]- (2~{ = 38.50
SS aloques = ;;?
1 4 Y.~
2
Y.j - N
I~l
= [(_4)2 +(_3)2 +(9)2 +(18)2]- (210{ = 82.50
SSE = SST - SS Tratamientos- SSlIloqueS

= 129.00- 38.50- 82.50= 8.00
En la tabla 4-5 se presenta el anlisis de varianza. Utilizando a = 0.05, el valor crtico de F es FO.05,3,9 =
3.86. Puesto que 14.44 > 3.86, se concluye que el tipo de punta afecta la lectura de la dureza media. El va-
lor P para la prueba tambin es muy pequeo. Adems, al parecer los ejemplares (bloques) difieren de
manera significativa, ya que el cuadrado medio de los bloques es grande en relacin con el error.
Es interesante observar los resultados que se habran obtenido si no se hubiera tenido conocimiento
de los diseos de bloques aleatorizados. Suponga que se usaran cuatro ejemplares, asignando al azar las
puntas a cada uno de ellos, y que resultara (por casualidad) el mismo diseo que el de la tabla 4-3. El an-
lisis incorrecto de estos datos como un diseo completamente.aleatorizado de un solo factor se presenta
en la tabla 4-6.
Tabla4-5 Anlisisde varianzadelexperimentode la pruebade la dureza

Tratamientos(tipo
de punta) 38.50 3 12.83 14.44 0.0009
Bloques (ejemplares) 82.50 3 27.50
Error 8.00 9 0.89
Thtal 129.00 15
4-1 DISEO DE BLOQUESCOMPLETOS ALEATORIZADOS 133
Tabla 4-6 Anlisis incorrecto del experimento de la prueba de la dureza
como un diseo completamente aleatorizado
variacin cuadrados libertad medio
Tipo de punta 38.50 3 12.83 1.70
Error 90.50 12 7.54
Total 129.00 15
Puesto que FO.05,3,12 = 3.49, no puede rechazarse la hiptesis de la igualdad de las mediciones de la dureza
media de las cuatro puntas. Por lo tanto, el diseo de bloques aleatorizados reduce lo suficiente la canti-
dad de ruido en los datos para que las diferencias entre las cuatro puntas sean detectadas. Esto ilustra un
punto muy importante. Si un experimentador no recurre a la formacin de bloques cuando debera ha-
berlo hecho, el efecto puede ser inflar el error experimental a tal grado que las diferencias importantes
entre las medias de los tratamientos sean indetectables.
Muestra de salida de computadora

En la figura 4-2 se muestra la salida de computadora condensada obtenida con Design-Expert para los da-
tos de la prueba de la dureza del ejemplo 4-1. Recuerde que en el anlisis original de la tabla 4-5 se utiliza-
ron datos codificados. (Las respuestas originales se codificaron restando 9.5 y multiplicando el resultado
por 10.) El anlisis de computadora utiliz las respuestas originales. Por consiguiente, las sumas de cua-
drados de la figura 4-2 son iguales a las de la tabla 4-5 divididas entre 100 (observe que Design-Expert ha
redondeado las sumas de cuadrados con dos cifras decimales).
Los residuales se enlistan en la parte inferior de la salida de computadora. stos se calculan como
eij = Yij - Yij

y, como se demostrar ms adelante, los valores ajustados son Yi = Yi. + JJ - y, de donde
ei = Yi - y; - Y.j +Y.. (4-13)
En la seccin siguiente se indicar cmo se usan los residuales en la verificacin de la adecuacin del modelo.
Comparaciones mltiples
Si los tratamientos en un RCBD son fijos, y el anlisis indica una diferencia significativa en las medias de
los tratamientos, al experimentador le interesarn por lo general comparaciones mltiples para descubrir
cules son los tratamientos cuyas medias difieren. Para ello puede utilizarse cualquiera de los procedi-
mientos de comparaciones mltiples del captulo 3 (seccin 3-5). Simplemente se sustituye en las frmu-
las de la seccin 3-5 el nmero de rplicas (n) en el diseo completamente aleatorizado de un solo factor
con el nmero de bloques (b). Asimismo, es necesario recordar usar el nmero de grados de libertad del
error para el bloque aleatorizado [(a -l)(b -1)] en lugar de los grados de libertad del diseo completa-
mente aleatorizado raen - 1)].
En la salida de Design-Expert de la figura 4-2 se ilustra el procedimiento LSD de Fisher. Observe que
si se usa a = 0.05, se concluira que 1-t2 = 1-t3' Ahora bien, puesto que Y3. ::s; Yl. ::s; Y2. (es decir, las medias Y2. y
Y3. abarcan algunas de las medias restantes), una conclusin inmediata sera que a, = 1-t2 = 1-t3' Adems.u,
es diferente de las otras tres medias. Se concluye por lo tanto que la punta tipo 4 produce una dureza me-
dia que es significativamente ms alta que las lecturas de la dureza media de los otros tres tipos de puntas.
134 CAPTULO 4 BLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
Response: Hardness in Roekwell C

ANOVAfor Selected Factoal Model
Analysis of varianee table [Partlal sum of squaresl
Sum of Mean F
Source Squares DF Square Value Prob> F
Block 0.82 3 0.27
Model 0.38 3 0.13 14.44 0.0009 significant
A 0.38 3 0.13 14.44 0.0009
Residual 0.080 9 8.889E-003
Cor 1.29 15
Total
PRESS 0.25 Adeq Precision 15.635
Treatment Means IAdjusted, IfNecessary)
Estimated Standard
Mean Error
1-A1 9.57 0.47
2-A2 9.60 0.47
3-A3 9.45 0.47
4-A4 9.88 0.47
Mean Standard tfor Ho
Treatment Difference DF Error Coeff=O Prob> Itl
1 vs 2 -0.025 1 0.067 -0.38 0.7163
1 vs 3 0.13 1 0.067 1.87 0.0935
1 vs 4 -0.30 1 0.067 -4.50 0.0015
2 vs 3 0.15 1 0.067 2.25 0.0510
2 vs 4 -0.27 1 0.067 -4.12 0.0026
3 vs 4 -0.43 0.067 -6.37 0.0001
Diagnostics Case Statistics

Standard Actual .Predicted Student Cook's Outlier
Order Value Value Residual Levarage Residual Dlstanee t
1 9.30 9.35 -0.050 0.438 -0.707 0.056 -0.686
2 9.40 9.38 0.025 0.438 0.354 0.014 0.336
3 9.60 9.67 -0.075 0.437 -1.061 0.125 -1.069
4 10.00 9.90 0.100 0.438 1.414 0.222 1.512
5 9.40 9.38 0.025 0.438 0.354. 0.014 0.336
6 9.30 9.40 -0.100 0.437 -1.414 0.222 -1.512
7 9.80 9.70 0.100 0.437 1.414 0.222 1.512
8 9.90 9.93 -0.025 0.437 -0.354 0.014 -0.336
9 9.20 9.22 -0.025 0.438 -0.354 0.014 -0.336
10 9.40 9.25 0.150 0.437 2.121 0.500 2.828
11 9.50 9.55 -0.050 0.437 -0.707 0.056 -0.686
12 9.70 9.78 -0.075 0.437 -1.061 0.125 -1.069
13 9.70 9.65 0.050 0.438 0.707 0.056 0.686
14 9.60 9.68 -0.075 0.437 -1.061 0.125 -1.069
15 10.00 9.97 0.025 0.437 0.354 0.014 0.336
16 10.20 10.20 0.000 0.437 0.000 0.000 0.000
Fir,ur,.. 4-2 Salida de Design-Expert (condensada) para el ejemplo 4-1.
4-1 DISEO DE BLOQUES COMPLETOS ALEATORIZADOS 135
Punta Punta Punta Punta

3 1 2 4
-1 o 2 3
Dureza promedio (codificada)
Figura 4-3 Las medias del tipo de punta en relacin con una distribucin t esca-
lada con un factor de escalacin JMSE / b ==./0.89/4 =0.47.
'Iambin puede usarse el procedimiento grfico del captulo 3 (seccin 3-5.1) para comparar las me-
dias del tipo de punta. En la figura 4-3 se grafican las cuatro medias del tipo de punta del ejemplo 4-1 en
=
relacin con una distribucin t escalada con un factor de escalacin.J MS E / b .Jo. 89 /4 =
0.47. Esta gr-
fica indica que las puntas 1, 2 Y3 producen probablemente mediciones de la dureza promedio idnticas,
pero que la punta 4 produce una dureza media mucho ms alta. Esta figura confirma los resultados de la
prueba lSD de Fisher incluida en la salida de Design-Expert de la figura 4-2.
4..1.2 Verificacin de la adecuacin del modelo
Se ha comentado ya la importancia de verificar la adecuacin del modelo supuesto. En general, deber
estarse alerta a los problemas potenciales con el supuesto de normalidad, con la desigualdad de la varian-
za por tratamiento o bloque, y con la interaccin bloque-tratamiento. Como en el diseo completamente
aleatorzado, el anlisis residual es la herramienta principal que se utiliza en estos diagnsticos de verifi-
cacin. En la parte inferior de la salida de Design-Expert de la figura 4-2 se enlistan los residuales del dise-
o de bloques aleatorizados. Los residuales codificados se encontraran multiplicando estos residuales
por 10. Las observaciones, los valores ajustados y los residuales de los datos codificados de la prueba de la
dureza del ejemplo 4-1 son los siguientes:
Yq :p; eij
-2.00 -1.50 -{l.50

-1.00 -1.25 0.25
1.00 1.75 -{l.75
5.00 4.00 1.00
-1.00 -1.25 0.25
-2.00 -1.00 -1.00
3.00 2.00 1.00
4.00 4.25 -{l.25
-3.00 -2.75 -{l.25
-1.00 -2.50 1.50
0.00 0.50 -{l.50
2.00 2.75 -{l.75
2.00 1.50 0.50
1.00 1.75 -{l.75
5.00 4.75 0.25
7.00 7.00 0.00
En la figura 4-4 se muestra la grfica de probabilidad normal y el diagrama de puntos de estos resi-
duales. No hay indicios marcados de no normalidad y tampoco hay evidencia que apunte a la posible pre-
sencia de puntos atpicos. En la figura 4-5 se muestran las grficas de los residuales por tipo de punta o
138 CAPTULO 4 BLOQUESALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
=
bloque 1 en conjunto esE(yn) = ..t + t'1 + PI ..t + 5 + 2 = ..t + 7. En general, el tratamiento 1 incrementa
siempre la respuesta esperada 5 unidades sobre la suma de la media global y del efecto del bloque.
Aun cuando este modelo aditivo simple muchas veces es til, hay situaciones en las que resulta inade-
cuado. Suponga, por ejemplo, que se estn comparando cuatro formulaciones de un producto qumico
utilizando seis lotes de materia prima; los lotes de materia prima se consideran bloques. Si una impureza
en el lote 2 afecta de manera adversa la formulacin 2, dando como resultado un rendimiento inusual-
mente bajo, pero no afecta las dems formulaciones, ha ocurrido una interaccin entre las formulaciones
(o tratamientos) y los lotes (o bloques). De manera similar, pueden ocurrir interacciones entre los trata-
mientos y los bloques cuando la respuesta se mide en la escala incorrecta. Por 10 tanto, una relacin que es
multiplicativa en las unidades originales, por ejemplo
es lineal o aditiva en una escala logartmica, ya que, por ejemplo,
E(y;)= ..t' +r; +P:

Aun cuando este tipo de interaccin puede eliminarse con una transformacin, no todas las interacciones
pueden tratarse con tanta facilidad. Por ejemplo, una transformacin no elimina la interaccin formula-
cin-lote que se seal antes. El anlisis residual y otros procedimientos de diagnstico de verificacin
pueden ser tiles para detectar la no aditividad.
Si una interaccin est presente, puede afectar seriamente el anlisis de varianza y posiblemente lo
invalide. En general, la presencia de una interaccin infla el cuadrado medio del error y puede afectar ad-
versamente la comparacin de las medias de los tratamientos. En situaciones en las que ambos factores,
as como su posible interaccin, son de inters, deben usarse diseos factoriales. Estos diseos se anali-
zan en detalle en los captulos 5 al 9.'
Tratamientos y bloques aleatorios

Aun cuando el procedimiento de prueba se ha descrito considerando los tratamientos y los bloques como
factores fijos, se utiliza el mismo procedimiento de anlisis si los tratamientos o los bloques (o ambos) son
aleatorios. Sin embargo, hay algunas modificaciones en la interpretacin de los resultados. Por ejemplo,
si los bloques son aleatorios, como es con mucha frecuencia el caso, se espera que las comparaciones en-
tre los tratamientos sean las mismas a lo largo de la poblacin de bloques de la cual se seleccionaron alea-
toriamente para realizar el experimento. Estn tambin las modificaciones correspondientes en los
cuadrados medios esperados. Por ejemplo, si los bloques son variables aleatorias independientes con va-
rianza comn, entonces E(MSBloques) = cr + aa~, donde a~ es el componente de la varianza de los efectos
de los bloques. En cualquier situacin, E(MSn.tamientos) siempre est libre de cualquier efecto de bloque, y
el estadstico de prueba para la variabilidad entre los tratamientos siempre esFo = MSn.tamiento,lMSe.
En situaciones en las que los bloques son aleatorios, si est presente una interaccin tratamien-
to-bloque, las pruebas para las medias de los tratamientos no estn afectadas por la interaccin. La razn
de ello es que los cuadrados medios esperados de los tratamientos y del error contienen ambos el efecto
de la interaccin; por consiguiente, la prueba de las diferencias en las medias de los tratamientos puede
realizarse como de costumbre comparando el cuadrado medio de los tratamientos con el cuadrado medio
del error. Este procedimiento no proporciona ninguna informacin acerca de la interaccin.
4.1 DISEO DE BLOQUES COMPLETOS ALEA TORlZADOS 139
Eleccin del tamao de la muestra
La eleccin del tamao de la muestra, o nmero de bloques que deben correrse, es una decisin impor-
tante cuando se usa un RCBD. Al incrementar el nmero de bloques, se incrementa el nmero de rplicas
y el nmero de grados de libertad del error, con lo cual se aumenta la sensibilidad del diseo. Cualquiera
de las tcnicas descritas en el captulo 3 (seccin 3-7) para seleccionar el nmero de rplicas que deben
correrse en un experimento completamente aleatorizado con un solo factor puede aplicarse de forma di-
recta al RCBD. Para el caso de un factor fijo, las curvas de operacin caracterstica de la parte V del apn-
dice pueden usarse con
(4-14)
donde haya -1 grados de libertad en el numerador y (a -1 )(b -1) grados de libertad en el denominador.
EJEMPLO 4-2 " .. " " " " " "". """. """"""""""""""""
Considere el problema de la prueba de la dureza del ejemplo 4-1. Suponga que quiere determinarse el n-
mero apropiado de bloques que deben correrse si el inters se encuentra en detectar una diferencia mxi-
ma real en las lecturas de la dureza media de 0.4 con una alta probabilidad, y una estimacin razonable
de la desviacin estndar de los errores es a = 0.1. (Estos valores se dan en las unidades originales;recuerde
que el anlisis de varianza se realiz usando datos codificados.) Por la ecuacin 3-49, el valor mnimo
de <1>2es (escribiendo b, el nmero de bloques, en lugar de n)
<1>2= bD2
2aa2
donde D es la diferencia mxima que quiere detectarse. Por 10 tanto,
<1>2= b(0.4)2 = 20b

2(4)(0.1)2
Si se usan b = 3 bloques, entonces <1>= V215 = -./2.0(3) = 2.45, y hay (a -1 )(b -1) = 3(2) = 6 grados de li-
bertad del error. La parte V del apndice con Vi = a -1= 3 Ya = 0.05 indica que el riesgo P de este diseo
=
es aproximadamente 0.10 (potencia = l-P = 0.90). Si se usanb = 4 bloques, <1> v'2.Ob v'2.0(4) = 2.83, =
con (a -1)(b -1) = 3(3) = 9 grados de libertad del error, y el riesgo P correspondiente es aproximada-
mente 0.03 (potencia = 1- P = 0.97). Tres o cuatro bloques darn como resultado un diseo con una alta
probabilidad de detectar la diferencia entre las lecturas de la dureza media consideradas importantes.
Debido a que los ejemplares de prueba (bloques) son baratos y estn en disponibilidad y el costo de la
prueba es bajo, el experimentador decide usar cuatro bloques.
"""""""""""" " """""" . .
" " " " " " . " """""""""""""""""""""""""" " . " " " " " " " " " """"" " "
Estimacin de valores faltantes

Cuando se usa el RCBD, en ocasiones falta una observacin en uno de los bloques. Esto puede ocurrir de-
bido a descuido o error o por razones fuera del control del experimentador, tal como un dao inevitable a
una unidad experimental. Una observacin faltante introduce un nuevo problema en el anlisis debido a
que los tratamientos dejan de ser ortogonales a los bloques; es decir, no ocurren todos los tratamientos en
140 CAPTULO 4 BLOQUESALEATORIZADOS, CUADRADOS LATINOS YDISEOS RELACIONADOS
Tabla 4-7 Diseo de bloques completos aleatorizadospara el

experimento de la prueba de dureza con un valor faltante
TipOde punta 1 2 3 4
1 -2 -1 1 5
2 -1 -2 x 4
3 -3 -1 O 2
4 2 1 5 7
cada uno de los bloques. Existen dos enfoques generales para el problema de los valores faltantes. El pri-
mero es un anlisis aproximado, en el cual la observacin faltante se estima y se lleva a cabo el anlisis de
varianza usual como si la observacin estimada fuera un dato real, con los grados de libertad del error re-
ducidos en 1. Este anlisis aproximado es materia de esta seccin. El segundo es un anlisis exacto, el cual
se revisa en la seccin 4-1.4.
Suponga que falta la observaciny, del tratamiento i en el bloque j. La observacin faltante se denota
comox. Como una ilustracin, suponga que en el experimento de la prueba de dureza del ejemplo 4-1 el
ejemplar de prueba 3 se rompi mientras se probaba la punta 2 y que no pudo obtenerse el dato para esa
punta. Los datos apareceran como en la tabla 4-7.
En general, se har que y.: represente el gran total con una observacin faltante, que represente el Y:.
total del tratamiento con una observacin faltante, y que y.~ sea el total del bloque con una observacin
faltante. Suponga que quiere estimarse la observacin faltante x de tal modo que x tenga una participa-
cin mnima en la suma de cuadrados del error. Puesto que SSE = ~~~l~~=l (Yij - Yi. - Y.j +Y. )2, esto es
equivalente a elegir x para minimizar
SSE= ~~
Q b
Y:-b~
1 Q (b
# v, )2 -;;#b (.~ v, )2
1 1 (Q
+ ab ~~
b
Yij
)2
o
1 1 1
SSE = X2 --(i
b l.
+X)2 --(y'
a'}
+X)2 +-(Y'
ab>:'
+X)2 +R (4-15)
donde R incluye todos los trminos en los que no interviene x. A partir de dSSE/dx=O, se obtiene
ay:. +by.~ - y.:
x= (4-16)
(a-1)(b-1)
como la estimacin de la observacin faltante.

Para los datos de la tabla 4-7, se encuentra que y;. = 1, Y.'3 = 6 Yy' = 17. Por lo tanto, por la ecuacin
4-16,
x= y
23
= 4(1)+4(6)-17
(3)(3)
= 1.22
Ahora puede realizarse el anlisis de varianza comn utilizando Y23 = 1.22 Yreduciendo los grados de li-
bertad del error en 1. El anlisis de varianza se muestra en la tabla 4-8. Compare los resultados de este
anlisis aproximado con los resultados obtenidos para el conjunto de datos completo (tabla 4-5).
41 DISEO DE BLOQUES COMPLETOS ALEA TORlZADOS 141
Tabla 4-8 Anlisis de varianza aproximado del ejemplo 4-1 con un valor faltante
Tipo de punta 39.98 3 13.33 17.12 0.0008
Ejemplares de prueba (bloques) 79.53 3 26.51
Error 6.22 8 0.78
Thtal 125.73 14
Si son varias las observaciones faltantes, pueden estimarse escribiendo la suma de cuadrados del
error como una funcin de los valores faltantes, derivando con respecto a cada valor faltan te, igualando
los resultados con cero y resolviendo las ecuaciones resultantes. De manera alternativa, puede usarse la
ecuacin 4-16 de manera iterativa para estimar los valores faltantes. Para ilustrar el enfoque iterativo, su-
ponga que faltan dos valores. Se estima arbitrariamente el primer valor faltante y despus se usa este va-
lor junto con los datos reales y la ecuacin 4-16 para estimar el segundo. Entonces puede usarse la
ecuacin 4-16 para volver a estimar el primer valor faltante, y despus de esto, puede volver a estimarse el
segundo. Este proceso se contina hasta que se obtiene la convergencia. En cualquier problema con valo-
res faltan tes, los grados de libertad del error se reducen en una unidad por cada observacin faltante.
4..1.4 Estimacin de los parmetros del modelo y la prueba general

de significacinde la regresin
Si tanto los tratamientos como los bloques son fijos, los parmetros del RCBn pueden estimarse por m-
nimos cuadrados. Recuerde que el modelo estadstico lineal es
i = 1, 2, ... , a
Yij="'+1:+/3j+eij { )'=1, 2, ..., b (4-17)
Al aplicar las reglas de la seccin 3-9.2 para encontrar las ecuaciones normales del modelo de un diseo
experimental, se obtiene
u: abfi + M1 + M2 + ... + bi; + aPl + afJz + ... + aPb = Y .

t1: bfi + bi, + P1 + fJz + ... + Pb = YI.
tz: bfi + bT2 + P1 + P2 + ... + Pb = Y2.
ta: bfi + bi + PI + P2 + ... + Pb = Ya. (4-18)

/31: afi + TI + T2 + + Ta + aP1 = Y.1
/32: aft + TI + T2 + + Ta + apz = Y.Z
/3b: afi + T1 + T2 + ... + Ta + aPb = Y.b
Observe que la suma de la segunda a la (a + Ij-sima ecuaciones de la ecuacin 4-18 es la primera

ecuacin normal, como tambin es el caso de las b ltimas ecuaciones. Por lo tanto, hay dos dependencias
142 CAPTIJLO 4 BLOQUESALEATOlUZAOOS,CUADRADOS LATINOS YDISEOS RELACIONADOS
lineales en las ecuaciones normales, 10 cual implica que deben imponerse dos restricciones para resolver
la ecuacin 418. Las restricciones usuales son
(419)
Al utilizar estas restricciones, las ecuaciones normales se simplifican considerablemente. De hecho, que-
dan como
abft = Y..
bft+bi. = y. i=l, 2, ,a (420)
aft + ap',/ = y'./ i= 1,2, ,b
cuya solucin es
ft = Y..
T,=y-,-y-
....
' l.
i = 1, 2, , a (421)
{Ji = Y.l - Y.. i= 1,2, ,b
Al utilizar la solucin de la ecuacin normal de la ecuacin 421, puede encontrarse el valor estimado o
ajustado de Y como
s, = ft+T +p
- +(-YI. - Y..
= y., - )+(-Y.i - Y..
-)
= YI. +Y.
,Y., j -
Este resultado se us anteriormente en la ecuacin 413 para calcular los residuales de un diseo de blo-
ques aleatorizados.
La prueba general de significacin de la regresin puede usarse para desarrollar el anlisis de varian-
za del diseo de bloques completos aleatorizados. Al utilizar la solucin de las ecuaciones normales dada
por la ecuacin 4-21, la reduccin en la suma de cuadrados para ajustar el modelo completo es
Q b
R(Il, r; (J) = ftY.. + L TYI. + L p v, j
a b
= y"- y" + ,,
~ oYI - Y.-)Y I
+ ,,
~ (-v., - y"
-) v,
j~l j~1
2. 2 b 2
_L+~ - _L+~ Y.jY.j
- b ,, Yi,Yi, b''
- _Lab
a j~1 a i~1
y2 b y2 y2
= _..+a
_.1 __ "
-1 b i=v a ab
con a + b - 1 grados de libertad, y la suma de cuadrados del error es
a b
SSE = LL y: -R(Il,t,{J)
41 DISEO DE BLOQUES COMPLETOS ALEATORIZADOS 143
con (a - 1)(b ~ 1) grados de libertad. Compare esta ltima ecuacin con SSE en la ecuacin 4-7.
Para probar la hiptesis Ho:rl = O, el modelo reducido es
YI} = ",+{Jj +E;
que es un anlisisde varianza de un solo factor. Por analoga con la ecuacin 3-5, la reduccin en la suma
de cuadrados para ajustar el modelo reducido es
b 2
R(#, {J)= L Y.j
j-l a
que tiene b grados de libertad. Por lo tanto, la suma de cuadrados debida a {rl} despus de ajustar # y
({J) es
R( rI u, {J) = R(,t, r, {J)- R(#, {J)
= R(Modelo completo)- R(Modelo reducido)
=}:
2
Yi. +L
b 2
Y.j
2
_L..._ L Ji
b 2
b .. a ah j-l a
2 2
lL_L...
b ah
expresin que se identifica como la suma de cuadrados de los tratamientos con a - 1grados de libertad
(ecuacin 4-10).
La suma de cuadrados de los bloques se obtiene ajustando el modelo reducido
Y; = #+r+tij
que tambin es un anlisisde un solo factor. De nueva cuenta, por analoga con la ecuacin 3-5, la reduc-
cin en la suma de cuadrados para ajustar este modelo es
y2
L
d
R(#,r)= a:
i=1 b
con a grados de libertad. La suma de cuadrados de los bloques {{Ji} despus de ajustar # y {r} es
R(PI u, r) = R(#, r,{J)- R(#, r]
2 b
;=1
lL+L
b j-l
b 2 2
Ji _L...
=L j=l
a ab
con b - 1 grados de libertad, la cual se haba dado anteriormente como la ecuacin 4-11.
Se han desarrollado las sumas de cuadrados de los tratamientos, de losbloques y del error en el dise-
o de bloques completos aleatorizados utilizando la prueba general de significacinde la regresin. Aun
cuando la prueba general de significacinde la regresin no se usara ordinariamente para hacer el anli-
sisreal de los datos en un bloque completo aleatorizado, en ocasionesel procedimiento resulta til en di-
seos de bloques aleatorizados ms generales, como los que se revisan en la seccin 4-4.
144 CAPTIJLO 4 BLOQUESALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
Anlisis exacto del problema del valor faltante

En la seccin 4-1.3 se present un procedimiento aproximado para solucionar las observaciones faltantes
.en el RCBD. Este anlisis aproximado consiste en estimar el valor faltante de tal modo que se minimice el
cuadrado medio del error. Puede demostrarse que el anlisis aproximado produce un cuadrado medio
sesgado de los tratamientos en el sentido de que E(MSnalamien,os) es mayor que E(MS E) si la hiptesis nula
es verdadera. Por consiguiente, se reportan demasiados resultados significativos.
El problema del valor faltante puede analizarse exactamente utilizando la prueba general de
significacin de la regresin. El valor faltante hace que el diseo sea no balanceado, y dado que no todos
los tratamientos ocurren en todos los bloques, se dice que los tratamientos y los bloques no son ortogona-
les. Este mtodo de anlisis tambin se usa en tipos ms generales de diseos de bloques aleatorizados; el
tema se analiza con mayor amplitud en la seccin 4-4. En el problema 4-26 se le pide al lector que realice
el anlisis exacto para un diseo de bloques completos aleatorizados con un valor faltante.
4..2 DISEO DE CUADRADO LATINO
En la seccin 4-1 se introdujo el diseo de bloques completos aleatorizados como un diseo para reducir
el error residual de un experimento al eliminar la variabilidad debida a una variable perturbadora conoci-
da y controlable. Hay otros tipos de diseos que utilizan el principio de la formacin de bloques. Por
ejemplo, suponga que un experimentador estudia los efectos que tienen cinco formulaciones diferentes
de la carga propulsora utilizada en los sistemas de expulsin de la tripulacin de un avin basado en la ra-
pidez de combustin. Cada formulacin se hace con un lote de materia prima que slo alcanza para pro-
bar cinco formulaciones. Adems, las formulaciones son preparadas por varios operadores, y puede
haber diferencias sustanciales en las habilidades y experiencia de los operadores. Por lo tanto, al parecer
hay dos factores perturbadores que sern "calculados en promedio" en el diseo: los lotes de materia pri-
ma y los operadores. El diseo apropiado para este problema consiste en probar cada formulacin exac-
tamente una vez con cada uno de los cinco operadores. Al diseo resultante, ilustrado en la tabla 4-9, se le
llama diseo de cuadrado latino. Observe que el diseo es un arreglo cuadrado y que las cinco formula-
ciones (o tratamientos) se denotan por las letras latinas A, B, e, D y E; de ah el nombre de cuadrado lati-
no. Se observa que tanto los lotes de materia prima (renglones) como los operadores (columnas) son
ortogonales a los tratamientos.
El diseo de cuadrado latino se usa para eliminar dos fuentes de variabilidad perturbadora; es decir,
permite hacer la formacin de bloques sistemtica en dos direcciones. Por lo tanto, los renglones y las co-
lumnas representan en realidad dos restricciones sobre la aleatorizacin. En general, un cuadrado latino
para p factores, o cuadrado latino p x p, es un cuadrado con p renglones y p columnas. Cada una de las p2
Tabla 4.9 Diseo del cuadrado latino para el problema de la carga propulsora
Lotes de materia Operadores
prima 1 2 3 4 5
1 A =24 B=20 C=19 D =24 E=24
2 B = 17 C",,24 D =30 E=27 A = 36
3 C = 18 D=38 E=26 A =27 B =21
4 D =26 E=31 A =26 B = 23 C=22
5 E= 22 A =30 B = 20 C= 29 D = 31
4-2 DISEO DE CUADRAOO LATINO 145
celdas resultantes contiene una de lasp letras que corresponde a los tratamientos, y cada letra ocurre una
y slo una vez en cada rengln y columna. Algunos ejemplos de cuadrados latinos son
4x4 Sx5 6x6

ABDC ADBEC ADCEBF
BCAD DACBE BAECFD
CDBA CBEDA CEDFAB
DACB BEACD DCFBEA
ECDAB FBADCE
EFBADC
El modelo estadstico de un cuadrado latino es
i=t, 2, , p
Yjk =p,+a+'t+pk+Eijk j:l, 2, , p (4-22)
{
k-l, 2, , P
donde Yjk es la observacin en el rengln i-simo y la columna k-sima para el tratamiento j-simo, p. es la
media global, a es el efecto del rengln i-simo, 'tj es el efecto del tratamiento j-simo, Pk es el efecto de la
columna k-sima, y Ejkes el error aleatorio. Observe que se trata de un modelo de los efectos. El modelo es
completamente aditivo; es decir, no hay interaccin entre renglones, columnas y tratamientos. Puesto
que hay una sola observacin en cada celda, slo se necesitan dos de los tres subndices i,j Yk para denotar
una observacin particular. Por ejemplo, con referencia al problema de la carga propulsora de la tabla
=
4-9, si i 2 Yk = 3, se encuentra automticamente quej = 4 (formulacinD), y si i = 1yj = 3 (formula-
=
cin e), se encuentra que k 3. sta es una consecuencia de que cada tratamiento aparezca una vez exac-
tamente en cada rengln y columna.
El anlisis de varianza consiste en hacer la particin de la suma de cuadrados total de las N = p2ob-
servaciones en los componentes de los renglones, las columnas, los tratamientos y el error, por ejemplo,
(4-23)
con los respectivos grados de libertad
p2-1= p-l + p-l+ p-l+(p- 2)(p-l)
Bajo el supuesto usual de que E,jk es NID(O, 02), cada suma de cuadrados del lado derecho de la ecuacin
4-23 es, al dividir por 02, una variable aleatoria ji-cuadrada con una distribucin independiente. El esta-
dstico apropiado para probar que no hay diferencias en las medias de los tratamientos es
F. _ MS TralJJmjenlo,
0- .MSE
que se distribuye como Fp_1, (P-2)(P-l) bajo la hiptesis nula. Tambin puede probarse la ausencia de efectos
de los renglones o la ausencia de efectos de las columnas formando el cociente de MSp,,ngtones o MSColumna.
conMSE Sin embargo, puesto que los renglones y las columnas representan restricciones sobre la aleato-
rizacin, estas pruebas quiz no sean apropiadas.
En la tabla 4-10 se presenta el procedimiento de clculo para el anlisis de varianza. Por las frmulas
de clculo para las sumas de cuadrados, se observa que el anlisis es una extensin simple del RCBD, con
la suma de cuadrados resultante de los renglones obtenida a partir de los totales de los renglones.
--_... _ ..- _.- -_ _----------
..
146 CAPTIJLO 4 BLOQUESALEATORIZAIXJS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
Tabla 410 Anlisis de varianza del diseo del cuadrado latino

Fuente de Grados de
'Iratamentos SSTta,amen'co -
_1
p.i Y~.
,-1 Y.j. - N
2
p-l
R = MSTratamie.,os
o MSf'_
Renglones SSR gIOoe.= p.1 f. Yi..- Y~.

,al
2
N p-1
SSRenglO
p-1
1
Columnas SS
eo_
=-
Pknl
2: y2
P
..k
_k
2
N p-1
SSeolumn ..
p-1
SSE
Error SSf'_(por sustraccin) (p -2)(P-1) (p-2)(p-l)
2
Thtal SS - 2:2:2: y2
r ": ,.. , k qk
_Y ...
N p2-1
EJEMPLO 4,.3 ..................."...""....................................

Considere el problema de la carga propulsora descrito previamente, donde tanto los lotes de materia pri-
ma como los operadores representan restricciones sobre la aleatorizacin. El diseo para este experi-
mento, el cual se muestra en la tabla 4-9, es un cuadrado latino 5 x 5. Despus de codificar los datos
restando 25 de cada observacin, se obtienen los datos de la tabla 4-11. Las sumas de cuadrados del total
de los lotes (renglones) y los operadores (columnas) se calculan de la siguiente manera:
Tabla 411 Datos codificadospara el problema de la carga propulsora

Lotes de Operadores
materia prima 1 2 3 4 5 Yi..
1 A =-1 B=-5 C =--6 D=-l E= -1 -14
2 B=-8 C=-l D= 5 E= 2 A= 11 9
3 C=-7 D=13 E= 1 A= 2 B= -4 5
4 D= 1 E= 6 A= 1 B =-2 C= -3 3
5 E=-3 A= 5 B=-5 C= 4 D= 6 7
Y..k -18 18 -4 5 9 10= Y..

4-2 DISEO DE CUADRADO LATINO 147
Tabla412 Anlisis de varianza del experimento de la carga propulsora
Sumade Grados de Cuadrado
Formulaciones 330.00 4 82.50 7.73 0.0025
Lotes de materia prima 68.00 4 17.00
Operadores 150.00 4 37.50
Error 128.00 12 10.67
Total 676.00 24
Los totales para los tratamientos (las letras latinas) SOL
Letra latina Total del tratamiento

A Yi. = 18
B Y2 = -24
e Y3. = -13
D Y4. = 24
E Y5. = 5
La suma de cuadrados que resulta de las formulaciones se calcula a partir de estos totales como
1 P 2
SS
Formulaoiones = p"f:t
~ y2_L
1 N
= 182 +(-24)2 +(_13)2 +242 +52 (10)2 = 330.00

5 25
La suma de cuadrados del error se encuentra por sustraccin:
SSE = SST - SS Lotes - SSOpelado"", - SSFormulaciones
= 676.00- 68.00-150.00- 330.00 = 128.00
El anlisis de varianza se resume en la tabla 4-12. Se concluye que hay una diferencia significativa en
la rapidez de combustin media generada por las diferentes formulaciones de la carga propulsora. 'Iam-
bin hay indicios de que hay diferencias entre los operadores, por lo que la formacin de bloques de este
factor fue una buena precaucin. No hay evidencia slida de una diferencia entre los lotes de materia pri-
ma, por lo que al parecer en este experimento particular hubo una preocupacin innecesaria en esta fuen-
te de variabilidad. Sin embargo, la formacin de bloques de los lotes de materia prima es por lo general
una buena idea.
Como en cualquier problema de diseo, el experimentador debera investigar la adecuacin del mo-
delo inspeccionando y graficando los residuales. Para un cuadrado latino, los residuales estn dados por
eijk = Yijk - Yijk
- - Y.
= Yijk - Yi.. - j. -
- k +2-Y.
Y..
El lector deber encontrar los residuales del ejemplo 4-4 y construir las grficas apropiadas,
148 CAPTULO 4 BLOQUESALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONADOS
Tabla 4-13 Cuadrados latinos estndares y nmero de cuadrados latinos de varios tamaos-
Tamao 3x3 4x4 5x5 6x6 7x7 p xp
Ejemplos de ABC ABeD ABCDE ABCDEF ABCDEFG ABC",P
cuadrados estndares BCA BCDA BAECD BCFADE BCDEFGA BCD ",A
CAB CDAB CDAEB CFBEAD CDEFGAB CDE,,,B
DABC DEBAC DEABFC DEFGABC
ECDBA EADFCB EFGABCD
FDECBA FGABCDE PAB ,", (P-l)
GABCDEF
Nmero de cuadrados 1 4 56 9408 16,942,080
estndares
Nmero total de 12 576 161,280 818,851,200 61,479,419,904,000 p!(P-l)! x
cuadrados latinos (nmero de
cuadrados estndares)
-Parte de la informacin de esta tabla se encuentra en Sl4ti6tical JabIesfor Bi%gica~ Agricultural and M,dical R.... rch, 4" edicin, de RA Fisher y F. Yates, Oliver & Boyd,
Edimburgo_ Es poco lo que se sabe de las propiedades de los cuadrados latinos ms grandes que 7 x 7.
A un cuadrado latino en el que el primer rengln y la primera columna constan de letras escritas en
orden alfabtico se le llama cuadrado latino estndar, que es el diseo que se utiliz en el ejemplo 4-3.
Siempre es posible obtener un cuadrado latino estndar escribiendo el primer rengln en orden alfabti-
co y escribiendo despus cada rengln sucesivo como la sucesin de letras que estn justo arriba, recorri-
das un lugar a la izquierda. En la tabla 4-13 se resumen varios hechos importantes acerca de los cuadrados
latinos y de los cuadrados latinos estndares.
Como con cualquier diseo experimental, las observaciones del cuadrado latino debern tomarse de
manera aleatoria. El procedimiento de aleatorizacin correcto es seleccionando al azar el cuadrado em-
pleado. Como se observa en la tabla 4-13, hay un gran nmero de cuadrados latinos de un tamao particu-
lar, por 10 que es imposible enumerar todos los cuadrados y seleccionar uno al azar. El procedimiento
usual es seleccionar un cuadrado latino de una tabla de estos diseos, como en Fisher y Yates [45], Y des-
pus arreglar al azar el orden de los renglones, las columnas y las letras. Esto se analiza con mayor detalle
en Fisher y Yates [45].
Ocasionalmente, falta una observacin en un cuadrado latino. Para un cuadrado latino p x p, el valor
faltante puede estimarse con
P(y;. + y_~_+ Y/k)- 2y':.
(4-24)
Yijk = (p-2)(p-l)
donde las primas indican los totales del rengln, la columna y el tratamiento con el valor faltante, y y.:. es
el gran total con el valor faltante.
Los cuadrados latinos pueden ser tiles en situaciones en las que los renglones y las columnas repre-
sentan los factores que el experimentador en realidad quiere estudiar y en las que no hay restricciones so-
bre la aleatorizacin. Por lo tanto, los tres factores (renglones, columnas y letras), cada uno conp niveles,
pueden investigarse en slo p2 corridas. En este diseo se supone que no existe interaccin entre los facto-
res. Se abundar ms adelante sobre el tema de la interaccin.
Rplicas de cuadrados latinos
Una desventaja de los cuadrados latinos pequeos es que proporcionan un nmero relativamente peque-
o de grados de libertad del error. Por ejemplo, un cuadrado latino 3 x 3 slo tiene dos grados de libertad
del error, un cuadrado latino 4 x 4 slo tiene seis grados de libertad del error, etc. Cuando se usan cua-
drados latinos pequeos, con frecuencia es deseable hacer rplicas de los mismos para incrementar los
grados de libertad del error.
4-2 DISEO DE CUADRADO LATINO 149
Tabla 4.14 Anlisis de varianza de un cuadrado latino con rplicas, caso 1
Fuente de Grados de
variacin Sumade cuadrados libertad Cuadrado medio
Tratamientos 1 ~ 2 y~ p-l
SS1'ra.amicnlo. MSTratarnienl05
np.IgI Yj-N p-l
Renglones
1 P
np.
Y'_-Ny .... 2
2
p-l
SSRengloD.'
p-l
1=1
Columnas
1
np
Y.. Ny ....
P
2
A.-
1
p-l
SSColwnnas
p-l
k"1
1" 2
Y.I-Ny .... 2 SSR~plicas
Rplicas pl n-l
1"1
n-l
SSE
Error Sustraccin (p-l)[n(p + 1) - 3] (p-l)[n(p+l)--:3]
2
Thta! yJk! -j; np2-1
Existen varias maneras de hacer rplicas de un cuadrado latino. Para ilustrar este punto, suponga que
se hacen n rplicas del cuadrado latino 5 X 5 utilizado en el ejemplo 4-3. Esto podra haberse hecho de la
manera siguiente:
1. Usando los mismos lotes y operadores en cada rplica.
2. Usando los mismos lotes pero operadores diferentes en cada rplica (o, de manera equivalente,
usando los mismos operadores pero lotes diferentes).
3. Usando diferentes lotes y diferentes operadores.
El anlisis de varianza depende del mtodo utilizado para hacer las rplicas.
Considere el caso 1, donde en cada rplica se usan los mismos niveles de los factores para la formacin
de bloques en los renglones y las columnas. Sea Yijk11a observacin del rengln i, el tratamiento j, la columna
ky la rplica l. Hay en total N = np2 observaciones. El anlisis de varianza se resume en la tabla 4-14.
Considere ahora el caso 2 y suponga que en cada rplica se usan nuevos lotes de materia prima pero
los mismos operadores. Por lo tanto, hay ahora cinco nuevos renglones (en general, p nuevos renglones)

Fuente de Grados de
variacin Sumade cuadrados libertad Cuadrado medio
Tratamientos
1
np.
Yj,,-N
1-1
2 y.l.
p-l
SSTratamlen.os
p-l
Renglones
1
~y2
P
p 1-1 i~1 1..1 1~1

_ z;
p2
"2
n(p-1)
SSRenglODe.
n(p-l)
Columnas np

1 P 2
Y..2k-Ny .... p-l

SSCo]umn..
p-l
k~l .
1 " y .... 2
2
SSRpllca>
Rplicas p2 Y""-N n-l
'~1 n-l
SSE
Error Sustraccin (p-1)(np -1) (p-l)(np-l).
1
Thtal Y5kl -;.

1 J k 1
np2-1
150 CAPTULO 4 BLOQUES ALEATORIZADOS, CUADRAlX)S LATINOS Y DISEOS RELACIONADOS

Fuente de Grados de
1
Tratamientos np.
L Yj-NY.".
p
2
2
p-1
SSnatamientos
p-1
MSTratamientD!I
J~l
1 n P n 2
SSl<engloneo
L1.
Renglones p~~ y:",- ~ p2 n(p -1)
n(p-1)
1 2
n p
z, SSColumnas
Columnas p~t; y~~- ~ p2 n(p-1) n(p-1)
Rplicas
1
---
L 2
n
y ....
Y"'-N
2
n-l
SSI<6plicas
p ~1 n-l
SSE
Error Sustraccin (p-1)[n(p -1) -lJ (p -1)[n(p -1)-1]
2
Total ~~~~ Y:~_Y i; np2-1
dentro de cada rplica. El anlisis de varianza se resume en la tabla 4-15. Observe que la fuente de varia-
cin de los renglones mide en realidad la variacin entre los renglones dentro de las n rplicas.
Por ltimo, considere el caso 3, donde se usan nuevos lotes de materia prima y nuevos operadores en
cada rplica. Ahora la variacin que resulta tanto de los renglones como de las columnas mide la varia-
cin que resulta de estos factores dentro de las rplicas. El anlisis de varianza se resume en la tabla 4-16.
Hay otros enfoques para analizar cuadrados latinos con rplicas que permiten la presencia de algu-
nas interacciones entre tratamientos y cuadrados (referirse al problema 4-19).
Diseos alternados y diseos balanceados para efectos residuales
Ocasionalmente aparece un problema en el que los periodos son uno de los factores del experimento. En
general, hayp tratamientos que deben probarse en p periodos utilizando np unidades experimentales. Por
ejemplo, un analista del desempeo humano est estudiando el efecto de dos fluidos de restitucin para
la deshidratacin en 20 sujetos. En el primer periodo, a la mitad de los sujetos (elegidos al azar) se le ad-
ministra el fluido A y a la otra mitad el fluido B. Al trmino del periodo se mide la respuesta, y se deja
transcurrir un lapso en el que se elimina cualquier efecto fisiolgico de los fluidos. Despus el experimen-
tador hace que los sujetos que tomaron el fluido A tomen el fluidoB y aquellos que tomaron el fluido B to-
men el fluidoA. A este diseo se le llama diseo alternado o entrecruzado. Se analiza como un conjunto
de 10 cuadrados latinos con dos renglones (los periodos) y dos tratamientos (los tipos de fluido). Las dos
columnas en cada uno de los 10 cuadrados corresponden a los sujetos.
En la figura 4-7 se muestra la disposicin de este diseo. Observe que los renglones del cuadrado lati-
no representan a los periodos y que las columnas representan a los sujetos. Los 10 sujetos que recibieron
primero el fluido A (1, 4, 6, 7, 9, 12, 13, 15, 17 y 19) se determinaron al azar.
Cuadrados latinos
I 11 1lI IV 'V VI vn VIII IX X

--
Sujeto 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Periodo 1 A B B A B A A B A B B A A B A B A B A B
Periodo 2 B A A B A B B A B A A B B A B A B A B A
Figura 4-7 Un diseo alternado.

4,3 DISENO DE CUADRADO GRECOLATINO 151
Tabla 417 Anlisis de varianza
del diseo alternado de la
figura 4 7
Fuente de Grados de
variacin libertad
Sujetos (columnas) 19
Periodos (renglones) 1
Fluidos (letras) 1
Error 18
Total 39
En la tabla 4-17 se resume un anlisis de varianza. La suma de cuadrados de los sujetos se calcula
como la suma de cuadrados entre los totales de los 20 sujetos corregida, la suma de cuadrados de los pe-
riodos es la suma de cuadrados entre los renglones corregida, y la suma de cuadrados de los fluidos se cal-
cula como la suma de cuadrados entre los totales de las letras corregida. Para ms detalles del anlisis
estadstico de estos diseos, ver Cochran y Cox [26], John [61d] y Anderson y McLean [2].
'Iambin es posible emplear diseos tipo cuadrado latino para experimentos en los que los tratamien-
tos tienen un efecto residual; es decir, por ejemplo, si los datos del fluido B en el periodo 2 siguen reflejan-
do algn efecto del fluido A tomado en el periodo 1. En Cochran y Cox [26] y John [61d] se estudian en
detalle los diseos balanceados para efectos residuales.
4..3 DISEO DE CUADRADO GRECOLATINO
Considere un cuadrado latino p x p al cual se le superpone un segundo cuadrado latino p x p en el que

los tratamientos se denotan con letras griegas. Si cuando se hace la superposicin los dos cuadrados tie-
nen la propiedad de que cada letra griega aparece una y slo una vez con cada letra latina, se dice que los
dos cuadrados latinos son ortogonales, y al diseo obtenido se le llama cuadrado grecolatino. En la tabla
4-18 se muestra un ejemplo de un cuadrado grecolatino 4 x 4.
El diseo de cuadrado grecolatino puede usarse para controlar sistemticamente tres fuentes de va-
riabilidad extraa, es decir, para hacer la formacin de bloques en tres direcciones. El diseo permite la
investigacin de cuatro factores (renglones, columnas, letras latinas y letras griegas), cada una con p nive-
les en slo p2 corridas. Existen cuadrados grecolatinos para toda p ~ 3, excepto p = 6.
Tabla 418 Diseo del cuadrado grecolatino 4 X 4

Columna
Rengln 1 2 3 4
1 Aa Bp Cy D
2 B Ay Dp Ca
3 Cp Da Ad By
4 t Cd Ba A{3
Tabla 4-19 Anlisis de varianza de un diseo del cuadrado grecolatino

Fuente de variacin Suma de cuadrados Grados de libertad
1 P 2
Tratamientoscon letras latinas SSL =-p? Y~.. _Y

,-)
N p-l
1P 2
Tratamientos con letras griegas G pf::_ .. .z;
SS =- ~ y2
N k.
p-l
1 P 2
Renglones SS -- ~
Renglone. - p?
._1 Yi..
2_~
N p-l
1~ 2 y.2..
Columnas SSColumnas =-pLJ Y ..J-N p-l
'~l
Error SSE (por sustraccin) (p - 3)(P -1)
2
lbtal SST =
i i k 1
Yi~-~
N
El modelo estadstico para el diseo de cuadrado grecolatino es

i = 1, 2, , P
i= 1,2, ,P
Yij/d =/L+Oi+j+Wk+'I',+eijkl k=l , 2, , P (4-25)
{
. 1= 1, 2, ,P
donde Yijkles la observacin del rengln i y la columna 1para la letra latinaj y la letra griega k, 0i es el efecto
del rengln i-simo, tj es el efecto del tratamiento de letra latinaj, Wk es el efecto del tratamiento de letra
griega k, '111 es el efecto de la columna 1,y eijkl es un componente NID(O, 02) del error aleatorio. Slo son
necesarios dos de los cuatro subndices para identificar completamente una observacin.
El anlisis de varianza es muy parecido al de un cuadrado latino. Puesto que las letras griegas apare-
cen exactamente una vez en cada rengln y columna, y exactamente una vez con cada letra latina, el factor
representado por las letras griegas es ortogonal a los renglones, las columnas y los tratamientos de letras
latinas. Por lo tanto, puede calcularse una suma de cuadrados debida al factor de las letras griegas a partir
de los totales de las letras griegas y el error experimental se reduce adicionalmente en esta cantidad. En la
tabla 4-19 se ilustran los detalles de los clculos. La hiptesis nula de la igualdad de tratamientos de ren-
glones, columnas, letras latinas y letras griegas, se probara dividiendo el cuadrado medio correspondien-
te por el cuadrado medio del error. La regin de rechazo es la cola superior del punto de la distribucin
Fp_1, (P-3)(P-l)'
EJEMPLO 4-4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Suponga que en el experimento de la carga propulsora del ejemplo 4-3 un factor adicional, los montajes
de prueba, podra ser importante. Sea que haya cinco montajes de prueba denotados por las letras griegas
a, P, y, t:5 y e. En la tabla 4-20 se muestra el diseo de cuadrado grecolatino 5 x 5 resultante.
Observe que, debido a que los totales de los lotes de materia prima (renglones), los operadores (co-
lumnas) y las formulaciones (letras latinas) son idnticos a los del ejemplo 4-3, se tiene
SSlJ:Jtes = 68.00 SS Operadores = 150.00 y SSPonnullldone. = 330.00
4-3 DISEO DE CUADRADO GRECOLATINO 153
Tabla 4-20 Diseo del cuadrado grecolatino para el problema de la carga propulsora
Lotes de Operadores
materia prima 1 2 3 4 5 v.:
1 Aa =-1 By = -5 CE =--6 DP =-1 E =-1 -14
2 Bp =-8 C =-1 Da= 5 Ey = 2 AE == 11 9
3 Cy =-7 De =13 Ep = 1 A = 2 Ba =-4 5
4 D = 1 Ea = 6 Ay = 1 Be =-2 Cp =-3 3
5 EE = -3 Ap = 5 Bl} =-5 Ca = 4 Dy= 6 7
Y.1 -18 18 -4 5 9 10"" Y.
Los totales de los montajes de prueba (las letras griegas) son
Letra griega Total de la prueba de ensamblaje

a Y..1. = 10
3 Y..2. = -6
y Y..3. = -3
d YA.= -4
E Y..5. = 13
Por lo tanto, la suma de cuadrados debida a los montajes de prueba es

1 P 2
SS
Enoambl'lieo
-_" 2_b
- p L." Y..k. N
k~l
En la tabla 4*21se resume el anlisis de varianza completo. Las formulaciones son diferentes significati-
vamente en 1%. Al comparar las tablas 4*21 y 4*12, se observa que al sacar la variabilidad debida a los
montajes de prueba, e~error experimental disminuye. Sin embargo, al disminuir el error experimental, se
han reducido tambin los grados de libertad de 12 (en el diseo del cuadrado latino del ejemplo 4*3) a 8.
Por lo tanto, la estimacin del error tiene menos grados de libertad, y la prueba puede ser menos sensible .
................................, .
Tabla 4-21 Anlisis de varianza del problema de la carga propulsora

Formulaciones 330.00 4 82.50 10.00 0.0033
Lotes de materia prima 68.00 4 17.00
Operadores 150.00 4 37.50
Montajes de la prueba 62.00 4 15.50
Error 66.00 8 8.25
lbtal 676.00 24
-----------------------------------------------------------------------
154 CAPTIJLO 4 BLOQUESALEATORIZADOS,CUADRADOS LATINOS Y DISEOS RELACIONADOS
Puede hacerse cierta ampliacin del concepto de los pares ortogonales de cuadrados latinos que for-
man un cuadrado grecolatino. Un hipercuadrado p x p es un diseo en el que se superponen tres o ms
cuadrados latinos ortogonales p x p. En general, hasta p + 1 factores podran estudiarse si se dispone de
un conjunto completo de p - 1 cuadrados latinos ortogonales. En este diseo se utilizaran todos los (p +
1)(P - 1) = p2 - 1 grados de libertad, por lo que se necesita una estimacin independiente de la varianza
del error. Desde luego, no debe haber interacciones entre los factores cuando se usan hipercuadrados.
4..4 DISEOS DE BLOQUES INCOMPLETOS BALANCEADOS
En ciertos experimentos en los que se utilizan diseos de bloques aleatorizados quiz no sea posible co-
rrer todas las combinaciones de los tratamientos en cada bloque. Situaciones como sta OCurrengeneral-
mente por limitaciones del aparato experimental o de las instalaciones o por el tamao fsico del bloque.
Por ejemplo, en el experimento de la prueba de la dureza (ejemplo 4-1), suponga que debido a sus dimen-
siones cada ejemplar de prueba slo puede usarse para probar tres puntas. Por lo tanto, no es posible pro-
bar todas las puntas en cada uno de los ejemplares. Para este tipo de problema es posible utilizar diseos
de bloques aleatorizados en los que cada tratamiento no est presente en cada bloque. Estos diseos se
conocen como diseos de bloques incompletos aleatorizados.
Cuando las comparaciones de todos los tratamientos son igualmente importantes, las combinaciones
de los tratamientos usadas en cada bloque debern seleccionarse en una forma balanceada, es decir, de
tal manera que cualquier par de tratamientos ocurra conjuntamente el mismo nmero de veces que cual-
quier otro par. Por lo tanto, un diseo de bloques incompletos balanceados (BIBD, balanced lncomplete
block design) es un diseo de bloques incompletos en el que dos tratamientos cualesquiera aparecen con-
juntamente el mismo nmero de veces. Suponga que haya tratamientos y que cada bloque puede conte-
ner exactamente k (k < a) tratamientos. Un diseo de bloques incompletos balanceados puede
construirse tomando (:) bloques y asignando una combinacin de tratamientos diferente a cada bloque.
Con frecuencia, sin embargo, puede obtenerse un diseo balanceado con menos de (: ) bloques. Tablas de
BIBD se proporcionan en Fisher y Yates [45], Davies [36] y Cochran y Cox [26].
Como un ejemplo, suponga que un ingeniero qumico piensa que el tiempo de reaccin de un proceso
qumico es una funcin del tipo de catalizador empleado. Se estn investigando cuatro catalizadores. El
procedimiento experimental consiste en seleccionar un lote de materia prima, cargar la planta piloto,
aplicar cada catalizador en una corrida separada de la planta piloto y observar el tiempo de reaccin. De-
bido a que las variaciones en los lotes de materia prima pueden afectar el desempeo de los catalizadores,
el ingeniero decide usar los lotes de materia prima como bloques. Sin embargo, cada lote es apenas lo su-
ficientemente grande para permitir que se prueben tres catalizadores. Por lo tanto, debe usarse un diseo
Tabla 4-22 Diseo de bloques incompletos balanceados para el

experimento del catalizador
Tratamiento Bloque (lote de materia prima)
(catalizador) 1 2 3 4 Yi.
1 73 74 71 218
2 75 67 72 214
3 73 75 68 216
4 75 72 75 222
Y 221 224 207 218 870= Y..

H DISEOS DE BLOQUES INCOMPLETOS BALANCEADOS 155
de bloques incompletos aleatorizados. El diseo de bloques incompletos balanceados para este experi-
mento, junto con las observaciones registradas, se muestran en la tabla 4-22. El orden en que se corren los
catalizadores en cada bloque est aleatorizado.
4..4.1 Anlisis estadstico del diseo de bloques incompletos balanceados

Como de costumbre, se supone que haya tratamientos y b bloques. Adems, se supone que cada bloque
contiene k tratamientos, que cada tratamiento ocurre r veces en el diseo (o que se hacen r rplicas del
mismo), y que hay N = ar = bk observaciones en total. Asimismo, el nmero de veces que cada par de tra-
tamientos aparece en el mismo bloque es
). = r(k-1)
a-1
Si a ::::b, se dice que el diseo es simtrico.
El parmetro). debe ser un entero. Para deducir la relacin para 1, considere cualquier tratamiento,
por ejemplo el tratamiento 1.Puesto que el tratamiento 1aparece en r bloques y hay otros k -1tratamien-
tos en cada uno de esos bloques, hay r(k -1) observaciones en un bloque que contiene al tratamiento 1.
Estas r(k - 1) observaciones tambin tienen que representar a los a - 1tratamientos restantes). veces. Por
lo tanto, A(a - 1) = r(k - 1).
El modelo estadstico del BIBD es
(4-26)
donde Yj es la observacin i-sima en el bloque j-simo, # es la media global, t,es el efecto del tratamiento
z-smo, Pj es el efecto del bloque j-simo, y Elj es el componente NID(O, 02) del error aleatorio. La variabi-
lidad total en los datos se expresa por la suma de cuadrados totales corregida:
(4-27)
Puede hacerse la particin de la variabilidad total en
SST = SSTrataJnientos(ajustadoo)+SSBloques +SSE

donde la suma de cuadrados de los tratamientos est ajustada para separar los efectos de los tratamientos
y de los bloques. Este ajuste es necesario porque cada tratamiento est representado en un conjunto dife-
rente de r bloques. Por lo tanto, las diferencias entre los totales de los tratamientos no ajustados Yl.>Yz., ... ,
Ya. tambin son afectadas por las diferencias entre los bloques.
La suma de cuadrados de los bloques es
(4-28)
donde Yj es el total del bloque j-simo. SSBloque, tiene b -1 grados de libertad. La suma de cuadrados de los
tratamientos ajustada es .
(4-29)
156 CAPTULo 4 tlLOQUES ALEATORIZADOS, CUADRADOS LATINOS Y DISEOS RELACIONAroS
Tabla 423 Anlisis de varianza del disefio de bloques incompletos balanceados

Fuente de Grados de
Tratamientos k}; ~ a-l
SSTtllilmiDtoti(ajustado,)
(ajustados) Aa a-l
1 2 SSBloqu",
Bloques -k Ly2.-LN b-l
.J b-l
SSE
Error SSE(por sustraccin) N-a-b +1 N-a-b+l
2
Total LLYI~-~ N-l
donde Qi es el total ajustado del tratamiento -smo, el cual se calcula como

1
v: - nijY.j
b
Q = i=1,2, ... ,a (4-30)
j=l
connij = 1 si el tratamientoi aparece en el bloquejy nij = Oen caso contrario. Los totales de los tratamien-
tos ajustados siempre sumarn cero. SS'Ihltamiontos(ajustado.) tiene a -1grados de libertad. La suma de cuadra-
dos del error se calcula por sustraccin como
SS E = SST - SSTratamientoB(ajustados)- SS Bloque. (4-31)

y tiene N - a - b + 1 grados de libertad.
El estadstico apropiado para probar la igualdad de los efectos de los tratamientos es
F. = MS Tratamkntos(ajustados)
o MS E
En la tabla 4-23 se resume el anlisis de varianza.
EJEMPLO 4 5 111 .. .. .. .. ..
Considere los datos de la tabla 4-22 para el experimento del catalizador. Se trata de un BIBD con a = 4,
b = 4, k == 3, r = 3,A = 2 YN = 12. El anlisis de estos datos es el siguiente. La suma de cuadrados total es
2
SST =L i
L Y~ - L...
j 12
= 63,156- (870i
12
= 8100
.
La suma de cuadrados de los bloques se encuentra con la ecuacin 4-28 como

1 4 y2
SSBloques = "3 Y.~- 12
}=1
= ~[(221)2 +(207)2 +(224)2 +(218)2]- (8~~)2 = 55.00

4-4 DISEOS DE BLOQUES INCOMPLETOS BALANCEADOS 157
Tabla 4.24 Anlisis de varianza del ejemplo 4-5
Sumade Grados de Cuadrado
Fuente de variacin cuadrados libertad medio Fu ValorP
Tratamientos(ajustados 22.75 3 7.58 11.66 0.0107
para los bloques)
Bloques 55.00 3
Error 3.25 5 0.65
Thtal 81.00 11
Para calcular la suma de cuadrados de los tratamientos ajustados para los bloques, primero se determinan
los totales de los tratamientos ajustados utilizando la ecuacin 4-30 como
Ql = (218)- +(221+224+218)=-9/3
Q2 = (214)- +(207+224+218)=-7/3
Q3 = (216)-t(221+207+224)=-4/3
Q4 = (222)-t(221+207+218)= 20/3
La suma de cuadrados de los tratamientos ajustados se calcula con la ecuacin 4-29 como
4
k Q2
SSTratamieatoo(ajustados) = --=';";,,:,~--
= ~(-9/3)z +(-7/3)2 +(-4/3)2 +(20/3)2] = 2275
(2)(4)
La suma de cuadrados del error se obtiene por sustraccin como
SSE = SST - SSTratamiealOO(ojustadoo) - SSBloqu
= 81.00- 2275- 55.00 = 3.25

En la tabla 4-24se muestra el anlisis de varianza. Puesto que el valor P es pequeo, se concluye que el ca-
talizador empleado tiene un efecto significativo sobre el tiempo de reaccin .
ID 41
Si el factor bajo estudio es fijo, las pruebas para las medias de tratamientos individuales pueden ser
de inters. Si se emplean contrastes ortogonales, los contrastes deben hacerse sobre los totales de los tra-
tamientos ajustados, las {Q} en lugar de las {yJ. La suma de cuadrados de los contrastes es
SS e =
k(
__;_';_=.;;_l _
CQ)2
__;,_
Aa! c; i-1
donde {c} son los coeficientes de los contrastes. Pueden usarse otros mtodos de comparacin mltiple
158 CAPITuLo 4 BLOQUESALEATORlZADOS,CUADRADOS LATINOS Y DISEOS RELACIONADOS
para comparar todos los pares de efectos de los tratamientos ajustados (seccin 4-4.2),los cuales se esti-
man con Ti = kQ/(Aa). El error estndar del efecto de un tratamiento ajustado es
S -_~~~EJIU (4-32)
En el anlisis que acaba de describirse, se ha hecho la particin de la suma de cuadrados total en una
suma de cuadrados de los tratamientos ajustados, una suma de cuadrados de los bloques sin ajuste y una
suma de cuadrados del error. En ocasiones habra inters en evaluar los efectos de los bloques. Para ello
se requiere hacer una particin alternativa de SSn es decir, .
SST = SSTratamienlO6 +SSBIOqueS(austados) +SSE

Aqu, SSnatamienlOS est sin ajuste. Si el diseo es simtrico, es decir, si a = b, puede obtenerse una frmula
simple para SSBloques(aiusladOS)' Los totales de los bloques ajustados son
1
r L n,,
a
Q~=y.-- j= 1,2, ..., b (4-33)
) .) ;-1 1) .
r~ (Q;)2
j_l
SS Bloqucs(ajusladOS)= Ah (4-34)
El BIBD del ejemplo 4-5 es simtrico porque a = b = 4. Por lo tanto,

Q; = (221)- t(218+ 216+ 222)= 7/3
Q; = (224)-t(218+214+216)= 24/3
Q; = (207)-t(214+216+222)= -31/3
Q; = (218)-t(218+214+222)= O
y
66.08
Asimismo,
SS . = (218)2+(214)2 +(216)2 +(222)2 (870)2 = 11 67
Tratamoentos 3 12 .
Tabla 4-25 Anlisis de varianza del ejemplo 4-5, incluyendo tanto los tratamientos como los bloques
'Iratamientos (ajustados) 22.75 3 7.58 11.66 0.0107
Tratamientos(sin ajuste) 11.67 3
Bloques (sin ajuste) 55.00 3
Bloques(ajustados) 66.08 3 22.03 33.90 0.0010
Error 3.25 5 0.65
Thtal 81.0 11
4-4 DISEOS DE BLOQUES INCOMPLETOS BALANCEADOS 159
En la tabla 4-25 se presenta un resumen del anlisis de varianza del BIBD simtrico. Observe que las
sumas de cuadrados asociadas con los cuadrados medios de la tabla 4-25 no producen la suma de cuadra-
dos total, es decir,
SST ;t SS Tratamienlos(ajustadool +SSsIOQues(au,tad05) +SS E
Esto es consecuencia del carcter no ortogonal de los tratamientos y los bloques.
Salida de computadora
Existen varios paquetes de computadora que realizarn el anlisis de un diseo de bloques incompletos
balanceados. El procedimiento de Modelos Lineales Generales (General Linear Models) del SAS es uno
de ellos, y Minitab, un paquete de estadstica para computadoras personales de uso generalizado, es otro.
La parte superior de la tabla 4-26 es la salida del procedimiento de Modelos Lineales Generales de Mini-
tab para el ejemplo 4-5. Al comparar las tablas 4-26 y 4-25, se observa que Minitab ha calculado la suma
de cuadrados de los tratamientos ajustados y la suma de cuadrados de los bloques ajustados (en la salida
de Minitab se les llama '~djSS" o SS ajustada).
La parte inferior de la tabla 4-26 es un anlisis de comparaciones mltiples, en el que se utiliza el m-
todo de Thkey. Se presentan los intervalos de confianza para las diferencias de todos los pares de medias y
la prueba de Thkey. Observe que el mtodo de Thkey llevara a la conclusin de que el catalizador 4 es di-
ferente de los otros tres.
4..4.2 Estimacin de mnimos cuadrados de los parmetros

Considere la estimacin de los efectos de los tratamientos en el modelo BIBD. Las ecuaciones normales
de mnimos cuadrados son
b
fl-:Np,+r L T +k L Pj = Y..
b
T:rp,+rf + L nPj = Y.
j~l
i=l, 2, ... , a (4-35)
i= 1, 2, ... , b
Al imponer las restricciones l:f = ~ j = O, se encuentra que p, = 5'... Adems, al utilizar las ecuaciones
para {/Jj} para eliminar los efectos de los bloques de las ecuaciones para {TI}' se obtiene
b b
rld - - LL nijnpjf
J~ p-=I
p = ley. - L n,Y.j
j=l
(4-36)
p~
Observe que el miembro del lado derecho de la ecuacin 4-36 es kQ, donde Q es el total del tratamiento
ajustado r-simo (ver la ecuacin 4-29). Entonces, puesto que I~~lnflpj = A_ sip -:t; i yn; = npj (ya quenpj =
O o 1), la ecuacin 4-36 puede reescribirse como
r(k-1)f -A_! p-l

fp = kQ i=l,2, ...,a (4-37)
p~i
Tabla 4-26 Anlisis de Minitab (Modelo Lineal General) pata el ejemplo 4-5
Modelo Lineal General
Factor Type Levels Values
Catalyst f1xed 4 1 234
Block fixed 4 1 234
Analysis of Variance for Time, us;ng Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P
Catalyst 3 11.667 22.750 7.583 11.67 0.011
Block 3 66.083 66.083 22.028 33.89 0.001
Error 5 3.250 3.250 0.650
Total 11 81.000
Tukey 95.0% Simultaneous Confidence Intervals
Response Variable Time
All Pairwise Comparisons among Levels of Catalyst
Catalyst = 1 subtracted from:
Catalyst
2
Lower
-2.327
Center
0.2500
Upper
2.827
----------+---------+---------+------
(---------*---------)
3
4
-1.952
1.048
0.6250
3.6250
3.202
6.202
(----------*---------)
(----------*---------)
----------+---------+---------+------
0.0 2.5 5.0
Catalyst = 2 subtracted 11'0*:

Catalyst
3
Lower
-2.202
Center
'0.3750
Upper
2.952
----------+---------+---------+------
(---------*---------)
4 0.798 3.3750 5.952 (----------*---------)
----------+---------+---------+------
0.0 2.5 5.0
Catalyst = 3 subtracted from:

Catalyst
4
lower
0.4228
Center
3.000
Upper
5.577
----------+---------+---------+------
(---------*---------)
----------+_._-------+---------+------
0.0 2.5 5.0
Tukey Simultaneous Tests

Response Variable Time
All Pairwise Comparisons among Levels of Catalyst
Catalyst = 1 subtracted 1rom:
Level l>ifference SE 01 Adjusted
Catalyst 01 Means l>ifference T-Value P-Value
2 0.2500 0.6982 0.3581 0.9825
3 0.6250 0.6982 0.8951 0.8085
4 3.6250 0.6982 5.1918 0.0130
C,atal yst = 2 subtracted from:
Level l>ifference SE 01 Adjusted
Catalyst of Means .oi 11erence T-Value P-Value
3 0.3750 0.6982 0.5371 0.9462
4 3.3750 0.6982 4.8338 0.0175
Catalyst '" 3 subtracted from:
Level Oifference SE ot IId)uste
Catalyst 01 Means Oifference T-Value P-Value
4 3.000 0.6982 4.297 0.0281
T == o implica que l:~=lt
Por ltimo, observe que la restriccin l:~~l p == -ti y recuerde que r(k-1) == A(a-
1), de donde se obtiene p,,
.tat == kQ i == 1, 2,... , a (4-38)

Por lo tanto, los estimadores de mnimos cuadrados de los efectos de los tratamientos en el modelo de
bloques incompletos balanceados son
i == 1, 2, ... , a (4-39)
Como una ilustracin, considere el BmD del ejemplo 4-5. Puesto que QI == -9/3, Q2 == -7/3, Q3 == -4/3
Y Q4 == 20/3, se obtiene
_ 3(-9/3) __
TI - (2)(4) - 9/
8 T = 3(-7/3)=_7/8
2 (2)(4)
T - 3(-4/3) --4 T == 3(20/3) = 20/8
3 - (2)(4) - /8 4 (2)(4)
como se encontr en la seccin 4-4.1.
4..4.3 Recuperacin de informacin interbloques en el diseo

de bloques incompletos balanceados
Al anlisis del BIBD presentado en la seccin 4-4.1 suele llamrsele el anlisis intrabloques porque las
diferencias de los bloques se eliminan y todos los contrastes de los efectos de los tratamientos pueden ex-
presarse como comparaciones entre las observaciones del mismo bloque. Este anlisis es apropiado inde-
pendientemente de si los bloques son fijos o aleatorios. Yates [1I3c] seal que si los efectos de los
bloques son variables aleatorias no correlacionadas con medias cero y varianza a~, es posible obtener in-
formacin adicional acerca de los efectos de los tratamientos ti' Yates llam anlisis interbloques al m-
. todo para obtener esta informacin adicional.
Considere los totales de los bloques y como una coleccin de b observaciones. El modelo para estas
observaciones (siguiendo a John [61d]) es
Y.j = /qJ.+ ~ nt +(kpJ +~ Eij) (4-40)
donde el trmino entre parntesis puede considerarse como el error. Los estimadores interbloques de .t y
t, se encuentran minimizando la funcin de mnimos cuadrados
Se obtienen as las siguientes ecuaciones normales de mnimos cuadrados:
u:Nji.+r! t = Y.
b (4-41)
t:krfi+ri+AL rp = L ny. i=l, 2, ... , a
p-l j-l
p~i
162 CAPTIJLo 4 BLOQUESALEATOIUZADOS,CUADRADOS LATINOS y DISEOSRELACIONADOS
donde fi y ii denotan los estimadores interbloques. Al imponer la restriccin l::_ f I = O, se obtienen las
soluciones de las ecuaciones 4-41 como .
(4-42)
b
_
L nljJ -kiY ..
..:..i-_l _
T =- i=1,2, ... ,a (4-43)
r- A.
Es posible demostrar que los estimadores interbloques ff } y los estimadores intrabloques {f } no estn
correlacionados.
Los estimadores interbloques {i, } pueden diferir de los estimadores intrabloques {t i }. Por ejemplo,
los estimadores interbloques para el BIBD del ejemplo 4-5 se calculan de la siguiente manera:
- _ 663- (3)(3)(72.50)_ 050
'1:1- 3-2 -1.
- 649-(3)(3)(72.50) -3.50
'1:2 = 3-2
- 652- (3)(3)(72.50) -0.50
T3 = 3-2
- 646-(3)(3)(72.50) -6.50
T4 = 3- 2
Observe que los valores de I ~-lnij Jj se usaron en la pgina 157 para calcular los totales de los tratamien-
tos ajustados en el anlisis intrabloques.
Suponga ahora que quieren combinarse los estimadores interbloques e intrabloques para obtener
una sola estimacin de la varianza mnima insesgada de cada 'I:. Es posible demostrar que f Ys. son inses-
gados y tambin que
(intrabloques)
(intrabloques)
Se usa una combinacin lineal de los dos estimadores, por ejemplo

(4-44)
para estimar T. En este mtodo de estimacin, el estimador combinado insesgado de la varianza mnima
'1:; deber tener las ponderaciones al = U1/(U1 + u2) Ya2 = uzI(u + uz), donde U = l/V(r;) y U2 = l/V(i;).
Por lo tanto, las ponderaciones ptimas son inversamente proporcionales a las varianzas de f Yr t : Esto j
implica que el mejor estimador combinado es

A k( a - 1) ( 2 ka 2) _ k( a - 1) 2
'I: a(r- A.) a + p +T; a2 a
T.=-~-~-~~~~-----
k( a -1) 2 k{ a -1) ( 2 k 2)
i=1, 2, ... , a
1
----'---'-a + a + a
a2 a(r-A.) P
que puede simplificarse como
kQ(a2+kO~)+(~ niJy'j-kry ..~2

r
i
= (r- )')02 +Aa(OZ +ka~)
i=l, 2, ... , a (4-45)
Desafortunadamente, la ecuacin 4-45 no puede usarse para estimar T porque no se conocen las va-
rianzas a2y o~. El enfoque comn es estimara2yo~ a partir de los datos y sustituir estos parmetros de la
ecuacin 4-45 con las estimaciones. La estimacin que suele tomarse para a2 es el cuadrado medio del
error del anlisis de varianza intrabloques, o el error intrabloques. Por lo tanto,
(j2 = MSE
La estimacin de o~ se encuentra a partir del cuadrado medio de los bloques ajustados para los trata-
mientos. En general, para un diseo de bloques incompletos balanceados, este cuadrado medio es
k! ~l
Q2
+ L 't:L
b l . 2
Y.
Aa )=1 .=\ r
MS Bloquesfejustadoa) = -'-~--~( b---1-)~~~---'- (4-46)
y su valor esperado (cuya deduccin se hace en Graybill [50]) es
J<TMS ]- a" + a(r-1) 2

LJL Blcquesfajustedcs} - b -1 o (J
Por lo tanto, si MSBloque,(ajustadOS) > MSE, la estimacin de (j~ es

2 [MS Bloquesfajustados) - MS e l(b -1)
A
o = ~~--=---'-'~--'-~----- (4-47)
fJ a(,-l)
y si MSBloqueS(aju,tados) s MSE, se hace a~ = O. Esto resulta en el estimador combinado
r'-
-
kQ({j2 +ka~
(,_).)a2
)+(~ ,, _ 1aY..
~I=l
+ Aa({j2 +k{j~)
rt.z (4- 48a)
Yi -(1/ a)y
a 2(J-- O (4-48b)
r
A continuacin se calculan las estimaciones combinadas para los datos del ejemplo 4-5. Por la tabla
4-25 se obtiene aZ = MSE := 0.65 y MSBloques(ajustadOS) = 22.03. (Observe que para calcular MSBloques(aju"ado,) se
hace uso del hecho de que ste es un diseo simtrico. En general, debe usarse la ecuacin 4-46.) Puesto
que MSBloques(aju,tados) > MSE, se usa la ecuacin 4-47 para estimar o~ como
f2 = (22.03- 0.65)(3) = 8.02
fJ 4(3-1)
a
Por lo tanto, pueden sustituirse 2 = 0.65 y {j~ = 8.02 en la ecuacin 4-48a para obtener las estimaciones
combinadas que se enlistan enseguida. Por conveniencia, tambin se presentan las estimaciones intrablo-
164 CAPTULO 4 BLOQUES ALEATORIZADOS. CUADRADOS LATINOS Y DISEOS RELACIONADOS
ques e interbloques. En este ejemplo, las estimaciones combinadas estn prximas a las estimaciones in-
trabloques debido a que la varianza de las estimaciones interbloques es relativamente grande.
Parmetro Estimacin intrabloques Estimacin interbloques Estimacin combinada

'tl -1.12 10.50 -1.09
't2 --0.88 -3.50 --0.88
't3 --0.50 --0.50 --0.50
't4 2.50 --6.50 2.47
4~5 PROBLEMAS
4-1. Un qumico quiere probar el efecto de cuatro agentes qumicos sobre la resistencia de un tipo particular de
tela. Debido a que podra haber variabilidad de un rollo de tela a otro, el qumico decide usar un diseo de blo-
ques aleatorizados, con los rollos de tela considerados como bloques. Selecciona cinco rollos y aplica los
cuatro agentes qumicos de manera aleatoria a cada rollo. A continuacin se presentan las resistencias a la
tensin resultantes. Analizar los datos de este experimento (utilizar a = 0.05) y sacar las conclusiones
apropiadas.
Agente Rollo
qumico 1 2 3 4 5
1 73 68 74 71 67
2 73 67 75 72 70
3 75 68 78 73 68
4 73 71 75 75 69
4-2. Se estn comparando tres soluciones de lavado diferentes a fin de estudiar su efectividad para retardar el
crecimiento de bacterias en contenedores de leche de 5 galones. El anlisis se hace en un laboratorio y slo
pueden realizarse tres ensayos en un da. Puesto que los das podran representar una fuente potencial de va-
riabilidad, el experimentador decide usar un diseo de bloques aleatorizados. Se hacen observaciones en
cuatro das, cuyos datos se muestran enseguida. Analizar los datos de este experimento (utilizar a = 0.05) y
sacar las conclusiones apropiadas.
Das
Solucin 1 2 3 4
1 13 22 18 39
2 16 24 17 44
3 5 4 1 22
4-3. Graficar las resistencias a la tensin medias observadas para cada tipo de agente qumico en el problema 4-1
y compararlas con una distribucin t con la escalacin apropiada. Qu conclusiones se sacaran a partir de
esta representacin grfica?
4-4. Graficar los conteos de bacterias promedio para cada solucin en el problema 4-2 Ycompararlos con una dis-
tribucin t escalada. Qu conclusiones pueden sacarse?
4-5. En un artculo de Eire Safety Joumal ("El efecto del diseo de boquillas en la estabilidad y el desempeo de
surtidores de agua turbulenta", vol. 4) se describe un experimento en el que se determin un factor de la for-
ma para varios diseos diferentes de boquillas con seis niveles de la velocidad del flujo de salida del surtidor.
4-5 PROBLEMAS 165
El inters se centr en las diferencias potenciales entre los diseos de las boquillas, con la velocidad conside-
rada como una variable perturbadora. Los datos se presentan a continuacin.
Diseo de la Velocidad del flujo de salida del surtidor (m/s)

boquilla 11.73 14.37 16.59 20.43 23.46 28.74
1 0.78 0.80 0.81 0.75 0.77 0.78
2 0.85 0.85 0.92 0.86 0.81 0.83
3 0.93 0.92 0.95 0.89 0.89 0.83
4 1.14 0.97 0.98 0.88 0.86 0.83
5 0.97 0.86 0.78 0.76 0.76 0.75
a) El diseo de la boquilla afecta el factor de la forma? Comparar las boquillas con un diagrama de disper-
sin y con un anlisis de varianza, utilizando a = 0.05.
e) Qu diseos de las boquillas son diferentes con respecto al factor de la forma? Trazar una grfica del
factor de la forma promedio para cada tipo de boquilla y compararla con una distribucin t escalada.
Comparar las conclusiones que se sacaron a partir de esta grfica con las de la prueba del rango mltiple
de Duncan.
4-6. Considere el experimento del algoritmo para controlar la proporcin de almina del captulo 3, seccin 3-8.
El experimento se llev a cabo en realidad como un diseo de bloques aleatorizados, en el que se selecciona-
ron seis periodos como bloques, y se probaron los cuatro algoritmos para controlar la proporcin en cada pe-
riodo. El voltaje promedio de la celda y la desviacin estndar del voltaje (indicada entre parntesis) para
cada celda son los siguientes:
Algoritmo Tiempo
para controlar
la proporcin 1 2 3 4 5 6
1 4.93 (0.05) 4.86 (0.04) 4.75 (0.05) 4.95 (0.06) 4.79 (0.03) 4.88 (0.05)
2 4.85 (0.04) 4.91 (0.02) 4.79 (0.03) 4.85 (0.05) 4.75 (0.03) 4.85 (0.02)
3 4.83 (0.09) 4.88 (0.13) 4.90 (0.11) 4.75 (0.15) 4.82 (0.08) 4.90 (0.12)
4 4.89 (0.03) 4.77 (0.04) 4.94 (0.05) 4.86 (0.05) 4.79 (0.03) 4.76 (0.02).
a) Analizar los datos del voltaje promedio de las celdas. (Utilizar a = 0.05.) La eleccin del algoritmo para
controlar la proporcin afecta el voltaje promedio de las celdas?
b) Realizar el anlisis apropiado de la desviacin estndar del voltaje. (Recuerde que a ste se le llam "rui-
do del crisol".) La eleccin del algoritmo para controlar la proporcin afecta el ruido del crisol?
c) Realizar los anlisis residuales que parezcan apropiados.
d) Qu algoritmo para controlar la proporcin debera seleccionarse si el objetivo es reducir tanto el vol-
taje promedio de las celdas como el ruido del crisol?
4-7. El fabricante de una aleacin maestra de aluminio produce refinadores de textura en forma de lingotes. La
compaa produce el producto en cuatro hornos. Se sabe que cada horno tiene sus propias caractersticas
nicas de operacin, por lo que en cualquier experimento que se corra en la fundicin en el que se use ms de
un horno, los hornos se considerarn como una variable perturbadora. Los ingenieros del proceso sospechan
que la velocidad de agitacin afecta la medida de la textura del producto. Cada horno puede operarse con
166 CAPTULO 4 BLOQUES ALEATORIZADOS, CUADRADOS LATL".JOSy DISENOS RELACIONADOS
cuatro diferentes velocidades de agitacin. Se lleva a cabo un diseo de bloques aleatorizados para un refina-
dor particular y los datos resultantes de la medida de la textura se muestran a continuacin:
Horno
Velocidad de agitacin (rpm) 1 2 3 4
5 8 4 5 6
10 14 5 6 9
15 14 6 9 2
20 17 9 3 6
a) Existe evidencia de que la velocidad de agitacin afecta la medida de la textura?

b) Representar los residuales de este experimento en una grfica de probabilidad normal. Interpretar esta grfica.
e) Graficar los residuales contra el horno y la velocidad de agitacin. Esta grfica proporciona alguna in-
formacin til?
d) Cul sera la recomendacin de los ingenieros del proceso con respecto a la eleccin de la velocidad de
agitacin y del horno para este refinador de textura particular si es deseable una medida de la textura pe-
quea?
4-8. Analizar los datos del problema 4-2 utilizando la prueba general de significacin de la regresin.
4-9. Suponiendo que los tipos de agentes qumicos y los rollos de tela son fijos, estimar los parmetros del modelo
T; y fJj del problema 4-1.
4-10. Trazar una curva de operacin caracteristica para el diseo del problema 4-2. La prueba parece ser sensible
a las diferencias pequeas en los efectos de los tratamientos?
4-11. Suponga que falta la observacin del agente qumico 2 y el rollo 3 en el problema 4-1. Analizar el problema
estimando el valor faltante. Realizar el anlisis exacto y comparar los resultados.
4-12. Dos valoresfaltantes en un bloque aleatorizado, Suponga que en el problema 4-1 faltan las observaciones del
agente qumico tipo 2 y el rollo 3 y del agente qumico tipo 4 y el rollo 4.
a) Analizar el diseo haciendo la estimacin iterativa de los valores faltantes, como se describe en la sec-
cin 4-1.3.
b) Derivar SSE con respecto a los dos valores faltantes, igualar los resultados con cero y resolver las ecuacio-
nes para las estimaciones de los valores faltantes, Analizar el diseo utilizando estas dos estimaciones de
los valores faltantes.
e) Deducir las frmulas generales para estimar dos valores faltantes cuando las observaciones estn en blo-
ques diferentes.
d) Deducir las frmulas generales para estimar dos valores faltan tes cuando las observaciones estn en el
mismo bloque.
4-13. Un ingeniero industrial est realizando un experimento sobre el tiempo de enfoque del ojo. Se interesa en el
efecto de la distancia del objeto alojo sobre el tiempo de enfoque. Cuatro distancias diferentes son de inte-
rs. Cuenta con cinco sujetos para el experimento. Debido a que puede haber diferencias entre los indivi-
duos, el ingeniero decide realizar el experimento en un diseo de bloques aleatorizados. Los datos obtenidos
se presentan a continuacin. Analizar los datos de este experimento (utilizar a = 0.05) y sacar las conclusio-
nes apropiadas.
Sujeto
Distancia (pies) 1 2 3 4 5
4 10 6 6 6 6
6 7 o
-- 6 1 6
8 5 3 3 2 5
10 6 4 4 2 3
4~5 PROBLEMAS 167
4-14. Se estudia el efecto de cinco ingredientes diferentes (A, B, C, D y E) sobre el tiempo de reaccin de un proce-
so qumico. Cada lote de material nuevo slo alcanza para permitir la realizacin de cinco corridas. Adems,
cada corrida requiere aproximadamente 11/2 horas, por lo que slo pueden realizarse cinco corridas en un
da. El experimentador decide realizar el experimento como un cuadrado latino para que los efectos del da y
el lote puedan controlarse sistemticamente. Obtiene los datos que se muestran enseguida. Analizar los da-
tos de este experimento (utilizar a = 0.05) Y sacar conclusiones.
Da
Lote 1 2 3 4 5
1 A =8 B=7 D =1 C=7 E =3
2 C=l1 E=2 A =7 D =3 B=8
3 B=4 A =9 C = 10 E=l D =5
4 D=6 C=8 E =6 B=6 A=lO
5 E =4 D=2 B =3 A =8 C=8
4-15. Un ingeniero industrial investiga el efecto de cuatro mtodos de ensamblaje (A, B, Cy D) sobre el tiempo de
ensamblaje de un componente de televisores a color. Se seleccionan cuatro operadores para el estudio. Ade-
ms, el ingeniero sabe que todos los mtodos de ensamblaje producen fatiga, de tal modo que 'el tiempo re-
querido para el ltimo ensamblaje puede ser mayor que para el primero, independientemente del mtodo.
Es decir, se desarrolla una tendencia en el tiempo de ensamblaje requerido. Para tomar en cuenta esta fuente
de variabilidad, el ingeniero emplea el diseo del cuadrado latino que se presenta a continuacin. Analizar
los datos de este experimento (a = 0.05) Y sacar las conclusiones apropiadas.
Orden de Operador
ensamblaje 1 2 3 4
1 C=lO D = 14 A =7 B=8
2 B=7 C = 18 D=l1 A =8
3 A =5 B = 10 C=l1 D =9
4 D=lO A=lO B = 12 C= 14
4-16. Suponga que en el problema 4-14 falta la observacin del lote 3 en el da 4. Estimar el valor altante con la
ecuacin 4-24, y realizar el anlisis utilizando este valor.
4-17. Considere un cuadrado latino p x p con renglones (a), columnas (!3k) y tratamientos ('rj) fijos. Obtener esti-
maciones de mnimos cuadrados de los parmetros del modelo a, f3k y tj.
4-18. Deducir la frmula del valor faltante (ecuacin 4-24) para el diseo del cuadrado latino.
4-19. Diseos que incluyen varios cuadrados latinos. (Ver Cochran y Cox [26] y John [61d].) El cuadrado latino p x p
contiene nicamente p observaciones para cada tratamiento. Para obtener ms rplicas, el experimentador
puede usar varios cuadrados, por ejemplo n. No es relevante si los cuadrados usados son el mismo o son dife-
rentes. El modelo apropiado es
i = 1, 2, , P
j = 1, 2, , P
Yijkh = jl+Ph
j
+ai(h) +rj +f3k(h) +(rp)jh +Eijkh k= 1, 2, , p
h= 1, 2, , n
donde Yijkh es la observacin del tratamiento j en el rengln i y la columna k del cuadrado h-simo. Observe
que ai(h) YfJk(h) son los efectos del rengln y la columna en el cuadrado h-simo, Ph es el efecto del cuadrado
h-simo y (rp )h es la interaccin entre los tratamientos y los cuadrados.
a) Establecer las ecuaciones normales para este modelo y resolverlas para las estimaciones de los parme-
tros del modelo. Suponga que las condiciones auxiliares apropiadas de los parmetros son ~hPh = O,
~iai(h) = O y ~kfJk(h) = O para cada h, ~i =0, ~(ip)jh = O para cada h y ~h(ip)jh = O para cada j.
b) Desarrollar la tabla del anlisis de varianza para este diseo.
4-20. Comentar la forma en que pueden utilizarse las curvas de operacin caracterstica del apndice con el diseo
del cuadrado latino.
4-21. Suponga que en el problema 4-14 los datos tomados en el da 5 se analizaron incorrectamente y fue necesario
descartarlos. Desarrollar un anlisis apropiado para los datos restantes.
4-22. El rendimiento de un proceso qumico se midi utilizando cinco lotes de materia prima, cinco concentracio-
nes del cido, cinco tiempos de procesamiento (A, B, C, Dy E) Ycinco concentraciones del catalizador (a,fJ,
y, 15,t:). Se us el cuadrado grecolatino siguiente. Analizarlos datos de este experimento (utilizar a = 0.05) Y
sacar conclusiones.
Concentracin del cido

Lote 1 2 3 4 5
1 Aa=26 BfJ = 16 Cy = 19 Dd = 16 &=13
2 By = 18 Cd = 21 De = 18 Ea = 11 AfJ = 21
3 Ce = 20 Da = 12 EfJ = 16 Ay =25 Bd = 13
4 DfJ = 15 Ey = 15 Ad =22 Be = 14 Ca = 17
5 Ed = 10 At: =24 Ba = 17 Cfl = 17 Dy = 14
4-23. Suponga que en el problema 4-15 el ingeniero sospecha que los sitios de trabajo usados por los cuatro opera-
dores pueden representar una fuente adicional de variacin. Es posible introducir un cuarto factor, el sitio de
trabajo (a, fl, y, ), Yrealizar otro experimento, de donde resulta el cuadrado grecolatino siguiente. Analizar
los datos de este experimento (utilizar a = 0.05) y sacar conclusiones.
Orden de Operador
ensamblaje 1 2 3 4
1 Cfl = 11 By = 10 Dd = 14 Aa =8
2 Ba =8 Cd = 12 Ay = 10 Dfl = 12
3 A =9 Da = 11 Bfl = 7 Cy = 15
4 Dy =9 Afl = 8 Ca = 18 Bd =6
4-24. Construir un hipercuadrado 5 x 5 para estudiar los efectos de cinco factores. Desarrollar la tabla del anlisis
de varianza para este diseo.
4-25. Considere los datos de los problemas 4-15 y 4-23. Despus de eliminar las letras griegas del problema 4-23,
analizar los datos utilizando el mtodo desarrollado en el problema 4-19.
4-26. Considere el diseo de bloques aleatorizados con un valor faltante en la tabla 4-7. Analizar los datos utilizan-
do el anlisis exacto del problema del valor faltante revisado en la seccin 4-1.4. Comparar los resultados con
el anlisis aproximado de estos datos que se presenta en la tabla 4-8.
4-27. Un ingeniero estudia las caractersticas del rendimiento de combustible de cinco tipos de aditivos de gasoli-
na. En la-prueba de carretera el ingeniero desea usar los automviles como bloques; sin embargo, debido a
4-5 PROBLEMAS 169
una restriccin de tiempo, debe utilizar un diseo de bloques incompletos. Realiza el diseo balanceado con
los cinco bloques siguientes. Analizar los datos de este experimento (utilizar a = 0.05) Ysacar conclusiones.
Automvil
Aditivo 1 2 3 4 5
1 17 14 13 12
2 14 14 13 10
3 12 13 12 9
4 13 11 11 12
5 11 12 10 8
4-28. Construir un conjunto de contrastes ortogonales para los datos del problema 4-27. Calcular la suma de cua-
drados para cada contraste.
4-29. Se estudian siete concentraciones diferentes de madera dura para determinar su efecto sobre la resistencia
del papel producido. Sin embargo, en la planta piloto slo pueden hacerse tres corridas de produccin por
da. Dado que los das pueden diferir, el analista utiliza el diseo de bloques incompletos balanceados que se
muestra abajo. Analizar los datos de este experimento (utilizar a = 0.05) Y sacar conclusiones.
Concentracin de Das
madera dura (%) 1 2 3 4 5 6 7
2 114 120 117
4 126 120 119
6 137 117 134
8 141 129 149
10 145 150 143
12 120 118 123
14 136 130 127
4-30. Analizar los datos del ejemplo 4-6 utilizando la prueba general de significacin de la regresin.
4-31. Demostrar que k~~=lctI (la) es la suma de cuadrados ajustada de los tratamientos en un BIBD.
4-32. Un experimentador quiere comparar cuatro tratamientos en bloques de dos corridas. Encontrar un BIBD
para este experimento con seis bloques.
4-33. Un experimentador quiere comparar ocho tratamientos en bloques de cuatro corridas. Encontrar un BIBD
con 14 bloques y,l = 3.
4-34. Realizar el anlisis interbloques del diseo del problema 4-27.
4-35. Realizar el anlisis interbloques del diseo del problema 4-29.
4-36. Comprobar que no existe un BIBD con parmetros a = 8, r = 8, k = 4 Y b 16. =
4-37. Demostrar que la varianza de los estimadores intrabloques {r) es k(a ~ 1)a2 / (la2).
438. Diseos extendidos de bloques incompletos. Ocasionalmente, el tamao del bloque cumple con la relacin a < k
< 2a . Un diseo extendido de bloques incompletos consiste en una sola rplica de cada tratamiento en cada
bloque junto con un diseo de bloques incompletos con k" = k - a. En el caso balanceado, el diseo de blo-
ques incompletos tendr los parmetrosk* = k -a, r" = r-b y,l ", Desarrollar el anlisis estadstico. (Suge-
rencia: en el diseo extendido de bloques incompletos, se tiene I = 2r - b + ,l*.)
Introduccin
a los diseos
factoriales
5~1 DEFINICIONES Y PRINCIPIOS BSICOS
En muchos experimentos interviene el estudio de los efectos de dos o ms factores. En general, los dse-
os factoriales son los ms eficientes para este tipo de experimentos. Por diseo factorial se entiende que
en cada ensayo o rplica completa del experimento se investigan todas las combinaciones posibles de los
niveles de los factores. Por ejemplo, si el factor A tiene a niveles y el factor B tiene b niveles, cada rplica
contiene todas las ab combinaciones de los tratamientos. Cuando los factores estn incluidos en un dise-
o factorial, es comn decir que estn cruzados.
El efecto de un factor se define como el cambio en la respuesta producido por un cambio en el nivel
del factor. Con frecuencia se le llama efecto principal porque se refiere a los factores de inters primario
en el experimento. Por ejemplo, considere el experimento sencillo de la figura 5-1. Se trata de un experi-
mento factorial de dos factores en el que los dos factores del diseo tienen dos niveles. A estos niveles se
les ha denominado "bajo" y "alto" y se denotan como =: y "+", respectivamente. El efecto principal del
factor A de este diseo de dos niveles puede visualizarse como la diferencia entre la respuesta promedio
con el nivel bajo de A y la respuesta promedio con el nivel alto de A. Numricamente, esto es
A = 40+52 _ 20+30 = 21
2 2
Es decir, cuando el factor A se incrementa del nivel bajo al nivel alto se produce un incremento de la res-
puesta promedio de 21 unidades. De manera similar, el efecto principal de B es
B= 30+52 _ 20+40 = 11
2 2
Cuando los factores tienen ms de dos niveles, es necesario modificar el procedimiento anterior, ya que
existen otras formas de definir el efecto de un factor. Este punto se estudia con mayor profundidad ms
adelante.
En algunos experimentos puede encontrarse que la diferencia en la respuesta entre los niveles de un
factor no es la misma para todos los niveles de los otros factores. Cuando esto ocurre, existe una interae-
170
5-1 DEFINICIONES Y PRINCIPIOS BSICOS 171
+ 30 52 + 40 12
D
(Alto) (Altol
D
I:Q I:Q
(5
.....
<>
...~
(Bajo) (Bajo)
20 40 20 50
+ +
(Bajo) (Alto) (Bajo) (Alto)
FactorA Factor A
Fignra S-l Experimento factorial de dos Figura S-2 Experimento factorial de dos
factores con la respuesta (y) indicada en los factores con interaccin.
vrtices.
cin entre los factores. Por ejemplo, considere el experimento factorial de dos factores que se ilustra en la
figura 5-2. Con el nivel bajo del factor B (o 11), el efecto de A es
A= 50-20= 30
y con el nivel alto del factor B (o B+), el efecto de A es
A= 12-40= -28
Puesto que el efecto deA depende del nivel que se elige para el factor B, se observa que existe una interac-
cin entre A y B. La magnitud del efecto de la interaccin es la diferencia promedio de estos dos efectos de
A, o AB = (-28 - 30)/2 = -29. Evidentemente, en este experimento la interaccin es grande.
Estas ideas pueden ilustrarse grficamente. En la figura 5-3se grafican los datos de las respuestas de
la figura 5-1 contra el factorA para ambos niveles del factor B. Observe que las rectas B''y B+ son aproxi-
madamente paralelas, lo cual indica la ausencia de interaccin entre los factores A y B. De manera simi-
lar, en la figura 5-4 se grafican los datos de las respuestas de la figura 5-2.En este caso se observa que las
rectas B' y B+ no son paralelas. Esto indica una interaccin entre los factores A y B. Grficas como stas
son de gran ayuda para interpretar las interacciones significativas y para reportar los resultados al perso-
nal sin preparacin estadstica. Sin embargo, no debern utilizarse como la nica tcnica para el anlisis
de datos, ya que su interpretacin es subjetiva y su apariencia con frecuencia es engaosa.
60 B+ 60
50
il40
..
40
50
~ :::1
~ 30 ~- 1i30
C>
a: 20 a: 20
B-
10
+ +
Factor A Factor A
Figura 5-3 Experimento factorial sin in- Figura 5-4 Experimento factorial con inter-
teraccin, accin.
172 CAPTULo 5 INTRODUCCIN A lDS DISEOS FACTORIALES
El concepto de interaccin puede ilustrarse de otra manera. Suponga que los dos factores del diseo
tratado son cuantitativos (temperatura, presin, tiempo, etc.). Entonces una representacin con un mo-
delo de regresin del experimento factorial de dos factores podra escribirse como
y= Po +PIXI +P2X2 +f:3ZXXZ +f:
donde y es la respuesta, las P son parmetros cuyos valores deben determinarse, Xl es una variable que re-
presenta al factorz.z, es una variable que representa al factor B, y e es un trmino del error aleatorio. Las
variables Xl y X2 se definen en una escala codificada de -1 a + 1 (los niveles bajo y alto de A y B),YXX2 re-
presenta la interaccin entre Xl y X2'
Las estimaciones de los parmetros en este modelo de regresin resultan estar relacionadas con las
estimaciones de los efectos. Para el experimento ilustrado en la figura 5-1 se encuentra que los efectos
principales deA yB sonA = 21 YB = 11.Las estimaciones de PI yP2 son la mitad del valor del efecto prin-
cipal correspondiente; por lo tanto, p pz
= 21/2 = 10.5 Y = 11/2 = 5.5.El efecto de la interaccin de la
figura 5-1 es AB =1, por lo que el valor del coeficiente de la interaccin en el modelo de regresin es
= =
P12 1/2 0.5. El parmetro {Jo se estima con el promedio de las cuatro respuestas, o
Po = (20+40+30+52)/4 = 35.5. Por 10 tanto, el modelo de regresin ajustado es
y= 35.5+1O.5xI +5.5xz +O.5xx2
0.) La superficie de respuesta
b) La grfi~ de contorno
Figura 5-5 La superficie de respuesta y la grfica de' contorno para el mode-

lo j =' 35.5 + 105..':"1 + 5.5x2
5-1 DEFINICIONES Y PRINCIPIOS BSICOS 173
Las estimaciones de los parmetros obtenidas de esta manera para el diseo factorial en el que todos los
factores tienen dos niveles (- y + ) resultan ser estimaciones de mnimos cuadrados (se abundar sobre el
tema ms adelante).
=
El coeficiente de la interaccin (P12 0.5) es pequeo en comparacin con los coeficientes de los
efectos principales Pl P
y 2' La interpretacin que se har de este hecho es que la interaccin es pequea y
puede ignorarse. Por lo tanto, al eliminar el trmino O.SXX2 se obtiene el modelo
)/= 35.5+10.5xl +5.5x2
En la figura 5-5 se muestran las representaciones grficas de este modelo. En la figura 5-5a se tiene una
grfica del plano de los valores de y generados por las diferentes combinaciones de Xl y X2' A esta grfica
tridimensional se le llama grfica de superficie de respuesta. En la figura 5-5b se muestran las lneas de
contorno para las respuestas constantes yen el planoxl,x2 Observe que como la superficie de respuesta es
un plano, la grfica de contorno contiene lneas rectas paralelas.
Suponga ahora que la contribucin de la interaccin en el experimento no fuera insignificante; es de-
cir, que el ccecenteji., no fuera pequeo. En la figura 5-6 se presenta la superficie de respuesta y la gr-
fica de contorno del modelo
al La superficie de respuesta
b) La grlfica de contorno
Figura 5-6 La superficie de respuesta y la grfica de contorno para el mo-

delo y = 35.5 + 10'~1 + 55r2 + &X2'
174 CAPTULO 5 INTRODUCCIN A LOS DISEOS FACfORIALES
(Se ha hecho que el efecto de la interaccin sea el promedio de los dos efectos principales.) Observe que
el efecto significativo de la interaccin provoca el "torcimiento" del plano de la figura 5-6a. Este torci-
miento de la superficie de respuesta produce lneas de contorno curvas para las respuestas constantes en
el planox1,x2, como se muestra en la figura 5-6b. Por 10tanto, una interaccin es una forma de curvatura
en el modelo de superficie de respuesta fundamental del experimento.
El modelo de superficie de respuesta de un experimento es de gran importancia y utilidad. El tema se
ampliar en la seccin 5-5 y en captulos posteriores.
En general, cuando una interaccin es grande, los efectos principales correspondientes tienen escaso
significado prctico. En el experimento de la figura 5-2,la estimacin del efecto principal deA sera
A= 50+12_ 20+40 =1
2 2
que es muy pequeo, y se llegara a concluir que no hay ningn efecto debido a A. Sin embargo, cuando se
examinan los efectos deA con niveles diferentes delfactor B, se observa que no es ste el caso. El factor A
tiene un efecto, pero depende del nivel del factor B. Es decir, el conocimiento de la interaccinAB es ms
til que el conocimiento del efecto principal. Una interaccin significativa suele enmascarar la significa-
cin de los efectos principales. Estos puntos se ponen de manifiesto con claridad en la grfica de la inter-
accin de la figura 5-4. En presencia de una interaccin significativa, el experimentador deber por lo
general examinar los niveles de uno de los factores, por ejemplo del factor A, manteniendo fijos los nive-
les de los otros factores para sacar conclusiones acerca del efecto principal de A.
5~2 LA VENTAJA DE LOS DISEOS FACTORIALES
Es sencillo ilustrar la ventaja de los diseos factoriales. Suponga que se tienen dos factoresA y B, cada
uno con dos niveles. Los niveles de los factores se denotan porA-,A+,B-y B+.Podra obtenerse informa-
cin acerca de ambos factores hacindolos variar uno a la vez, como se muestra en la figura 5-7. El efecto
de cambiar el factor A est dado porA+B--A-S-, y el efecto de cambiar el factorB est dado porA-B+-
A-B-. Debido a que est presente el error experimental, es deseable realizar dos observaciones, por ejem-
plo, para cada combinacin de tratamientos y estimar los efectos de los factores utilizando las respuestas
promedio. Por lo tanto, se necesita un total de seis observaciones.
Si se hubiera efectuado un experimento factorial, se habra registrado una combinacin adicional
de los tratamientos, A +B+.Ahora, utilizando slo cuatro observaciones, pueden hacerse dos estimacio-
nes del efecto deA:A +B--A-B-y A +B+-A-B+. De manera similar, pueden hacerse dos estimaciones del
A-B+
+
~...
o
t;
'"
u.
A-a- A+B-
+
Factor A
Figura 57 Experimento con un factor a la vez.
5.3 DISENO FACTORIAL DE OOS FACTORES 175
4.0
3.5
.~
., 3.0
1i.,
'g., 2.5
;gw 2.0
1.5
Nmero de factores
Figura 58 Eficiencia relativa de un diseo factorial con

respecto a un experimento de un factor a la vez (dos niveles
del factor).
efecto de B. Estas dos estimaciones de cada efecto principal podran promediarse para producir efectos
principales promedio que tienen la misma precisin que las estimaciones del experimento con un solo
factor, pero slo se requieren cuatro observaciones en total, y nosotros diramos que la eficiencia relati-
va del diseo factorial con respecto al experimento de un factor a la vez es de (6/4) = 1.5. En general,
esta eficiencia relativa aumentar conforme se incremente el nmero de factores, como se muestra en
la figura 5-8.
Suponga ahora que est presente una interaccin. Si el diseo de un factor a la vez indicara queA-B+
y A +B- dieron mejores respuestas queA-B-, una conclusin lgica sera que A +B+ sera todava mejor. Sin
embargo, si est presente una interaccin, esta conclusin puede ser una equivocacin grave. Para un
ejemplo, referirse al experimento de la figura 5-2.
En resumen, observe que los diseos factoriales ofrecen varias ventajas. Son ms eficientes que los
experimentos de un factor a la vez. Adems, un diseo factorial es necesario cuando puede haber interac-
ciones presentes a fin de evitar llegar a conclusiones incorrectas. Por ltimo, los diseos factoriales permi-
ten la estimacin de los efectos de un factor con varios niveles de los factores restantes, produciendo
conclusiones que son vlidas para un rango de condiciones experimentales.
5~3 DISEO FACTORIAL DE DOS FACTORES
5~3.1 Un ejemplo
Los tipos ms simples de diseos factoriales incluyen nicamente dos factores o conjuntos de tratamien-
tos. Haya niveles del factor A y b niveles del factor B, los cuales se disponen en un diseo factorial; es de-
cir, cada rplica del experimento contiene todas las ah combinaciones de los tratamientos. En general,
hay n rplicas.
Como ejemplo de un diseo factorial en el que intervienen dos factores, un ingeniero est diseando
una batera que se usar en un dispositivo que se someter a variaciones de temperatura extremas. El ni-
co parmetro del diseo que puede seleccionar en este punto es el material de la placa o nodo de la bate-
ra, y tiene tres elecciones posibles. Cuando el dispositivo est fabricado y se enve al campo, el ingeniero
no tendr control sobre las temperaturas extremas en las que operar el dispositivo, pero sabe por expe-
176 CAPTULO 5 INTRODUCCIN A LOS DISEOS FACTORIALES
Tabla51 Datosde la vida (enhoras)parael ejemplodeldiseode la batera

Tipo de 'Iemperatura eF)
material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2 150 188 136 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
riencia que la temperatura probablemente afectar la vida efectiva de la batera. Sin embargo, la tempe-
ratura puede controlarse en el laboratorio donde se desarrolla el producto para fines de prueba.
El ingeniero decide probar los tres materiales de la placa con tres niveles de temperatura -15, 70 Y
125"F-, ya que estos niveles de temperatura son consistentes con el medio ambiente donde se usar final-
mente el producto. Se prueban cuatro bateras con cada combinacin del material de la placa y la tempe-
ratura, y las 36 pruebas se corren de manera aleatoria. En la tabla 5-1 se presentan los datos del
experimento y de la vida observada de la batera.
En este problema, el ingeniero quiere responder las preguntas siguientes:
1. Qu efectos tienen el tipo de material y la temperatura sobre la vida de la batera?

2. Existe alguna eleccin del material que produzca de manera regular una vida larga de la batera
independientemente de la temperatura?
La segunda pregunta es de particular importancia. Quiz sea posible encontrar una alternativa del mate-
rial que no resulte afectada considerablemente por la temperatura. De ser ste el caso, el ingeniero puede
hacer que la batera sea robusta para la variacin de la temperatura en el campo. Se trata de un ejemplo
de la aplicacin del diseo experimental estadstico en el diseo de productos robustos, un problema de
ingeniera muy importante.
El anterior es un ejemplo especfico del caso general de un diseo factorial de dos factores. Para pa-
=
sar al caso general, seaYljk la respuesta observada cuando elfactorA tiene el nivel i-simo (i 1,2, ..., a) y
el factor B tiene el nivel j-simo (j = 1,2, ..., b) en la rplica k-sima (k "" 1,2, ..., n). En general, el experi-
mento factorial de dos factores aparecer como en la tabla 5-2.El orden en que se hacen las abn observa-
ciones se selecciona al azar, por lo que este diseo es un diseo completamente aleatorizado.
Tabla5-2 Arreglogeneralde un diseofactorialde dosfactores

FactorB
1 2 b
1 Yll1,Yl12, YI2bY122, YlbbYlb2,
""YUn ""Yl2n "',Ylbn
FactorA 2 Y211,Y212, Y221,YZ22, Y2bbY2b2,
""Y2ln "',Y22n "',Y2bn
a Y.1I>Y.12, Y.2I>Y.22, Y.bl,Y.bZ,

'Y.I. ,Y.2n 'Y.b.
I
5-3 DISEO FACTORIAL DE 005 FACTORES 177
Las observaciones de un experimento factorial pueden describirse con un modelo. Hay varias formas
de escribir el modelo de un experimento factorial. El modelo de los efectos es
i.: 1, 2, , a
Yijk = u+t , +f3j +(r{J)ij +Ek
{=) -1,2, ,b
k 1, 2, , n
(5-1)
donde fl es el efecto promedio global, t es el efecto del nivel i-simo del factor A de los renglones, {Ji es el
efecto del nivelj-simo del factor B de las columnas, ("({J)jes el efecto de la interaccin entre "(;Y {Jj' y el}k es
un componente del error aleatorio. Se supone que ambos factores son rijos, y los efectos de los tratamien-
=
tos se definen como las desviaciones de la media global, por lo que I~=lr Oy 'I.~=lfJ j O.De manera si- =
milar, los efectos de las interacciones son fijos y se definen de tal modo que I:. =
1(rfJ)ij 'I~=l(r{J)ij O. =
Puesto que hay n rplicas del experimento, hay abn observaciones en total.
Otro modelo posible de un experimento factorial es el modelo de las medias
i.: 1, 2, , a
Yijk = flij +eijk
{=) -1, 2, , b
k 1, 2, , n
donde la media de la celda ij-sima es

flij = u+t +fJ j +(rfJ)ij
Thmbin podra usarse un modelo de regresin como en la seccin 5-1. Los modelos de regresin resultan
particularmente tiles cuando uno o ms de los factores del experimento son cuantitativos. En la mayor
parte de este captulo se usar el modelo de los efectos (ecuacin 5-1) con referencia al modelo de regre-
sin en la seccin 5-5.
En el diseo factorial de dos factores, los factores (o tratamientos) de los renglones y las columnas,A
y B, son de igual inters. Especficamente, el inters se encuentra en probar hiptesis acerca de la igual-
dad de los efectos de los tratamientos de los renglones, por ejemplo,
Ho:r1 = r = ...= r. = O
2
(5-2a)
HI: al menos una r :;e O
Y de la igualdad de los efectos de los tratamientos de las columnas, por ejemplo,

HO:fJl = fJ2 = ...= fJ" = O (S-2b)
HI: al menos una fJ j '# O
Tambin existe inters en determinar si los tratamientos de los renglones y las columnas interactan. Por
10 tanto, tambin querra probarse
Ho: (rfJ)1j =O para todas las i, j
(5-2c)
HI: al menos una (r{J)ij :;e O
A continuacin se indica cmo se prueban estas hiptesis utilizando un anlisis de varianza de dos factores.
5~3.2 Anlisis estadstico dlelmodelo con efectos fijos

Sea que Y. denote el total de observaciones bajo el nivel r-smo del factor A, que y J. denote el total de
observaciones bajo el nivel j-simo del factor B, que Yij. denote el total de observaciones de la celda
ij-sima, y que Y... denote el gran total de todas las observaciones. Se definenj., YJ.' Yij. y Y... como los pro-
medios correspondientes de los renglones, las columnas, las celdas y el gran promedio. Expresado ma-
temticamente,
- Yi. i=1,2, ...,a

Yi .. = bn
-
y .J.
Y.j. =-an i= 1, 2, ... , b
(5-3)
n
-
ylj- i=l,2, ,a
Yij. ::::::
2:Yijk Yij. = --;;- i= 1,2, ,b
k~1
a b n
Y... = 2: 2: 2:
i~l j;l k;1
Yijk
- Y...
Y... = abn
La suma de cuadrados total corregida puede escribirse como
+(y- IJ... _ y-o

1..
_ Y-.J. +Y-... )+(y . I)k.. _ Y-o,
IJ.
)]2
o b
= bnLJ,,(- -)2 +anLJ

Yi.. _ y... ,,(- y. _ Y...
-)2 (5-4)
i;1 j~1
a b
+n LJ
"" LJ (-Yij. _-Yi.. _-Y.j. +-Y..;:)2
ya que los seis productos cruzados del lado derecho de la igualdad son cero. Observe que se ha hecho la
particin de la suma de cuadrados total en una suma de cuadrados debida a "los renglones", o factor A
(SSA); una suma de cuadrados debida a "las columnas", o factor B (SSB); una suma de cuadrados debida a
la interaccin entreA y B (SSAB); y una suma de cuadrados debida al error (SSE). Por el ltimo componen-
te del lado derecho de la igualdad de la ecuacin 5-4, se observa que debe haber por lo menos dos rplicas
(n ;:::2) para obtener una suma de cuadrados del error.
La ecuacin 5-4 puede escribirse simblicamente como
SST ::::::SSA +SSB +SS AB +SSE (5-5)

El nmero de grados de libertad asociado con cada suma de cuadrados es
Efecto Grados de libertad

A a-l
B b-l
Interaccin AB (a -1)(b -1)
Error ab(n-1)
Thtal abn-l
53 DISEO FACTORIAL DE 005 FACTORES 179
Esta asignacin de los abn - 1 grados de libertad totales a las sumas de cuadrados puede justificarse de la
siguiente manera: los efectos principales A y B tienen a y b niveles, respectivamente; por lo tanto, tienen a
- 1 y b - 1 grados de libertad, como se indica. Los grados de libertad de la interaccin son slo el nmero
de grados de libertad de las celdas (que es ab - 1) menos el nmero de grados de libertad de los dos efec-
tos principalesA y B; es decir,ab-l- (a -l)-(b-l) = (a -l)(b -1). Dentro de cada una de lasab celdas
hay n -1 grados de libertad entre las n rplicas; por lo tanto hay aben-1) grados de libertad para el error.
Observe que la suma del nmero de grados de libertad en el lado derecho de la ecuacin 5-5 es igual al n-
mero total de grados de libertad.
Cada suma de cuadrados dividida por sus grados de libertad es un cuadrado medio. Los valores espe-
rados de los cuadrados medios son
SS bn! r;
E( MS A) = J_A ) = 02 + i~1
_Lj~a-1 a-1
b
J SS ) an~ f3~
E(MSB)= Lj~b_Bl = 02 + ~-~1
a b
n (r{3)~
E( MS ) = E( SS AH ) = 02 + ,mI j~1
AH ( a -1 )(b - 1) (a - 1)(b - 1)
Observe que si es verdadera la hiptesis nula de que no hay efectos de los tratamientos de los renglones,
ni de los tratamientos de las columnas, ni interaccin, entonces MSA'MS B, MS AH y MS E son todas estima-
ciones de 02. Sin embargo, si hay diferencias entre los efectos de los tratamientos de los renglones, por
ejemplo, entonces MSA ser mayor que MSE De manera similar, si estn presentes efectos de los trata-
mientos de las columnas o de la interaccin, entonces los cuadrados medios correspondientes sern ma-
yores que MSE Por lo tanto, para probar la significacin de los dos efectos principales y su interaccin,
simplemente se divide el cuadrado medio correspondiente por el cuadrado medio del error. Los valores
grandes de este cociente implican que los datos no apoyan la hiptesis nula.
Si se supone que el modelo (ecuacin 5-1) es adecuado y que los trminos del error Eijk tienen una dis-
tribucin normal e independiente con varianza al constante, entonces cada uno de los cocientes de cua-
drados medios MSA/MSE, MSJMSE y MSAJMSE se distribuyen como F con a -1, b - 1 y (a - l)(b -1)
grados de libertad en el numerador, respectivamente, yab(n -1) grados de libertad en el denominador, I y
la regin crtica sera la cola superior de la distribucinF. El procedimiento de prueba suele resumirse en
una tabla del anlisis de varianza, como se muestra en la tabla 5-3.
En lo que a los clculos se refiere, por lo general se emplea un paquete de software de estadstica para
realizar el anlisis de varianza. Sin embargo, no es complicado obtener frmulas para calcular manual-
1 La prueba F puede considerarse como una aproximacin de una prueba de a1eatorizacin, como se seal anteriormente.
'labia 5-3 La tabla del anlisis de varianza para el diseo factorial de dos factores, modelo con efectos fijos
Fuente de Sumade Grados de
variacin cuadrados libertad Cuadrado medio
'IfatamientosA SSA a-l MS = SSA F =MSA
A a-l o MSE
'Iratamentos B SSB b-l MS = SSB F =MSB
B b-l o MSE
Interaccin SSAB (a-l)(b-l) F =MSA/I
MSAB = (a-l)(b -1) o MSE
Error SSE ab(n -1) SS];
MSE = ab(n-l)
Thtal SSr abn-l
mente las sumas de cuadrados de la ecuacin 5-5. La suma de cuadrados total se calcula como de costum-
bre con
(5-6)
Las sumas de cuadrados de los efectos principales son

1 2 Q
SS =- ~ y2 _ _L_ (5-7)
A bn'' i.. abn
1=1
y
2
2 y___
SSB = __!_ ~ y--
-J- abn
(5-8)
an j;1
Es conveniente obtener SSAB en dos pasos. Se calcula primero la suma de cuadrados entre los totales de
las ab celdas, a la que se denomina la suma de cuadrados debida a los "subtotales":
1 a b 2
SS Subtoteles = -n LJ
~ ~"'" 2 _
Yij- _L_
abn
1;1 J;1
Esta suma de cuadrados tambin contiene a SSA y SSB' Por lo tanto, el segundo paso consiste en calcular
SSAB como
SS AB = SS Subtotalee - SS A - SSB (5-9)
Puede calcularse SSE por sustraccin como
SSE = SSr - SS AB - SS A - SSB (5-10)
o
SS E = SST - SS Subtotales
EJEMPLO 5~1 ..........................................

El experimento del diseo de la batera
En la tabla 5-4 se presenta la vida efectiva (en horas) observada en el ejemplo del diseo de la batera que
se describi en la seccin 5-3.1. Los totales de los renglones y las columnas se indican en los mrgenes de
la tabla y los nmeros encerrados en un crculo son los totales de las celdas.
5-3 DISEO FAcrORlAL DE 005 FAcrORES 181
Tabla 54 Datos de la vida (en horas) del experimento del diseo de la batera
Tipo de 'Iemperatura eF)
material 15 70 125 Y i;
1 155 20
130
74 180 @ 34
80
40
75 82 @ 70
58 @ 998
2 150 136 25
159
188
126 @ 106
122
115 58 @ 70
45 @ 1300
3 138
168
110
160 @ 174
150
120
139
96
82 @ 104
60 @ 1501
Yj. 1738 1291 770 3799 = Y...
Las sumas de cuadrados se calculan de la siguiente manera:

abn 2 y'~
SST = : Yijk - abn
ial j=l k=l
= (130)2 +(155)2 +(74)2 + ... +(60)2 _ (3799)2 = 77,646.97

36
1 a 2
SS _-~ 2_L
Material _ bn ~ Y;,. abn
,-1
= (3)1(4)[(998)2 +(1300)2 +(1501)2]- (37::)2 = 10,683.72
1 b 2
SS =-~ 2_L
Tompenotura an ~ Y.j. abn
,mi
= (3)~4)[(1738)2 +(1291)2 +(770)2]- (37::)2 = 39,118.72
1 y'~
= ;L L
a b 2
SS Intenocci6n Y, _ bn _ SS Material - SS Temperatura
i-l jgl a
= _!_[(539)2+(229)2 + ... +(342)2]- (3799)2 10,68172
4 36
- 39,118.72= 9613.78
y
SSE = SSr - SSMaterial - SSTemperatura - SSlnteracciD
= 77,646.97 -10,683.72- 39,118.72- 9613.78= 18,230.75

En la tabla 55 se muestra el anlisis de varianza. Puesto que Fo.os. 4. 27 = 2.73, se concluye que hay una in-
teraccin significativa entre los tipos del material y la temperatura. Adems, F 0.05,2,27 = 3.35, por lo que los
efectos principales del tipo de material y la temperatura tambin son significativos. En la tabla 5-5 tam-
bin se muestran los valores P para los estadsticos de la prueba.
Como ayuda para interpretar los resultados de este experimento, es conveniente construir una grfi-
ca de las respuestas promedio para cada combinacin de los tratamientos. Esta grfica se muestra en la fi-
gura 5-9. El hecho de que las rectas no sean paralelas indica que la interaccin es significativa. En general,
se consigue una vida ms larga con una temperatura baja, independientemente del tipo de material. Al
cambiar de una temperatura baja a una intermedia, la vida de la batera con el material tipo 3 tiene un in-
---- -_._-_.-
182 CAPruLO 5 INTRODUCCIN A LOS DISEOS FACTORIALES
Tabla 5-5 Anlisis de varianza de los datos de la vida de la batera

variacin cuadrados libertad medio Fo ValorP
Tipos de material 10,683.72 2 5,341.86 7.91 0.0020
'Iemperatura 39,118.72 2 19,559.36 28.97 0.0001
Interaccin 9,613.78 4 2,403.44 3.56 0.0186
Error 18,230.75 27 675.21
lbtal 77,646.97 35
cremento real, mientras que con los materiales tipos 1y 2 disminuye. Con una temperatura de intermedia
a alta, la vida de la batera disminuye para los materiales tipos 2 y 3 y se mantiene en esencia sin cambio
para el material tipo 1. El material tipo 3 parece producir los mejores resultados si se quiere una prdida
menor de la vida efectiva cuando la temperatura cambia .
.............." ." " " " " " " " " " ." " " " .. " " ." " " " " " " " " " " " " " ." " ." " "
Comparaciones mltiples
Cuando el anlisis de varianza indica que las medias de los renglones o las columnas difieren, por lo gene-
ral es de inters hacer comparaciones entre las medias individuales de los renglones o las columnas para
descubrir diferencias especficas. Los mtodos de comparaciones mltiples revisados en el captulo 3 son
tiles a este' respecto.
Se ilustra ahora el uso de la prueba de Thkey con los datos de la vida de la batera del ejemplo 5-1.
Observe que en este experimento, la interaccin es significativa. Cuando la interaccin es significativa, las
comparaciones entrelas medias de uno de los factores (por ejemplo,A) pueden ser oscurecidas por la in-
teraccinAB. Una forma de abordar esta cuestin consiste en fijar el factor B en un nivel especfico y apli-
car la prueba de Thkey a las medias del factor A con ese nivel. Para ilustrar, suponga que en el ejemplo 5-1
el inters se encuentra en detectar las diferencias entre las medias de los tres tipos de material. Puesto
que la interaccin es significativa, esta comparacin se hace con un solo nivel de la temperatura, por
ejemplo el nivel 2 (70"F). Se supone que la mejor estimacin de la varianza del error es MS E de la tabla del
anlisis de varianza, utilizando el supuesto de que la varianza del error experimental es la misma para to-
das las combinaciones de tratamientos.
175
160
1';;>125
o
iloo
E
Material tipo 3
~ 75
.g ~--......;:~ Material tipo 1
:> 50 Material tipo 2
25
O~""----~15----""""""~""""----'_-------
Temperatura (OFI
Figura 5-9 Grfica tipo de material-temperatura para el ejem-
plo 5-1.
5-3 DISEO FACTORIAL DE DOS FACTORES 183
Los promedios de los tres tipos de material a 700P dispuestos en orden ascendente son
Y12. = 57.25 (material tipo 1)

y
,(MS;
To.O$ = QO.U5 (3, 27 'V--;;-
= 3.50~67!21
= 45.47
donde Qo.os(3,27) = 3.50 se obtiene por interpolacin en la tabla vm del apndice. Las comparaciones por
pares dan como resultado
3 vs. 1: 145.75 - 57.25 = 88.50 > To.os= 45.47

3 vs. 2: 145.75 - 119.75 = 26.00 < To.os = 45.47
2 vs. 1: 119.75 - 57.25 = 62.50 > To.os = 45.47
Este anlisis indica que con el nivel de temperatura de 70F, la vida media de la batera es la misma
para los materiales tipos 2 y 3, Y que la vida media de la batera para el material tipo 1 es significativa-
mente menor.
Si la interaccin es significativa, el experimentador podra comparar las medias de todas las ah celdas
para determinar cules difieren significativamente. En este anlisis, las diferencias entre las medias de las
celdas incluyen los efectos de la interaccin, as como ambos efectos principales. En el ejemplo 5-1, esto
dara 36 comparaciones entre todos los pares posibles de las nueve medias de las celdas.
Salida de computadora
En la figura 5-10 se presenta la salida de computadora de Design-Expen para los datos de la vida de la ba-
tera del ejemplo 5-1. Observe que
SS Modelo = SS MlleriaJ + SS""mpentura +SS blleroccin

= 10,683.72+39,118.72+9613.78
= 59,416.22
y que
59,416.22 = 0.7652
77,646.97
Es decir, cerca de 77% de la variabilidad de la vida de la batera es explicada por el material de la placa de
la batera, la temperatura y la interaccin entre el tipo de material y la temperatura. En la salida de com-
putadora se muestran tambin los residuales del modelo ajustado. A continuacin se indica cmo usar es-
tos residuales para verificar la adecuacin del modelo.
184 CAPTULO 5 INTRODUCCIN A LOS DISEOSFACTORIALES
Response: Lite in hours

ANOVA for Selected Factorial Modal
Analysis of variance table [Partial sum of squaresl
Sumof Mean F
Source Squares DF Square Value Prob)ooF
Model 59416.22 8 7427.03 11.00 <0.0001 significant
A 10683]2 2 5341.86 7.91 0.0020
B 39118.72 2 19559.36 28.97 <0.0001
AB 9613]8 4 2403.44 3.56 0.0186
Residual 18230.75 27 675.21
LackofFit 0.000 O
Pure Error 18230.75 27 675.21
Cor Total 77646.97 35


Standard Actual Predicted Student Cook's Outlier
Order Value Value Residual Leverage ResIdual Distance t
1 130.00 134.75 -4.75 0.250 -0.211 0.002 -0.207
2 74.00 134.75 -60.76 0.250 -2.700 0.270 -3. lOO
3 155.00 134.76 20.25 0.250 0.900 0.030 0.897
4 180.00 134.75 45.25 0.250 2.011 0.150 2.140
5 150.00 155.75 -5.75 0.250 -0.256 0.002 -0.251
6 159.00 155.75 3.25 0.250 0.144 0.001 0.142
7 188.00 155.75 32.25 0.250 1.433 0.076 1.463
8 126.00 155.75 -29.75 0.250 -1.322 0.065 -1.341
9 138.00 144.00 -6.00 0.250 -0.267 0.003 -0.262
10 168.00 144.00 24.00 0.250 1.066 0.042 1.069
11 110.00 144.00 -34.00 0.250 -1.511 0.085 -1.650
12 160.00 144.00 16.00 0.250 0.711 0.019 0.704
13 34.00 57.25 -23.26 0.250 -1.033 0.040 -1.035
14 80.00 57.25 22.75 0.250 1.011 0.038 1.011
15 40.00 57.25 -17.25 0.250 -0.767 0.022 -0.761
16 75.00 57.25 17.75 0.250 0.789 0.023 0.783
17 136.00 119.75 16.25 0.250 0.722 0.019 0.716
18 106.00 119.75 -13.75 0.250 -0.611 0.014 -0.604
19 122.00 119.75 2.25 0.250 0.100 0.000 0.098
20 115.00 119.75 -4.75 0.250 -0.211 0.002 -0.207
21 174.00 145.75 28.25 0.250 1.255 0.058 1.269
22 150.00 145.75 4.25 0.250 0.189 0.001 0.185
23 120.00 145.75 -25.76 0.250 -1.144 0.048 -1.151
24 139.00 145.75 -6.75 0.250 -0.300 0.003 -0.295
25 20.00 57.50 -37.50 0.250 -1.666 0.103 -1.726
26 82.00 57.50 24.50 0.250 1.089 0.044 1.093
27 70.00 57.50 12.50 0.250 0.555 0.011 0.548
28 58.00 57.50 0.50 0.250 0.022 0.000 0.022
29 25.00 49.50 -24.50 0.250 -1.089 0.044 -1.093
30 58.00 49.50 8.50 0.250 0.378 0.005 0.372
31 70.00 49.50 20.50 0.250 0.911 0.031 0.908
32 45.00 49.50 -4.50 0.250 -0.200 0.001 -0.196
33 96.00 85.50 10.50 0.250 0.467 0.008 0.460
34 82.00 85.50 -3.50 0.250 "':'0.156 0.001 -0.153
35 104.00 85.50 .. 18.50 0.250 0.822 0.025 0.817
36 60.00 85.50 -25.50 0.250 -1~ 133 0.048 -1.139
Figura 5-10 Salida de Design-Expert para el ejemplo 5-1.
5,3 DISEO FACfORlAL DE DOS FACfORES 185
5..3.3 Verificacinde la adecuacin del modelo
Antes de adoptar las conclusiones del anlisis de varianza, deber verificarse la adecuacin del modelo
fundamental. Como anteriormente, la herramienta primaria de diagnstico es el anlisis residual. Los
residuales del modelo factorial de dos factores son
y puesto que el valor ajustado Y..'1k = y q... (el promedio de las observaciones de la celda ij-sima), la ecua-
cin 5-11 queda como
eljk = Yijk- Yi. (5-12)
En la salida de computadora de Design-Expert (figura 5-10) y en la tabla 5-6 se muestran los residuales
de los datos de la vida de la batera del ejemplo 5-1. La grfica de probabilidad normal de estos residua-
les (figura 5-11) no revela nada particularmente problemtico, aun cuando el residual negativo ms gran-
de (-60.75 con 15F para el material tipo 1) se aparta un poco de los dems. El valor estandarizado de este
residual es -60.75/..f7ill = -2.34, Y es el nico residual cuyo valor absoluto es mayor que 2.
En la figura 5-12 se grafican los residuales contra los valores ajustados y ijk Esta grfica indica una li-
gera tendencia de la varianza de los residuales a incrementarse cuando la vida de la batera se incrementa.
En las figuras 5-13 y 5-14 se grafican los residuales contra los tipos del material y la temperatura, respecti-
vamente. Ambas grficas indican una ligera desigualdad de la varianza, con la combinacin del trata-
miento 15F y material tipo 1, teniendo posiblemente una varianza mayor que las dems.
En la tabla 5-6 se observa que la celda 15F-material tipo 1 contiene los dos residuales extremos
(-60.75 y 45.25). Estos dos residuales son los principales responsables de la desigualdad de la varianza de-
tectada en las figuras 5-12 a 5-14. Al examinarse nuevamente los datos no se observa ningn problema ob-
vio, tal como un error al registrar los datos, por lo que estas respuestas se aceptan como legtimas. Es
posible que esta combinacin de tratamientos particular produzca una vida de la batera ligeramente ms
errtica que las dems. Sin embargo, el problema no es lo suficientemente grave como para tener un im-
pacto dramtico en el anlisis y las conclusiones.
5..3.4 Estimacin de los parmetros del modelo
Los parmetros del modelo de los efectos para el diseo factorial de dos factores
Yijk = u+t , +p +(rp) +Eijk
Tabla 56 Residualesdel ejemplo 5-1

. Tipo de Temperatura (,F)
material 15 70 125
1 -4.75 20.25 -23.25 -17.25 -37.50 12.50
-60.75 45.25 22.75 17.75 24.50 0.50
2 -5.75 32.25 16.25 2.25 -24.50 20.50
3.25 -29.75 -13.75 -4.75 8.50 -4.50
3 -6.00 -34.00 28.25 -25.75 10.50 18.50
24.00 16.00 4.25 -6.75 -3.50 -25.50
1St CAPTIJLO 5 INTRODUCCIN A LOS DISEOS FACTORIALES
-60.75 -34.25
Residual
pueden estimarse por mnimos cuadrados. Puesto que el modelo tiene 1 + a + ab parmetros que deben
estimarse, hay 1 + a + b + ab ecuaciones normales. Al utilizar el mtodo de la seccin 3-9, no es difcil de-
mostrar que las ecuaciones normales son
d b a b 1\
ui abnis+bn~ ri +an ~Pj +n~~ (r:f3)ij = Y... (5-14a)

i-I i=i i_l j-l
Figura 512 Grficade losresidualescontra Yqk para el ejemplo5-1.

5-3 DISEO FAcrORIAL DE DOS FACTORES 187
FIgura 5-13 Grfica de los residuales contra el tipo de mate-

rial para el ejemplo 5-1.
(5-14b)
(5-14c)
(5-14d)
Por conveniencia, el parmetro que corresponde a cada ecuacin normal se indica a la izquierda de las
ecuaciones 5-14.
Figura 5-14 Grfica de los residuales contra la temperatura

para el ejemplo 5-1.
188 CAPlULO 5 INTRODUCCIN A LOS DISEOSFACTORIALES
El modelo de los efectos (ecuacin 5-13) est sobreparametrzado, Observe que la suma de las a
ecuaciones de la ecuacin 5-14b es igual a la ecuacin 5-14a y que la suma de las b ecuaciones de la ecua-
cin 5-14c es igual a la ecuacin 5-14a. Asimismo, la operacin suma de la ecuacin 5-14d sobre j para una
i particular dar la ecuacin 5-14b, y la operacin suma de la ecuacin 5-14d sobre i para unaj particular
dar la ecuacin 5-14c. Por lo tanto, haya + b + 1 dependencias lineales en este sistema de ecuaciones y
no existir ninguna solucin nica. A fin de obtener una solucin, se imponen las restricciones
a
L T=O
1-1
(5-15a)
b
L Pi =0
1-1
(5-15b)
a
" =O
L ('r{3)ij i= 1, 2, ... ,b (5-15c)
-1
y
b 1\
L
J-1
('r{3)ij =O i = 1, 2, ... , a (5-15d)
Las ecuaciones 5-15a y 5-15b constituyen dos restricciones, mientras que las ecuaciones 5-15c y 5-15d for-
man a + b - 1 restricciones independientes. Por lo tanto, se tienen en total a + b + 1 restricciones, el n-
mero que se requiere.
Al aplicar estas restricciones, las ecuaciones normales (ecuaciones 5-14) se simplifican considerable-
mente, y se obtiene la solucin
ft= Y...
r 1 = YI.. - Y... i = 1, 2, ,a
R. = y-..J. -Y-.
PJ
J'= 1, 2, ,b
, ('r{3)1j
-: = YIj. - Y.. - Y. +y. {iJ' == 1,1 2,2,... , ab (5-16)
j.
, ...,
Observe el gran atractivo intuitivo de esta solucin de las ecuaciones normales. Los efectos de los trata-
mientos de los renglones se estiman con el promedio del rengln menos el gran promedio; los tratamien-
tos de las columnas se estiman con el promedio de la coiumna menos el gran promedio, y la interaccin
ij-sima se estima con el promedio de la celda ij-sima menos el gran promedio, el efecto del rengln i-si-
mo y el efecto de la columna j-sima.
Al utilizar la ecuacin 5-16, el valor ajustado Yjk puede encontrarse como
~ "
Yijk = ft+r +{3 +('r{3)ij
- +O'Y.. - Y...
= Y... - )+(-Y.j. - -)..
Y.
- +-Y... )
- - -Yi.. - Y.j.
+( Yij.
=Yij.
Es decir, la observacin k-sima de la celda ij-sima se estima con el promedio de las n observaciones de
esa celda. Este resultado se us en la ecuacin 5-12 para obtener los residuales del modelo factorial de
dos factores.
Puesto que se han usado restricciones (ecuaciones 5-15) para resolver las ecuaciones normales, los
parmetros del modelo no tienen estimaciones nicas. Sin embargo, ciertas funciones importantes de
los parmetros del modelo son estimables, es decir, tienen una estimacin nica independientemente de
las restricciones elegidas. Un ejemplo es 'ri - 'ru + (iP)i. - (iP)u., que podra considerarse como la "verdade-
5-3 DISEO FACfORIAL DE 005 FACfORES 189
ra" diferencia entre los niveles ;-simo y u-simo del factor A. Observe que la verdadera diferencia entre
los niveles de cualquier efecto principal incluye un efecto de la interaccin "promedio". Es este resultado
el que perturba las pruebas de los efectos principales en presencia de una interaccin, como se seal an-
teriormente. En general, cualquier funcin de los parmetros del modelo que sea una combinacin lineal
del miembro izquierdo de las ecuaciones normales es estimable. Esta propiedad tambin se hizo notar en
el captulo 3 cuando se estudi el modelo de un solo factor. Para mayores detalles, ver el material suple-
mentario del texto de este captulo.
5..3.5 Eleccin del tamao de la muestra

Para determinar un tamao de la muestra (el nmero de rplicas, n) apropiado en un diseo factorial de
dos factores, el experimentador puede apoyarse en las curvas de operacin caracterstica que aparecen en
la parte V del apndice. En la tabla 5-7 se muestra el valor apropiado del parmetro <flz, as cmo los gra-
dos de libertad del numerador y el denominador.
Una forma muy eficaz de emplear estas curvas consiste en encontrar el valor menor de <fl2 que corres-
ponde a una diferencia especificada entre las medias de dos tratamientos cualesquiera. Por ejemplo, si la
diferencia en las medias de dos renglones cualesquiera es D, entonces el valor mnimo de 12 es
<}2
2 = nbD (5-17)
'2au2
mientras que si la diferencia en las medias de dos columnas cualesquiera es D, entonces el valor mnimo
de <fl2 es
(5-18)
Por ltimo, el valor mnimo de ~2 que corresponde a una diferencia D entre dos efectos de interaccin
cualesquiera es
<12 = nD2 (5-19)
luZ [(o -1)(b-l)+ 1]
Para ilustrar el uso de estas ecuaciones, considere los datos de la vida de la batera del ejemplo 5-1.
Suponga que antes de correr el experimento se decide que la hiptesis nula deber rechazarse con una alta
Tabla 5-7 Parmetros de la curva de operacin caracterstica de la parte V del apndice para el diseo factorial
de dos factores, modelo con efectos fijos
Grados de libertad Grados de libertad
Factor del numerador del denominador
A a-1 ab(n -1)
B b-1 ab(n -1)
AB (a-1)(b-l) ab(n -1)

02[(a -1 )(b -1)+ 1]
190 CAPTIlLO 5 INTRODUCCIN A LOS DiSEOS FAcrORIALES
probabilidad si la diferencia en la vida media de la batera entre dos temperaturas cualesquiera es hasta
=
de 40 horas. Por lo tanto D 40, y si se supone que la desviacin estndar de la vida de la batera es apro-
ximadamente 25, entonces por la ecuacin 518 se obtiene
'Il2 = naD 2
2002
_ 11(3)(40)2
- 2(3)(25)2
= 1.2&
como el valor mnimo de 'Il2 Suponiendo que a = 0.05, ahora puede usarse la parte V del apndice para
construir la tabla siguiente:
VI :: Grados de V2 :: Grados de
n cIl2 cIl libertad del numerador libertad del error fJ
2 2.56 1.60 2 9 0.45
3 3.84 1.96 2 18 0.18
4 5.12 2.26 2 27 0.06
Observe que con n = 4 rplicas se obtiene un riesgo {3 de cerca de 0.06, o una probabilidad aproxima-
da de 94%, de rechazar la hiptesis nula si la diferencia en la vida media de la batera con dos niveles de
temperatura cualesquiera es hasta de 40 horas. Por lo tanto, se concluye que cuatro rplicas bastan para
proporcionar la sensitividad deseada siempre y cuando la estimacin usada para la desviacin estndar de
la vida de la batera no tenga un error grave. En caso de duda, el experimentador podra repetir el proce-
dimiento anterior con otros valores de o para determinar el efecto que tendra una estimacin equivocada
de este parmetro sobre la sensitividad del diseo.
5..3.6 El supuesto de no interaccin en un modelo de dos factores

Ocasionalmente, un experimentador siente que es apropiado un modelo de dos factores sin interaccin,
por ejemplo
i = 1, 2, , a
{
i: 1,2, , b
k -1, 2, , n
(5-20)
Sin embargo, se deber ser muy cuidadoso al hacer caso omiso de los trminos de interaccin, ya que la
presencia de una interaccin significativa puede tener un impacto dramtico sobre la interpretacin de
los datos.
El anlisis estadstico de un modelo factorial de dos factores sin interaccin es directo. En la tabla 5-8
se presenta el anlisis de los datos de la vida de la batera del ejemplo 5-1, suponiendo que es vlido el mo-
Tabla 5.8 Anlisis de varianza de los datos de la vida de la batera suponiendo que no hay interaccin
Tipos de material . 10,683.72 2 5,341.86 5.95
Thmperatura 39,118.72 2 19,559.36 21.78
Error 27,844.51. 31 898.21
1btal 77,646.96 35
5-3 DiSEO FACTORIAL DE OOS FACTORES 191
delo sin interaccin (ecuacin 5-20). Como ya se seal, los dos efectos principales son significativos. Sin
embargo, tan pronto como se efecta el anlisis residual de estos datos, se pone de manifiesto que el mo-
delo sin interaccin es inadecuado. Para el modelo de dos factores sin interaccin, los valores ajustados
=
son 'pijk YI.. + Yi.-y....
En la figura 5-15 se presenta la grfica deYij.- ~jk (los promedios de las celdas menos
el valor ajustado de esa celda) contra el valor ajustado ~jk' Ahora las cantdadesji; - Y,,t pueden conside-
rarse como las diferencias entre las medias de las celdas observadas y las medias de las celdas estimadas
suponiendo que no hay interaccin. Cualquier patrn en estas cantidades sugiere la presencia de una in-
teraccin. En la figura 5-15 se observa un patrn claro cuando las cantidadesjj - Y'k pasan de positivo a
negativo, y despus de nuevo a positivo y a negativo. Esta estructura es el resultado de la interaccin entre
los tipos del material y la temperatura.
5..3.7 Una observacin por celda

En ocasiones se encuentran experimentos de dos factores con una sola rplica, es decir, en los que slo
hay una observacin por celda. Cuando hay dos factores y una sola observacin por celda, el modelo de
los efectos es
i.: 1, 2, , a
{) -1,2, (5-21)
,b
El anlisis de varianza para esta situacin se presenta en la tabla 5-9, suponiendo que ambos factores son
fijos.
Al examinar los cuadrados medios esperados, se observa que la varianza del error u2 es no estimable;
es decir, que el efecto de la interaccin de los dos factores (r:P)ij y el error experimental no pueden sepa-
rarse de alguna manera obvia. Por consiguiente. no se cuenta con pruebas para los efectos principales a
menos que el efecto de la interaccin sea cero. Si no hay una interaccin presente, entonces (r:P)ij Opara =
toda i y j, y un modelo plausible es
{i.: 1,2, ... , a

)-l,2, ...b
(5-22)
Si el modelo (ecuacin 5-22) es apropiado, entonces el cuadrado medio de los residuales de la tabla 5-9 es
un estimador insesgado de u2, y los efectos principales pueden probarse comparando MSA y MSB con
MSRaiduaJ.
Figura 5-15 Grfica de h - YI/k contra YfI< para los datos de la vida
de la batera.
------------------------------ -----
192 CAProLO 5 INTRODUCCIN A LOS DISEOS FACTORIALES
Tabla 5-9 Anlisis de varianza de un modelo de dos factores, una observacin por celda
Fuente de Sumade Grados de Cuadrado Cuadrado medio
variacin cuadrados libertad medio esperado
a 2 2
Renglones (A) : Yi.b _Lab
;-1
a -1 MS
A
~+~
a-1
Columnas(B)
: Y}_L
h 2 2
b-1 a2+ a,8~

j_l a ab b-1
ResidualoAB Sustraccin (a~1)(b~1) MSResidual

a2+ : :(T,8~
(a-1)(b -1)
Thtal
ab-1
Una prueba desarrollada por Thkey [Ula] es til para determinar si est presente una interaccin.
En el procedimiento se supone que el trmino de la interaccin tiene una forma particularmente simple,
a saber,
(,rp)ij = rriPj
donde r es una constante desconocida. Al definir as el trmino de la interaccin, puede usarse un enfo-
que de regresin para probar la significacin del trmino de la interaccin. En la prueba se hace la parti-
cin de la suma de cuadrados de los residuales en un componente con un solo grado de libertad debido a
la no aditividad (interaccin) y un componente del error con (a -1 )(b -1)-1 grados de libertad. En lo que
a los clculos se refiere, se tiene
(5-23)
con un grado de libertad, y

SSError = SSRe6idUal - SSN (5-24)
con (a - l)(b -1) - 1 grados de libertad. Para probar la presencia de una interaccin, se calcula
F= ~ (5~)
o SSError /[(a-l)(b-l)-l] -
Si F > Fa, 1, (4 _ l)(b _ 1) _ l' debe rechazarse la hiptesis de que no hay ninguna interaccin.
EJEMPLO 5..2 , 11> iII 11>
Las impurezas presentes en un producto qumico son afectadas por dos factores, la presin y la tempera-
tura. En la tabla 5-10 se muestran los datos de uJ?asola rplica de un experimento factorial. Las sumas de
cuadrados son
53 DISEO FACTORIAL DE DOS FACTORES 193
Tabla 5.10 Datos de las Impurezasdel ejemplo 52
Temperatura Presin
eF) 25 30 35 40 45 ' Yi.
100 5 4 6 3 5 23
125 3 1 4 2 3 13
150 1 1 3 1 2 8
s, 9 6 13 6 10 44 ""Y ..
y
SS Reoldual = SST - SSA - SS B
= 36.96- 23.33-11.60 = 200
La suma de cuadrados de la no aditividad se calcula con la ecuacin 5-23 de la siguiente manera:
b

;~1 j-1
v.v,, = (5)(23)(9)+(4)(23)(6)++(2)(8)(10)= 7236
[!}:Y;YI.Y.j - Y.,(SSA +SSB + ~:)l2

,-1 J~l
SSN = abSSASSB
_ [7236- (44)(2133+ 11.60+ 129.07)]2
- (3)(5)(2133)(11.60)
= [20.00]2 = 0.0985
4059.42
y la suma de cuadrados del error es, por la ecuacin 5-24,
SS Error = SSResidual - SS N
= 200-0.0985= 1.9015
El anlisis de varianza completo se resume en la tabla 5-11. El estadstico de prueba para la no aditivi-
=
dad es Fo = 0.0985/0.2716 0.36, de donde se concluye que no hay evidencia de interaccin en estos da-
tos. Los efectos principales de la temperatura y la presin son significativos .
.. 111 * 111 111
Para concluir esta seccin, se hace notar que el modelo factorial de dos factores con una observacin
por celda (ecuacin 5-22) luce exactamente igual que el modelo de bloques completos aleatorizados
194 CAPTIJLO 5 INTRODUCCIN A LOS DISEOS FACTORIALES
'Thbla5.11 Anlisis de varianza del ejemplo 5-2

FUente de Suma de Grados de Cuadrado
'Iemperatura 23.33 2 11.67 42.97 0.0001
Presin 11.60 4 2.90 10.68 0.0042
No aditividad 0.0985 1 0.0985 0.36 0.5674
Error 1.9015 7 0.2716
'lbtal 36.93 14
(ecuacin 4-1). De hecho, la prueba de Tukey con un solo grado de libertad para la no aditividad puede
aplicarse directamente para probar la presencia de una interaccin en el modelo de bloques aleatoriza-
dos. Sin embargo, es necesario recordar que las situaciones experimentales que llevan al modelo de blo-
ques aleatorzados y al modelo factorial son muy diferentes. En el modelo factorial, todas las ab corridas
se hacen de manera aleatoria, mientras que en el modelo de bloques aleatorizados la aleatorizacin slo
ocurre dentro del bloque. Los bloques constituyen una restriccin sobre la aleatorizacin. Por lo tanto, la
manera en que se corren los experimentos, as como la interpretacin de los dos modelos, es muy diferente.
(
5..4 DISEO FACIORIAL GENERAL
Los resultados del diseo factorial de dos factores pueden ampliarse al caso general en que haya niveles
del factor A, b niveles del factor B, e niveles del factor e, etc., dispuestos en un experimento factorial. En
general, habr abe ... n observaciones totales si se hacen n rplicas del experimento completo. De nueva
cuenta, observe que es necesario un mnimo de dos rplicas (n O!: 2) para determinar una suma de cuadra-
dos debida al error si todas las interacciones posibles estn incluidas en el modelo.
Cuando todos los factores del experimento son fijos, es sencillo formular y probar hiptesis acerca de
los efectos principales y las interacciones. Para un modelo con efectos fijos, los estadsticos de prueba
para cada efecto principal e interaccin pueden construirse dividiendo el cuadrado medio correspondien-
te del efecto o interaccin por el cuadrado medio del error. Thdas estas pruebas F sern de una cola supe-
rior. El nmero de grados de libertad de cualquier efecto principal es el nmero de niveles del factor
menos uno, y el nmero de grados de libertad de una interaccin es el producto del nmero de grados de
libertad asociados con los componentes individuales de la interaccin.
Por ejemplo. considere el modelo del anlisis de varianza de tres fadores:
YijId = #+'C +fJJ +Yk +('CfJ) +(T)')ik +(fJr)jk

i=l.2, ...a
i= 1, 2, , b
+ ('CfJr)9/<+E(Ikl { k:: 1, 2, ,~ (5-26)
1-1,2, ,n
e
Suponiendo queA, B y son fijos. la tabla del anlisis de varianu se presenta en la tabla 5-12. Las prue-
bas F para los efectos principales y las interacciones se siguen directamente de los cuadrados medios es-
perados.
11
o
"O
el!
- - ~ .....I
E ---
t) ~ ......
- H--- H--- H-
N ._ <.J
.._,
~ ... N'~
~
<:C:l..
--- I ~ I
~'~$H.s - H- H
iI)
..... <.J .._,
<.J
"-'"
:e H t:! H I
O '-' I
I ..Q
..Q <.J NO
iI)
e ~ Ot:! I '-'
H---
I
o
..Q
t:! .... .._,
t:! ..!::,. =: ..Q
"O +O + + t:!
'-' I
el! NO "b + + + =: <::!
.ses "'1:) NO NI;:) +

'-'
"'1:)
8
o
:e
~ '>: <J
.g VJ'" <J
~~ '>: VJ'ri. ~ VJ"'
oa ~ ~ ~ ~ ~ ~ ~ ~
.soa
B
.;:r 8
Elu
~..,
::
o ---.....
u
"'
~
El
~
iI)
~
- - .....
-
----I ,.-...
.....
I - -:* --- -
,.-...
I
I
I I
- ~ ~
u
..s iI)
~
-----
I I I ,.-.. ,-. I
"O ..... ..... S
..,'" g t:! ..Q \,)
I
..Q <.J
..Q ~
tl "C t:!
oa ~ ~ S
~
..9
o ~
~
~
~ '"
o
"O
oa
1 .g <J <J <J
;:.
El VJ'>:
VJ
VJ'"
~ <tS~ t,,;'>: ~'" ~ VJ"'
~ <tS"
~ iI)
"O
t'.oo5
VJ c.-j
~
1
oa
~
en
~
oa
~
.s 1
.~
-G
N
.;.,
iI)
"O
iI)
\..l \..l
\..l l
~ ~ ""<: ""<: ~ ~ ~ iS
195
En general, los clculos del anlisis de varianza se efectuaran utilizando un paquete de software de
estadstica. Sin embargo, en ocasiones resultan tiles las frmulas para calcular manualmente las sumas
de cuadrados de la tabla 5-12. La suma de cuadrados total se encuentra de la manera acostumbrada como
(5-27)
Las sumas de cuadrados de los efectos principales se encuentran a partir de los totales de los factores
A(Yi ..), B(Y.J y C(Y ..d de la siguiente manera:
1 a 2
SS = _"'"
bcn
y2 _~
aben
(5-28)
A
,-
~1 i.:
1 b 2
SSB ---"'" y2.t.. -~ aben (5-29)
aen ~
j-l
1 e 2
SS ::= _"'" 2_~ (5-30)
C
abn ~
k-1
Yk aben
Para calcular las sumas de cuadrados de las interacciones de dos factores, se necesitan los totales de las
celdasA x B,A x C y B x C. Con frecuencia es til desplegar la tabla de los datos originales en tres tablas
de dos vas para calcular estas cantidades. Las sumas de cuadrados se encuentran con
1 b 2
SS AB =- ~"'" : -~-SS -SS
en ~ ~ Y'J.. aben A B
,;1 1-1
= SS Subtotalcs(AB)- SS A - SS B (5-31)
1
SS AC = -b
n
L: L: Y:k. -
i-1 k~1
e
a en
2
yb.. - SS A - SS C
= SSSubtotaleS(AC) - SS A - SSc (5-32)

y
1 b e 2
SS1JC = -an ~"'" ~"'" 2
Y.jk. -
aben - SS Ji - SS C
~
i=t k_l
= SS Subtotalos(BC)- SS B - SS C (5-33)
Observe que las sumas de cuadrados de los subtotales de dos factores se encuentran a partir de los totales
de cada tabla de dos vas. La suma de cuadrados de la interaccin de los tres factores se calcula a partir de
los totales de las celdas {Yijk_} de tres vas como
1 l
SS ABC =-
n
L2:L Y~k. -
b
i-1 j-l k-l

e
-b.... - SS A - SS B - SS C
a en
- SS AB - SS AC - SS Be
.
(5-34a)
= SSSubtotalcs(ABC) - SS A - SSB - SSc - SS AB - SS AC - SSBC (5-34b)

La suma de cuadrados del error puede encontrarse restando la suma de cuadrados de cada efecto princi-
pal e interaccin de la suma de cuadrados total o con
SSE = SST -SSSubtotales(ABC) (5-35)

5-4 DISEOFACTORlALGENERAL 197
EJEMPLO 5~3.. 111 111 111 111 111 111 " 111 111 111
El problema del embotellado de un refresco

Una empresa embotelladora de refrescos est interesada en obtener alturas de llenado ms uniformes en
las botellas que se fabrican en su proceso de manufactura. 'Iericamente, la mquina de llenado llena cada
botella a la altura objetivo correcta, pero en la prctica, existe variacin en tomo a este objetivo, y a la embo-
telladora le gustara entender mejor las fuentes de esta variabilidad y, en ltima instancia, reducirla.
El ingeniero del proceso puede controlar tres variables durante el proceso de llenado: el porcentaje
de carbonatacin (A), la presin de operacin en el llenador (B) y las botellas producidas por minuto o ra-
pidez de lnea (C). Es sencillo controlar la presin y la rapidez, pero el porcentaje de carbonatacin es
ms difcil de controlar durante la manufactura real debido a que vara con la temperatura. Sin embargo,
para los fines de un experimento, el ingeniero puede controlar la carbonatacin en tres niveles: 10, 12 Y14
por ciento. Elige dos niveles para la presin (25 y 30 psi) y dos niveles para la rapidez de lnea (200 y 250
bpm). El ingeniero decide correr dos rplicas de un diseo factorial con estos tres factores, haciendo las
24 corridas de manera aleatoria. La variable de respuesta observada es la desviacin promedio de la altu-
ra del llenado objetivo que se observa en una corrida de produccin de botellas con cada conjunto de con-
diciones. En la tabla 5-13 se muestran los datos que resultaron de este experimento. Las desviaciones
positivas son alturas de llenado arriba del objetivo, mientras que las desviaciones negativas son alturas de
llenado abajo del objetivo. Los nmeros encerrados en crculos de la tabla 5-13 son los totales de las cel-
das de tres vas Yijk..
La suma de cuadrados total corregida que se encuentra con la ecuacin 5-27 es
, b e " 2
SST = LLLL Y;kI-

;;1 j;1 k;1 1-1
a~n
= 571-(7~{ ::= 336.625
Tabla 5.13 Datos de la desviacin de la altura de llenado del ejemplo 5-3

Presin de operacin (B)
25 psi 30 psi
Porcentaje de Rapidez de lnea (C) Rapidez de lnea (C)
carbonatacn (A) 200 250 200 250 YI..
-3 -1 -1 1
10
-1 8) O @ O @ 1 C] -4
O 2 G) 2 6
12
1 CD 1 3 5 @ 20
5 7 7 10
14
4 6
@ 9
@ 11 59
lbtales B x ey jI<. 6 15 20 34 75 "'Y._

21 54
lbtalesA x B TotalesA x e
YIj Yi.k.
B e
A 25 30 A 200 250
10 -5 1 10 -5 1
12 4 16 12 6 14
14 22 37 14 25 34
198 CAPTIJLO 5 IN1RODUCCIN A LOS DISEOS FACTORIALES
y las sumas de cuadrados de los efectos principales que se calculan con las ecuaciones 5-28, 5-29 y 5-30 son
1 a Z
SS ~ 2 y....
Ca!bonatacin = ben ~~1 y;... - aben
= ~(-4)2 +(20)2 +(59)2]- (72~2 = 252.750

1 b 2
SS . =_~ y2 _~
PreSIn aen ~ .J.. aben
J-1
= _!_[(21)2 +(54)2]- (75)2 = 45.375

12 24
y
1 e 2
SS =_~ y2 _~
R.pidez abn ~k-1 ..k. abcn
= _!_[(26)2
12 .
+( 49)2]- (75)2
24'
= 22042
Para calcular las sumas de cuadrados de las interacciones de dos factores, se deben encontrar los tota-
les de las celdas de dos vas. Por ejemplo, para encontrar la carbonatacin-presin o interaccinAB, se
necesitan los totales de las celdas A x B {Y;jJ que se muestran en la tabla 5-13. Utilizando la ecuacin
5-31, se encuentra que las sumas de cuadrados son
1 a b 2
SS =- ~~ y~ -~-SS -SS
AB en ~~
,-1 J-1
'J.. aben A H
= ~ [(_5)2 +(1)2 +(4)2 +(16)2 +(22)2 +(37)2]- (7~2 - 252750- 45.375
= 5.250
Para la carbonatacin-rapidez o interaccinAC se usan los totales de las celdasA x C {Y.d que se mues-
tran en la tabla 5-13 y la ecuacin 5-32:
1 a e 2
SSAC "" -b LL
n ;-1 k-l
Y;k.- yb.... -SSA -SSc
a en
= ~[(_5)2 +(1)2 +(6)2 +(14)2 +(25)2 +(34)2]- (72~2 - 252.750- 22.042
"" 0.583
La presin-rapidez o interaccinBC se encuentra con los totales de las celdas B x C {y jk,} que se mues-
tran en la tabla 5-13 y la ecuacin 5-33:
1 b e 2
SSBC = -
an
L
Y.~k.- Yb
j~1 k~1
.... -SSB -SSC
a en
= ~[(6)2 +(15)2 +(20)2 +(34)2]- (7;{ - 45.375- 22.042
= 1.042
5-4 DISEO FACTORIAL GENERAL 199
La suma de cuadrados de la interaccin de los tres factores se encuentra con los totales de las celdas
A x B x e {yijd, los cuales estn encerrados en un crculo en la tabla 5-13. Por la ecuacin 5-34a se en-
cuentra
1 a b e Y.~. .
SSABC =- LLL
n ;_1 j-l k-l
2
Yijk. --b--SSA -SSB -SSC -SSAB -SSAC -SSBC
a en
1 2 2 2 2 2 (75)2
= 2(-4) +(-1) +(-1) ++(16) +(21) ]-~
- 252.750- 45.375- 22042- 5.250- 0.583-1.042
= 1.083
Por ltimo, al observar que
SSSubtolales(ABC) =-
1abe l_
LL Yijk. --b-=328.125
2
n mI a en
j-l k-l
se tiene
SSE = SSr - SSSUblotales(ABC)
= 336.625- 328.125
= 8.500
En la tabla 5-14 se resume el anlisis de varianza. Se observa que el porcentaje de carbonatacin, la
presin de operacin y la rapidez de lnea afectan significativamente el volumen de llenado. El cociente F
de la interaccin carbonatacin-presin tiene un valor P de 0.0558, lo cual indica cierta interaccin entre
estos factores.
El siguiente paso deber ser un anlisis de los residuales de este experimento. Se deja como ejercicio
para el lector, pero se seala que la grfica de probabilidad normal de los residuales y los dems diagns-
ticos usuales no indican ningn motivo de preocupacin importante.
Como ayuda para la interpretacin prctica de este experimento, en la figura 5-16 se grafican los tres
efectos principales y la interaccinAB (carbonatacn-presn). Las representaciones de los efectos princi-
pales son slo grficas de los promedios de las respuestas marginales para los niveles de los tres factores.
Observe que las tres variables tienen efectos principales positivos; es decir, el incremento de la variable
mueve hacia arriba la desviacin promedio del llenado objetivo. La interaccin entre la cabonatacin y la
presin es bastante pequea, como lo indica la forma similar de las dos curvas de la figura S-l6d.
Puesto que la empresa quiere que la desviacin promedio del llenado objetivo est cerca de cero, el
ingeniero decide recomendar el nivel bajo de la presin de operacin (25 psi) y el nivel alto de la rapidez
de lnea (250 bpm, que maximizar la rapidez de produccin). En la figura 5-17 se graca la desviacin

Fuente de variacin cuadrados libertad medio Fa ValorP
Porcentaje de carbonatacin (A) 252.750 2 126.375 178.412 <0.0001
Presin de operacin (B) 45.375 1 45.375 64.059 <0.0001
Rapidez de lnea (C) 22.042 1 22.042 31.118 0.0001
AB 5.250 2 2.625 3.706 0.0558
AC 0.583 2 0.292 0.412 0.6713
BC 1.042 1 1.042 1.471 0.2485
ABC 1.083 2 0.542 0.765 0.4867
Error 8.500 12 0.708
Thtal 336.625 23
.g
'"
~"
~
o
'O.,
~
Porcentajede carbonatacin (A) Presin (B)

al b)
Rapidez de linea (el Interaccin

el carbonatacin-presin
dI
Figura 5-16 Grficas de los efectos principales y la interaccin del
ejemplo5-3. a) Porcentaje de carbonatacin (A), b) presin (B), e) ra-
pidez de lnea (C), d) interaccin carbonatacn-presin,
promedio observada de la altura de llenado objetivo con los tres diferentes niveles de carbonatacin para
este conjunto de condiciones de operacin. Ahora, el nivel de la carbnatacin no puede actualmente
controlarse perfectamente en el proceso de manufactura, y la distribucin normal indicada con la lnea
continua de la figura 5-17 es una aproximacin de la variabilidad de los niveles de carbonatacin que se
o
".!!'""
- ..
-~K
!'!c: Distribucin mejorada del
z::2 porcentaje de carbonatacin
OS!
.!!c.
~~
o'"
~cv 2
U
.. p.
Col'!
"e: o
~8
.!!!
>
-2
~ 10 12 14
Porcentajede carbonatadOn (A)
Figura 5-17 Desviacinpromedio de la altura de llenado

con rapidez alta y presin baja para diferentes nivelesde
carbonatacin.
5-5 AJUSTE DE CURVAS y SUPERFICIESDE RESPUESTA 201
registran actualmente. Como el proceso es impactado por los valores del nivel de carbonatacin sacado
de esta distribucin, la fluctuacin de las alturas de llenado ser considerable. Esta variabilidad de las al-
turas de llenado podra reducirse si la distribucin de los valores del nivel de carbonatacin siguieran la
distribucin normal indicada con la lnea punteada de la figura 5-17. La reduccin de la desviacin estn-
dar de la distribucin del nivel de carbonatacin se consigui finalmente mejorando el control de la tem-
peratura durante la manufactura.
Se seal ya que si todos los factores de un experimento factorial son fijos, la construccin del esta-
dstico de prueba es directa. El estadstico para probar cualquier efecto principal o interaccin se forma
siempre dividiendo el cuadrado medio del efecto principal o la interaccin por el cuadrado medio del
error. Sin embargo, si el experimento factorial incluye uno o ms factores aleatorios, la construccin del
estadstico de prueba no siempre se hace de esta manera. Es necesario examinar los cuadrados medios es-
perados para determinar las pruebas correctas. La revisin completa de los experimentos con factores
aleatorios se pospone hasta el captulo 12.
5..5 AJUSTE DE CURVAS Y SUPERFICIESDE RESPUESTA
Se ha visto que puede resultar til ajustar una curva de respuesta a los niveles de un factor cuantitativo
para que el experimentador cuente con una ecuacin que relacione la respuesta con el factor. Esta ecua-
cin podra utilizarse para hacer interpolaciones, es decir, para predecir la respuesta en niveles interme-
dios entre los factores, respecto de los que se utilizaron realmente en el experimento. Cuando al menos
dos de los factores son cuantitativos, puede ajustarse una superficie de respuesta para predecir y con va-
rias combinaciones de los factores del diseo. En general, se usan mtodos de regresin lineal para ajus-
tar estos modelos a los datos experimentales. Este procedimiento se ilustra en la seccin 3-5.1 para un
experimento con un solo factor. A continuacin se presentan dos ejemplos que incluyen experimentos
factoriales. Se utilizar un paquete de software de computadora para generar los modelos de regresin.
Para mayor informacin acerca del anlisis de regresin, referirse al captulo 10 y al material suplementa-
rio del texto de este captulo.
EJEMPLO5..4 ........................................................... ~
Considere el experimento que se describe en el ejemplo 5-1. El factor temperatura es cuantitativo y el tipo
de material es cualitativo. Adems, hay tres niveles de la temperatura. Por consiguiente, puede calcularse
un efecto de la temperatura lineal y uno cuadrtico para estudiar la forma en que la temperatura afecta la
vida de la batera. En la tabla 5-15 se presenta la salida condensada de Design-Expert para este experimen-
to, donde se supone que la temperatura es cuantitativa y el tipo de material es cualitativo.
El anlisis de varianza de la tabla 5-15 indica que la fuente de variabilidad "modelo" se ha subdividi-
do en varios componentes. Los componentes "A" Y"A2" representan los efectos lineal y cuadrtico de
la temperatura, y "B" representa el efecto principal del factor tipo de material. Recuerde que el tipo de ma-
terial es un factor cualitativo con tres niveles. Los trminos "AB"y "A2E" son las interacciones del factor tem-
peratura lineal y cuadrtico con el tipo de material.
Los valores P indican queA2 y AB no son significativos, mientras que el trminoA2B es significativo.
Con frecuencia se piensa en eliminar los trminos o factores no significativos del modelo, pero en este
Tabla 5-15 Salida de Design-Expen para el ejemplo 5-4
Response: Lite In hr
ANOVA for Response Surface Reduced Cublc Modal
Analysis of variance table (Partlal sum of squares]
Sum of Mean F
Model 59416.22 B 7427.03 11.00 <0.0001 significant
A 39042.67 1 39042.67 57.82 <0.0001
8 10683.72 2 5341.86 7.91 0.0020
A2 76.06 1 76.06 0.11 0.7398
A8 2315.08 2 1157.54 1.71 0.1991
N8 7298.69 2 3649.35 5.40 0.0106
Residual 18230.75 27 675.21
Lack of Fit 0.000 O
Pure Error 18230.75 27 675.21
Cor Total 77646.97 35
Std.Dev. 25.98 R-Squared 0.7652
Mean 105.53 AdJ R-Squared 0.6956
Coefficient Standard 95%CI 95%CI
Term Estimate DF Error Low High VIF
Intercept 107.58 1 7.50 92.19 122.97
A-Temp -40.33 1 5.30 -51.22 -29.45 1.00
8[1) -50.33 1 10.61 -72.10 -28.57
8[2] 12.17 1 10.61 -9.60 33.93
A2 -3.08 1 9.19 -21.93 15.77 1.00
AB[1] 1.71 1 7.50 -13.68 17.10
AB[2] -12.79 1 7.50 -28.18 2.60
NB[l] 41.96 1 12.99 15.30 68.62
NB[21 -14.04 1 12.99 -40.70 12.62
Final Equation in Terms of Coded Factors:
Lite '"
+107.58
-40.33 *A
-50.33 -sru
+12.17 *8[21
-3.08 *A2
+1.71 *AB[11
-12.79 *AB[2)
+41.96 *A2B[1)
-14.04 *A2B[21
Final Equation in Terms of Actual Factors:
Material Type 1
Life =
+169.38017
-2.48860 *Temp
+0.012851 *Temp2
Material Type 2
Lite '"
+159.62397
-0.17901 *Temp
+0.41627 *Temp2
Material. Type 3
Lite =
+132.76240
+0.89264 *Temp
-0.43218 *Temp2
5-5 AJUSTE DE CURVAS y SUPERFICIES DE RESPUESTA 203
caso eliminar AZ y AB Yconservar A2B resultar en un modelo que no es jerrquico. El principio dejerar-
qua establece que si un modelo contiene un trmino de orden superior (tal comoA2B), deber contener
tambin todos los trminos de orden inferior que lo componen (AZ y AB en este caso). Lajerarqua pro-
mueve un tipo de consistencia interna en un modelo, y muchos constructores de modelos estadsticos si-
guen rigurosamente este principio. Sin embargo, la jerarqua no es siempre una buena idea, y muchos
modelos en realidad funcionan mejor como ecuaciones de prediccin que no incluyen los trminos no sig-
nificativos que propone la jerarqua. Para mayor informacin, ver el material suplementario del texto de
este captulo.
La salida de computadora incluye tambin estimaciones de los coeficientes del modelo y una ecua-
cin para la prediccin final de la vida de la batera en trminos de factores codificados. En esta ecuacin,
los niveles de la temperatura son A = -1, O, + 1, respectivamente, cuando la temperatura est en los nive-
les bajo, intermedio y alto (15, 70, 125F). Las variablesB[l] y B[2] son variables indicadoras codificadas
que se definen de la siguiente manera:
----------------
TIpo de material
123
B[1] 1 O -1
B[2] O 1 -1
Hay tambin ecuaciones para la prediccin de la vida de la batera en trminos de los niveles de los facto-
res reales. Observe que como el tipo de material es un factor cualitativo, hay una ecuacin para la vida
predicha como una funcin de la temperatura para cada tipo de material. En la figura 5-18 se muestran
20
16.00 42.60 70.00 97.50 126.00
Temparatura
Figura 5-18 La vida predicha como una funcin de la temperatura para los tres ti-
pos de material, ejemplo 5-4.
204 cxrmno 5 INTRODUCCIN A LOS DISEOS FACTORIALES
las curvas de respuesta generadas por estas tres ecuaciones de prediccin. Comprense con la grfica de
la interaccin de dos factores para este experimento de la figura 5-9.
.. ....
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ......
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ... .. ..
Si varios de los factores de un experimento factorial son cuantitativos, puede usarse una superficie de
respuesta para modelar la relacin entre y y los factores del diseo. Adems, los efectos de los factores
cuantitativos pueden representarse con efectos polinomiales con un solo grado de libertad. De manera si-
milar, es posible hacer la particin de las interacciones de factores cuantitativos en componentes de inter-
accin con un solo grado de libertad. Esto se ilustra en el ejemplo siguiente.
EJEMPLO 5,.5 . . .. .. .. .. . .. .. .. .. .. .... .... .. .. .. .. .. .. .. .. .. .. .. .. .. .. .... ..... .. . .. .. .. .. .. .. .. .. .. .. .. .. ..

Se piensa que la vida efectiva de una herramienta de corte instalada en una mquina controlada numri-
camente se afecta por la velocidad de corte y el ngulo de la herramienta. Se seleccionan tres velocidades
y tres ngulos, y se lleva a cabo un experimento factorial con dos rplicas. En la tabla 5-16 se muestran los
datos codificados. Los nmeros de las celdas encerrados en crculos son los totales de las celdas {Yij}'
En la tabla 5-17 se presenta la salida condensada de Design-Expert para este ejemplo. Los trminos A
y A2 son los efectos lineal y cuadrtico del ngulo de la herramienta, y By B2 son los efectos lineal y cua-
drtico de la velocidad. Los trminosAB,A2B,AB2yA2B2 representan los componentes lineal x lineal,
cuadrtico x lineal, lineal x cuadrtico y cuadrtico X cuadrtico de la interaccin de dos factores. Aun
cuando hay algunos valores P grandes, se han conservado todos los trminos del modelo para respetar la
jerarqua. En la ecuacin de prediccin expresada en factores codificados se utilizan los niveles -1, OY + 1
de A y B para representar los niveles bajo, intermedio y alto, respectivamente, de estos factores.
En la figura 5-19 se presenta la grfica de contorno de la superficie generada por la ecuacin de pre-
diccin de la vida de la herramienta. El examen de esta superficie de respuesta indica que la vida mxima
de la herramienta se consigue con velocidades de corte de alrededor de 150 rpm y ngulos de la herra-
mienta de 25. La grfica de la superficie de respuesta tridimensional de la figura 5-20 proporciona en
esencia la misma informacin, pero ofrece una perspectiva diferente, y en ocasiones ms til, de la super-
ficie de respuesta de la vida de la herramienta. La exploracin de las superficies de respuesta es un aspec-
to muy importante del diseo experimental, el cual se estudiar en detalle en el captulo 11.
Tabla 516 Datos del experimento de la vida de la herramienta de corte

ngulo de la herramienta Velocidad de corte (pulg!min)
(grados) 125 150 175 Yi..
15 -2
@) -3 2
-1 O
@ 3 CD -1
20 O 1 4
2
@ 3 G) 6 @) 16
25 -1 5 O
O @ 6 @ -1 @ 9
Ji- -2 12 14 24 = Y...
5-5 AJUSTE DE CURVAS y SUPERFICIES DE RESPUESTA 205
Tabla 5.17 Salida de Design-Expert para el ejemplo 5-5
Response: Ufe in Hours
ANOVA for Response Surface Reduced Order 4 Modal
Analysis of varlanc. table lPartlal sum of squares)
Sum of Mean F
Source Squares IOF Squar. Value Prob> F
A 49.00 1 49.00 33.92 0.0003
8 16.00 1 16.00 11.08 0.0088
A2 0.000 1 0.000 0.000 1.0000
FJl 1.33 1 1.33 0.92 0.3618
A8 8.00 1 8.00 5.54 0.0431
A28 2.67 1 2.67 1.85 0.2073
Af32 42.67 1 42.67 29.54 0.0004
Nf32 8.00 7 8.00 5.54 0.0431
Residual 13.00 9 1.44
LackofFit 0.000 O
Pura Error 13.00 9 1.44
CorTotal 124.00 17
Std.Dev. 1.20 IR-Squared 0.8952
C.V. 90.14 f'red R"Squared 0.5806
Factor Estimate DF Error Low Hlgh VlF
Intercept 2.00 1 0.85 0.078 3.92
A-Tool Angle 3.50 1 0.60 2.14 4.86 3.00
S-Speed 2.00 1 0.60 0.64 3.36 3.00
A2 0.000 1 1.04 -2.35 2.35 3.00
B2 1.00 1 1.04 -1.35 3.35 3.00
AB -1.00 1 0.42 -1.96 -0.039 1.00
A2S -1.00 1 0.74 -2.66 0.66 3.00
AB2 -4.00 1 0.74 -5.66 -2.34 3.00
A2B2 -3.00 1 1.27 -5.88 -0.12 5.00
Final Equation in Terms 01 Coded Factors:
life :;
+2.00
+3.50 "'A
+2.00 "'8
+0.000 "'A2
+1.00 "'S2
-1.00 *A "'8
-1.00 "'A2 *B
-4.00 *A *82
-3.00 *A2 *82
Life '"
-1068.00000
+136.30000 *Tool Angle
+ 14.48000 *Speed
-4.08000 "'Tool Angle2
-0.049600 *Speed2
-1.86400 *Tool Angle *Speed
+0.056000 *Tool Angle2 *Speed
+6.40000E-003 *Tool Angle *Speecf
-1.92000E-004 *Tool Angle2 *Spee(j2
ngulo de la herramienta
Figura 519 Grficade contorno bidimensionalde la superficiede respuesta de la vidade

la herramienta del ejemplo 5-5.
5.5
lO
"C
s -2
Velocidad
ngulo de la herramienta
Figura 5-20 Superficiede respuesta tridimensionalde la vida de la herramienta del

ejemplo 5-5.
206
5-6 FORMACIN DE BLOQUES EN UN DISEO FACTORIAL 207
5..6 FORMACIN DE BLOQUES EN UN DISEO FACTORIAL
Se han revisado los diseos factoriales en el contexto de un experimento completamente aleatorizado. En

ocasiones no es factible o prctico hacer la aleatorizacin completa de todas las corridas de un diseo fac-
torial. Por ejemplo, la presencia de un factor perturbador puede hacer necesario que el experimento se
corra en bloques. Los conceptos bsicos de la formacin de bloques se analizaron en el captulo 4 en el
contexto de un experimento con un solo factor. Ahora se indica la forma en que la formacin de bloques
puede incorporarse en un diseo factorial. Otros aspectos de la formacin de bloques en diseos factoria-
les se presentan en los captulos 7, 8, 9 y 13.
Considere un experimento factorial con dos factores (A y B) Yn rplicas. El modelo estadstico lineal
de este diseo es
i.: 1, 2, , a
Yi/k = #+r/ + f3j +(rf3); +ejk J -1,2, ,b (5-36)
{
k = 1, 2, , n
donde rl' f3i y (rf3)ij representan los efectos de los factoresA, B y la interaccinAB, respectivamente. Su-
ponga ahora que para realizar este experimento se necesita una materia prima particular. Esta materia
prima est disponible en lotes cuyo tamao no es suficiente para permitir que se corran todas las abn com-
binaciones de los tratamientos con el mismo lote. Sin embargo, si un lote contiene material suficiente
para hacer ab observaciones, entonces un diseo alternativo es correr cada una de las n rplicas utilizando
un lote separado de materia prima. Por consiguiente, los lotes de materia prima representan una restric-
cin sobre la aleatorizacin o un bloque, y se corre una sola rplica de un experimento factorial completo
dentro de cada bloque. El modelo de los efectos para este nuevo diseo es
1,2, , a i.:
Yljk = u+t +f3 +(rf3); +Ok +E;k J -1, 2, , b
k = 1, 2, , n
(5-37)
{
donde Ok es el efecto del bloque k-simo. Desde luego, dentro de un bloque el orden en que se corren las
combinaciones de los tratamientos est completamente aleatorizado.
En el modelo (ecuacin 5-37) se supone que la interaccin entre los bloques y los tratamientos es in-
significante. Anteriormente se estableci el mismo supuesto en el anlisis de diseos de bloques aleatori-
zados. Si estas interacciones existen, no pueden separarse del componente del error. De hecho, el
trmino del error en este modelo se compone en realidad de las interacciones ('ro)jk, (/JO)jk y (rf3o)Jk' En la
tabla 5-18 se describe el anlisis de varianza. La disposicin tiene un gran parecido con la de un diseo
factorial, con la suma de cuadrados del error reducida por la suma de cuadrados de los bloques. En lo que
a los clculos se refiere, la suma de cuadrados de los bloques se encuentra como la suma de cuadrados en-
tre los totales de los n bloques {y.J}'
En el ejemplo anterior, la aleatorizacin se restringi al interior de un lote de materia prima. En la
prctica, una diversidad de fenmenos pueden producir restricciones sobre la aleatorizacin, como el
tiempo, los operadores, etc. Por ejemplo, si el experimento factorial completo no pudo correrse en un da,
entonces el experimentador podra correr una rplica completa el da 1, una segunda rplica el da 2, etc.
Por consiguiente, cada da sera un bloque.
Ej'El\-fPLO 5..6 ,.. 111 *' 111 ,. 111
Un ingeniero estudia los mtodos para mejorar la capacidad para detectar objetivos en el campo de ac-
cin de un radar. Dos factores que el ingeniero considera importantes son la cantidad de ruido de fondo,
o "desorden de terreno", en el campo de accin del radar y el tipo de filtro colocado sobre la pantalla. Se
Tabla 5-18 Anlisis de varianza de un diseo factorial de dos factores en bloques completos aleatorzados
variacin cuadrados libertad medio esperado
Bloques
A
1 2:
bn . Yi.. - abn
2 Y~.
a-1
2 bn 2:1'; MSA
I a + a-1 MSE
B
1
an .
L 2
Y.j. -
Y~.
abn b-1 2 2:,8~
an MSB
I a + b-1 MSE
n 2: L('f,8)~
1
AB -LL
n.
Y~ _L-ss
. v- abn
2
A
-SS
B (a-1)(b-1)
2
a+
MSAB
MSE
' I (a-1)(b -1)
Error Sustraccin (ab-l)(n -1) a2
lbtal 2:L2:
I
.
}
. k
2
Yljk -
Y~
abn abn-1
disea un experimento utilizando tres niveles del desorden de terreno y dos tipos de filtro. Estos factores
se considerarn fijos. El experimento se lleva a cabo seleccionando al azar una combinacin de los trata-
mientas (nivel del desorden de terreno y tipo de filtro) e introduciendo despus una seal que representa
el objetivo en el campo de accin del radar. Laintensidad de este objetivo se incrementa hasta que el ope-
rador lo observa. Entonces se mide el nivel de intensidad en el momento de la deteccin como la variable
de respuesta. Debido a la disponibilidad de los operadores, es conveniente seleccionar un operador y
mantenerlo en el sistema hasta que se han realizado todas las corridas necesarias. Adems, los operado-
res difieren en su habilidad y capacidad para operar el sistema. Por consiguiente, parece lgico usar los
operadores como bloques. Se seleccionan cuatro operadores al azar. Una vez que se ha elegido a un ope-
rador, el orden en que se corren las seis combinaciones de los tratamientos se determina aleatoriamente.
Por lo tanto, se tiene una corrida de un experimento factorial 3 x 2 en un bloque completo aleatorizado.
Los datos se presentan en la tabla 519.
El modelo lineal para este experimento es
i = 1,2, 3
i= 1 2
{
k=;,2,3,4
donde Ti representa el efecto del desorden de terreno, {Jj representa el efecto del tipo de filtro, (r{J)ij es la
interaccin, k es el efecto del bloque y tijk es el componente NID(O, 02) del error. Las sumas de cuadrados
del desorden de terreno, del tipo de filtro y de su interaccin se calculan de la manera usual. La suma de
Tabla 5-19 Nivel de intensidad al detectarse el objetivo

Operadores (bloques) 1 2 3 4
Tipo de filtro 1 2 1 2 1 2 1 2
Desorden de terreno
Bajo 90 86 96 84 100 92 92 81
Intermedio 102 87 106 90 105 97 96 80
Alto 114 93 112 91 108 95 98 83
5-6 FORMACIN DE BLOQUES EN UN DISEO FACTORIAL 209
Tabla520 Anlisis de varianza del ejemplo 5-6
Fuente de variacin cuadrados libertad medio Fo ValorP
Desorden de terreno (G) 335.58 2 167.79 15.13 0.0003
Tipo de filtro (F) 1066.67 1 1066.67 96.19 <0.0001
GF 77.08 2 38.54 3.48 0.0573
Bloques 402.17 3 134.06
Error 166.33 15 11.09
Thtal 2047.83 23
cuadrados debida a los bloques se encuentra a partir de los totales de los operadores {Y.x} de la siguiente
manera:
= (3)~2)[(572)2+(579)2 +(597)2 +(530)2]- (~~~~~~:)

= 402.17
En la tabla 520 se resume el anlisis de varianza completo de este experimento. La presentacin de
la tabla 520 indica que todos los efectos se probaron dividiendo sus cuadrados medios por el cuadrado
medio del error. Tanto el desorden de terreno como el tipo de filtro son significativos en el nivel de 1%,
mientras que su interaccin slo es significativa en el nivel de 10%. Por lo tanto, se concluye que tanto
el nivel del desorden de terreno como el tipo de filtro de campo usado en la pantalla afectan la habili-
dad del operador para detectar el objetivo, y existe cierta evidencia de una ligera interaccin entre ambos
factores .
.. .. .. .. .. 111 .. 111 111 111 .
En el caso de dos restricciones sobre la aleatorizacin, cada una con p niveles, si el nmero de combi-
naciones de los tratamientos en un diseo factorial de k factores es exactamente igual al nmero de nive-
les de la restriccin, es decir, sip = ab ... m, entonces el diseo factorial puede correrse en un cuadrado
latino p x p. Por ejemplo, considere una modificacin del experimento de la deteccin del objetivo en el
radar del ejemplo 56. Los factores de este experimento son el tipo de filtro (dos niveles) y el desorden de
terreno (tres niveles), y los operadores se consideran como bloques. Suponga ahora que debido a limita-
ciones de tiempo, slo pueden hacerse seis corridas por da. Por lo tanto, los das se convierten en una se-
gunda restriccin sobre la aleatorizacin, lo cual resulta en un diseo del cuadrado latino 6 x 6, como
se muestra en la tabla 5-21.En esta tabla se han usado las letras minsculasj; ygj para representar los nive-
les i-simo yj-simo del tipo de filtro y del desorden de terreno, respectivamente. Es decir,f J!:2 representa
el filtro tipo 1 y un desorden de terreno intermedio. Observe que se necesitan ahora seis operadores, en
lugar de los cuatro del experimento original, por lo que el nmero de combinaciones de tratamientos en
el diseo factorial 3 x 2 es exactamente igual al nmero de niveles de restriccin. Adems, en este diseo
cada operador se usara una sola vez en cada da. Las letras latinas A, B, e, D, E YF representan las 3 x 2
= 6 combinaciones de tratatnientos del diseo factorial como sigue: A = fg,B = fg2' = fg3,D = f18,E e
= f182 y F = f183'
210 CAPTULO S INTRODUCCIN A LOS DISEOSFACfORIALES
Tabla 5-21 El experimento de la detecci6n del radar realizado en un cuadrado latino 6 x 6

Operador
Da 1 2 3 4 5 6
1 A(fg = 90) B(fg2 = 106) C(fgl = 108) D(fJ = 81) F(fJ3 = 90) E(fJ2 = 88)
2 C(fg] = 114) A(fg = 96) B(fg2 = 105) F(fJ] = 83) E(fJ2 = 86) D(fJ = 84)
3 B(fgz = 102) E(fJz = 90) F(fJ] = 95) A(fg = 92) D(fJ = 85) C(fg3 = 104)
4 E(fJ2 = 887) D(fJ = 84) A(fg = 100) B(fgz = 96) C(fg] = 110) F(fJ3 = 91)
5 F(fJ] = 93) C(f g] = 112) D(fJ = 92) E(fJ2 = 80) A(fg = 90) B(fgz = 98)
6 D(fJ "" 86) F(fJ3 = 91) E(fJ2 = 97) C(fg] = 98) B(fg2 = 100) A(fg = 92)
Los cinco grados de libertad entre las seis letras latinas corresponden a los efectos principales del tipo
de filtro (un grado de libertad), el desorden de terreno (dos grados de libertad) y su interaccin (dos gra-
dos de libertad). El modelo estadstico lineal de este diseo es
i = 1,2, ... ,6
j=1,2,3
Yijld = .t +a +1' + Pk +(1'p)k +(JI +Eijld k = 12 (5-38)
{
1=1:2, ...,6
donde T YPI<son los efectos del desorden de terreno y del tipo de filtro, respectivamente, y a y (JI represen-
tan las restricciones sobre la aleatorizacin de los das y los operadores, respectivamente. Para calcular las
sumas de cuadrados, la siguiente tabla de dos vas de los totales de los tratamientos es til:
Desorden de terreno Filtro tipo 1 Filtro tipo 2 Y.j..
Bajo 560 512 1072
Intermedio 607 528 1135
Alto 646 543 1189
--
Y._k 1813 1583 3396 =Y.. __
Adems, los totales de los renglones y las columnas son

Renglones (y_jld): 563 568 568 568 565 564
Columnas (Ylik.): 572 579 597 530 561 557
En la tabla 5-22 se resume el anlisis de varianza. Se ha agregado una columna a esta tabla que indica
cmo se determina el nmero de grados de libertad de cada suma de cuadrados.
Tabla 5-22 Anlisis de varianza del experimento de la detecci6n en el radar realizadocomo un disefio{actorial3 x 2 en un
cuadrado latino
Frmula general
Fuente de Suma de Grados de para los grados Cuadrado
variacin cuadrados libertad de libertad medio Fo ValorP
Desorden de terreno, G 571.50 2 a-1 285.75 28.86 <0.0001
Tipo de filtro, F 1469.44 1 b-1 1469.44 148.43 <0.0001
GF 126.73 2 (a -l)(b -1) 63.37 6.40 0.0071
Das (renglones) 4.33 5 ab-1 0.87
Operadores 428.00 5 ab-l 85.60
(columnas)
Error 198.00 20 (ab-l)(ab - 2) 9.90
lbtal 2798.00 36 (ab)2_1
5-7 PROBLEMAS 211
5..7 PROBLEMAS
5-1. Se estudia el rendimiento de un proceso qumico. Se piensa que las dos variables ms importantes son la pre-
sin y la temperatura. Se seleccionan tres niveles de cada factor y se lleva a cabo un experimento factorial con
dos rplicas. Los datos del rendimiento son:
Presin (psig)
Temperatura CC) 200 215 230
150 90.4 90.7 90.2
90.2 90.6 90.4
160 90.1 90.5 89.9
90.3 90.6 90.1
170 90.5 90.8 90.4
90.7 90.9 90.1
a) Analizar los datos y sacar conclusiones. Utilizar a = 0.05.

b) Construir las grficas de los residuales apropiadas y comentar la adecuacin del modelo.
e) Bajo qu condiciones debera operarse este proceso?
5-2. Un ingeniero sospecha que el acabado superficial de una pieza metlica se afecta por la velocidad de alimen-
tacin y la profundidad de corte. Selecciona tres velocidades de alimentacin y cuatro profundidades de cor-
te. Despus realiza un experimento factorial y obtiene los siguientes datos:
Velocidad de alimentacin Profundiad de corte (pulg)

(pulg/min) 0.15 0.18 0.20 0.25
74 79 82 99
0.20 64 68 88 104
60 73 92 96
92 98 99 104
0.25 86 104 108 110
88 88 95 99
99 104 108 114
0.30 98 99 110 111
102 95 99 107

e) Obtener estimaciones puntuales del acabado superficial promedio con cada velocidad de alimentacin.
d) Encontrar los valores P para las pruebas del inciso a.
5-3. Para los datos del problema 5-2, calcular la estimacin de un intervalo de confianza de 95% de la diferencia
media en la respuesta para velocidades de alimentacin de 0.20 y 0.25 pulglmin.
5-4. En un artculo de Industrial Quality Control se describe un experimento para investigar el efecto del tipo de
cristal y del tipo de fsforo sobre la brillantez de un cinescopio. La variable de respuesta es la corriente (en
microamperes) necesaria para obtener un nivel de brillantez especfico. Los datos son los siguientes:
Tipode Tipo de fsforo

cristal 1 2 3
280 300 290
1 290 310 285
285 295 290
230 260 220
2 235 240 225
240 235 230
a) Existe algn indicio de que alguno de los dos factores influye en la brillantez? Utilizar a = 0.05.
b) Los dos factores interactan? Utilizar a = 0.05.
e) Analizar los residuales de este experimento.
5-5. Johnson y Leone (Statistics and Experimental Design in Engineering and the Physical Sciences, John Wiley)
describenun experimentorealizadopara investigarla torcedura de placasde cobre. Los dosfactores estudia-
dos fueron la temperatura y el contenido de cobre de las placas. La variable de respuesta fue una medida de
la cantidad de torcedura. Los datos fueron los siguientes:
Contenido de cobre (%)

Temperatura ('C) 40 60 80 100
50 17,20 16,21 24,22 28,27
75 12, 9 18,13 17,12 27,31
100 16,12 18,21 25,23 30,23
125 21,17 23,21 23,22 29,31
a) Existealgn indiciode que alguno de los dos factores afecta la cantidad de torcedura? Hay alguna in-
teraccin entre los factores? Utilizar a = 0.05.
c) Graficar la torcedura promedio con cada nivel del contenido de cobre y compararlas con una distribu-
cin t con la escala apropiada. Describirlas diferenciasen los efectosde los diversosnivelesdel conteni-
do de cobre sobre la torcedura. Si es deseable una torcedura baja, qu nivel del contenido de cobre
debera especificarse?
d) Supongaque no es sencillocontrolar la temperatura en el medio ambiente donde van a usarse las placas
de cobre. Este hecho modifica la respuesta que se dio para el inciso c?
5-6. Se estudian los factores que influyenen la resistencia a la ruptura de una fibra sinttica. Se eligencuatro m-
quinas de producciny tres operadores yse corre un experimentofactorial utilizandofibra del mismolote de
produccin. Los resultados son los siguientes:
Mquina
Operador 1 2 3 4
1 109 110 108 110
110 115 109 108
2 110 110 111 114
112 111 109 112
3 116 112 114 120
114 115 119 117
5-7 PROBLEMAS 213
5-7. Un ingeniero mecnico estudia la fuerza de empuje desarrollada por UDataladradora. Sospecha que la velo-
cidad de taladrado y la velocidad de alimentacin del material son los factores ms importantes. Selecciona
cuatro velocidades de alimentacin y usa una velocidad de taladrado alta y otra baja elegidas para represen-
tar las condiciones de operacin extremas. Obtiene los siguientes resultados. Analizar los datos y sacar con-
clusiones. Utilizar a = 0.05.
Velocidad de alimentacin
Velocidad de taladrado 0.015 0.030 0.045 0.060
125 2.70 2.45 2.60 2.75
2.78 2.49 2.72 2.86
200 2.83 2.85 2.86 2.94
2.86 2.80 2.87 2.88
5-8. Se realiza un experimento para estudiar la influencia de la temperatura de operacin y tres tipos de placas de
recubrimiento de cristal, en la salida luminosa de un tubo de osciloscopio. Se registraron los siguientes datos:
TIpo de Temperatura
cristal 100 125 150
580 1090 1392
1 568 1087 1380
570 1085 1386
550 1070 1328
2 530 1035 1312
579 1000 1299
546 1045 867
3 575 1053 904
599 1066 889
a) Utilizar a = 0.05 en el anlisis. E:riste un efecto de interaccin significativo? El tipo de cristal O la tem-
peratura afectan la respuesta? A qu conclusiones se llega?
b) Ajustar un modelo apropiado que relacione la salida luminosa con e] tipo de cristal y la temperatura.
e) Analizar los residuales de este experimento. Comentar la adecuacin de los modelos que se hayan consi-
derado.
5-9. Considere el experimento del problema 5-1. Ajustar un modelo apropiado a los datos de la respuesta. Usar
este modelo como gua para las condiciones de operacin del proceso.
S-lO. Usar la prueba de Thkey para determinar los niveles del factor presin que son significativamente diferentes
para los datos del problema 5-1.
214 cAPITULO 5 INTRODUCCIN A LOS DISEOS FACfORIALES
5-11. Se llev a cabo un experimento para determinar si la temperatura de coccin o la posicin en el horno afec-
taban el espesor del endurecimiento de un nodo de carbono. Los datos se presentan a continuacin:
'Iemperatura eq
Posicin 800 825 850
570 1063 565
1 565 1080 510
583 1043 590
528 988 526
2 547 1026 538
521 1004 532
Suponga que se considera que no existe ninguna interaccin. Desarrollar el modelo estadstico. Realizar el
anlisis de varianza y probar las hiptesis sobre los efectos principales. Qu conclusiones pueden sacarse?
Comentar la adecuacin del modelo.
5-12. Deducir los cuadrados medios esperados para un anlisis de varianza de dos factores con una observacin
por celda, suponiendo que ambos factores son fijos.
5-13. Considere los siguientes datos de un experimento factorial de dos factores. Analizar los datos y sacar conclu-
siones. Realizar una prueba de no aditividad. Utilizar a = 0.05.
Factor de la columna
Factor del rengln 1 2 3 4
1 36 39 36 32
2 18 20 22 20
3 30 37 33 34
5-14. Se piensa que la resistencia al corte de un adhesivo se afecta por la presin de aplicacin y la temperatura. Se
realiza un experimento factorial en el que ambos factores se suponen fijos. Analizar los datos y sacar conclu-
siones. Realizar una prueba de no aditividad.
Presin 'Iemperatura eF)

(lb/pulg2) 250 260 270
120 9.60 11.28 9.00
130 9.69 10.10 9.57
140 8.43 11.01 9.03
150 9.98 10.44 9.80
5-15. Considere el modelo de tres factores
i.: 1,2, , a
Yijk = #+7:1 +/3 +r, +('Cf3)ij +(f3Y)jk +Eijk ) -1,2, ,b
{
k = 1, 2, , e
Observe que hay una sola rplica. Suponiendo que los tres factores son fijos, desarrollar la tabla del anlisis
de varianza, incluyendo los cuadrados medios esperados. Qu se usara como "error experimental" para
probar las hiptesis?
5-7 PROBLEMAS 215
5-16. El porcentaje de la concentracin de madera dura en la pulpa bruta, la presin de la cuba y el tiempo de coc-
cin de la pulpa se investigan en cuanto a sus efectos sobre la resistencia del papel. Se seleccionan tres niveles
de la concentracin de madlera dura, tres niveles de la presin y dos tiempos de coccin. Se lleva a cabo un ex-
perimento factorial con dos rplicas, obtenindose los siguientes datos:
Tiempo de coccin 3.0 horas Tiempo de coccin 4.0 horas

Porcentaje de la
Presin Presin
concentracin de
madera dura 400 500 650 400 500 650
2 196.6 197.7 199.8 198.4 199.6 200.6
196.0 196.0 199.4 198.6 200.4 200.9
4 198.5 196.0 198.4 197.5 198.7 199.6
197.2 196.9 197.6 198.1 198.0 199.0
8 197.5 195.6 197.4 197.6 197.0 198.5
196.6 196.2 198.1 198.4 197.8 199.8

e) Bajo qu conjunto de condiciones debera operarse este proceso? Por qu?
5-17. El departamento de control de calidad de una planta de acabados textiles estudia el efecto de varios factores
sobre el teido de una tela de algodn y fibras sintticas utilizada para fabricar camisas para caballero. Se se-
leccionaron tres operadores, tres duraciones del ciclo y dos temperaturas, y se tieron tres ejemplares peque-
os de la tela bajo cada conjunto de condiciones. La tela terminada se compar con un patrn, y se le asign
una evaluacin numrica. Los datos se presentan enseguida. Analizar los datos y sacar conclusiones. Comen-
tar la adecuacin del modelo.
Temperatura
3000 3500
Operador Operador
Duracin del ciclo 1 2 3 1 2 3
23 27 31 24 38 34
40 24 28 32 23 36 36
25 26 29 28 35 39
36 34 33 37 34 34
50 35 38 34 39 38 36
36 39 35 35 36 31
28 35 26 26 36 28
60 24 35 27 29 37 26
27 34 25 25 34 24
5-18. Suponga que en el problema 5-1 quiere rechazarse la hiptesis nula con una alta probabilidad si la diferencia
entre el verdadero rendimiento promedio con dos presiones cualesquiera es mayor que 0.5. Si una estima-
cin previa razonable de la desviacin estndar del rendimiento es 0.1, Zcuntas rplicas debern correrse?
5-19. Se estudia el rendimiento de un proceso qumico. Los dos factores de inters son la temperatura y la presin.
Se seleccionan tres niveles de cada factor; sin embargo, s6lo es posible hacer nueve corridas en un da. El ex-
216 CAPTULO 5 INTRODUCCIN A LOS DISEOS FAcrORIALES
perimentador corre una rplica completa en cada da. Los datos se muestran en la tabla siguiente. Analizar
los datos, suponiendo que los das son bloques.
Da 1 Da 2
Presin Presin
'Iemperatura 250 260 270 250 260 270
Baja 86.3 84.0 85.8 86.1 85.2 87.3
Intermedia 88.5 87.3 89.0 89.4 89.9 90.3
Alta 89.1 90.2 91.3 91.7 93.2 93.7
5-20. Considere los datos del problema 5-5. Analizar los datos, suponiendo que las rplicas son bloques.
5-21. Considere los datos del problema 5-6. Analizar los datos, suponiendo que las rplicas son bloques.
5-22. En un artculo de Joumal ofTesting and Evaluation (vol. 16, no. 2, pp. 508-515) se investigaron los efectos de
la frecuencia de carga cclica y de las condiciones ambientales sobre el crecimiento de las fisuras por fatiga
con un esfuerzo constante de 22 MPa para un material particular. Los datos del experimento se presentan
abajo (la respuesta es el ndice de crecimiento de las fisuras por fatiga):
Medio ambiente
Frecuencia Aire Hz Hz salada
2.29 2.06 1.90
2.47 2.05 1.93
10 2.48 2.23 1.75
2.12 2.03 2.06
2.65 3.20 3.10
2.68 3.18 3.24
1 2.06 3.96 3.98
2.38 3.64 3.24
2.24 11.00 9.96
0.1 2.71 11.00 10.01
2.81 9.06 9.36
2.08 11.30 10.40
a) Analizar los datos de este experimento (utilizar a = 0.05).

b) Analizar los residuales.
e) Repetir los anlisis de los incisos a y b utilizando ln(y) como la respuesta. Comentar los resultados.
5-23. En un articulo de IEEE Transactions on Electron Devices se describe un estudio sobre el dopado del polisili-
cio. El experimento que se muestra a continuacin es una variante de dicho estudio. La variable de respuesta
es la corriente fundamental.
Dopado del Thmperatura de revenido CC)

polisilicio (iones) 900 950 1000
4.60 10.15 11.01
1 x 1{)20
4.40 10.20 10.58
3.20 9.38 10.81
2 X 1020
3.50 10.02 10.60
5-7 PROBLEMAS 217
a) Existeevidencia(con a = 0.05)que indique que el nivelde dopado del polislicioo la temperatura de fi-
jacin afecten la corriente fundamental?
b) Construir representaciones grficas como ayuda para interpretar este experimento.
e) Analizar los residuales y comentar la adecuacin del modelo.
d) El modelo
y= f30 +f3x + f32x2 + f322x~ + f312xIX2 +E

est apoyadopor este experimento (Xl = nivelde dopado, X2 = temperatura)? Estimar losparmetros de
este modelo y graficar la superficie de respuesta.
Diseo factorial 2k
6..1 INTRODUCCIN
Los diseos factoriales se usan ampliamente en experimentos que incluyen varios factores cuando es ne-
cesario estudiar el efecto conjunto de los factores sobre una respuesta. En el captulo 5 se presentaron los
mtodos generales para el anlisis de los diseos factoriales. Sin embargo, hay varios casos especiales del
diseo factorial general que son importantes debido a su uso generalizado en el trabajo de investigacin y
porque constituyen las bases de otros diseos de gran valor prctico.
El ms importante de estos casos especiales es el de k factores, cada uno con slo dos niveles. Estos
niveles pueden ser cuantitativos, como dos valores de temperatura, presin o tiempo, o bien cualitativos,
como dos mquinas, dos operadores, los niveles "alto" y "bajo" de un factor, o quiz la presencia o ausen-
cia de un factor. Una rplica completa de este diseo requiere 2 x 2 x ... x 2 = 2k observaciones y se le
llama diseo factorial 2k
Este captulo se enfoca en esta clase en extremo importante de diseos. A 10largo del captulo se su-
pone que 1) los factores son fijos, 2) los diseos son completamente aleatorizados y 3) se satisfacen los su-
puestos de normalidad usuales.
El diseo 2k es de particular utilidad en las etapas iniciales del trabajo experimental, cuando proba-
blemente se estn investigando muchos factores. Este diseo proporciona el menor nmero de corridas
con las que pueden estudiarse k factores en un diseo factorial completo. Por consiguiente, estos diseos
se usan ampliamente en los experimentos de tamizado o seleccin de factores.
Puesto que slo hay dos niveles para cada factor, se supone que la respuesta es aproximadamente li-
neal en el rango elegido para los niveles de los factores. En muchos experimentos de tamizado de facto-
res, cuando se acaba de iniciar el estudio del proceso o sistema, este supuesto suele ser razonable. En la
seccin 6-6 se presentar un mtodo simple para verificar este supuesto, y se analizarn las acciones que
debern emprenderse en caso de que se viole.
218
62 EL DISEO 23 219
6..2 ELDISEO21
El primer diseo de la serie 2k es el que slo tiene dos factores, por ejemplo,A y B; cada uno se corre a dos
niveles. A este diseo se le llama diseo factorial 2%Los niveles de los factores pueden denominarse arbi-
trariamente "bajo" y "alto". Como un ejemplo, considere la investigacin del efecto de la concentracin
del reactivo y de la cantidad del catalizador sobre la conversin (rendimiento) de un proceso qumico. Sea
la concentracin del reactivo el factor A, y sean 15 y 25 por ciento los dos niveles de inters. El catalizador
es el factor B, con el nivel alto dlenotando el uso de 2 libras del catalizador y el nivel bajo denotando el uso
de 1 libra. Se hacen tres rplicas del experimento, y los datos son los siguientes:
Factor Combinacin de Rplica

A B tratamientos 1 11 m lbtal
A bajo, B bajo 28 25 27 80
+ A alto, B bajo 36 32 32 100
+ A bajo, Balto 18 19 23 60
+ + A alto, Balto 31 30 29 90
Las combinaciones de los tratamientos se ilustran grficamente en la figura 6~1. Por convencin, el
efecto de un factor se denota con una letra mayscula latina. Por lo tanto, ''A'' se refiere al efecto del fac-
tor A, "B" al efecto del factor B, y "AB" a la interaccinAB. En el diseo 22, los niveles bajo y alto deA y B
se denotan por =: y "+", respectivamente, en los ejesA y B. Por lo tanto, _ en el ejeA representa el nivel
bajo de la concentracin (15%), mientras que + representa el nivel alto (25%), y - en el eje B representa
el nivel bajo del catalizador, mientras que + denota el nivel alto.
Las cuatro combinaciones de tratamientos suelen representarse con letras minsculas, como se
muestra en la figura 6~1. Por la figura se observa que el nivel alto de cualquiera de los factores en una com-
binacin de tratamientos se denota por la letra minscula correspondiente y que el nivel bajo de un factor
en una combinacin de tratamientos se denota por la ausencia de la letra respectiva. Por lo tanto, a repre-
b.,60 ab-SO
(18 + 19 + 231 (31 + 30 +29)
Alto +
(2 libras)
Bajo _
(1 libra) (1) _ 80 el ,. 100
128 + 25 + 27) (36 + 32 + 32)
+
Bajo Alto
(15%) (25%)
Concentracin
del reactivo,
A
Figura 6-1 Combinacionesde lostratamientos en el di-
seo 22
220 CAPTIJLO 6 DISEO FACTORIAL 2'
senta la combinacin de tratamientos conA en el nivel alto y B en el nivel bajo, b representa A en el nivel
bajo y B en el nivel alto, y ab representa ambos factores en el nivel alto. Por convencin, se usa (1) para de-
notar que ambos factores estn en el nivel bajo. Esta notacin se utiliza en todas las series 2k
En un diseo factorial con dos niveles, el efecto promedio de un factor puede definirse como el cam-
bio en la respuesta producido por un cambio en el nivel de ese factor promediado para los niveles del otro
factor. Asimismo, los smbolos (1), a, by ab representan ahora el total de las n rplicas hechas con la com-
binacin de los tratamientos, como se ilustra en la figura 6-1. Ahora el efecto deA en el nivel bajo de B es
[a - (l)]/n y el efecto deA con el nivel alto deB es [ab -b]/n.AI promediarse estas dos cantidades se obtie-
ne el efecto principal de A:
1
A= -{[ab-b]+[a-(l)]}
2n
1
= -[ab+a-b-(l)] (6-1)
2n
El efecto principal promedio de B se encuentra a partir del efecto de B con el nivel bajo deA (es decir,
[b - (1)]/n) y con el nivel alto de A (o sea, [ab - a]/n) como
1
B= -{[ab-a]+[b-(l)]}
2n
1
= -[ab+b-a-(l)] (6-2)
2n '
El efecto de la interaccinAB se define como la diferencia promedio entre el efecto deA con el nivel
alto de B y el efecto de A con el nivel bajo de B. Por lo tanto,
1
AB= 2n {[ab-b]-[a-(l)]}
1
= 2n[ab+(l)-a-b] (6-3)
De manera alternativa,AB puede definirse como la diferencia promedio entre el efecto de B con el
nivel alto de A y el efecto de B con el nivel bajo de A. Esto llevar tambin a la ecuacin 6-3.
Las frmulas de los efectos deA, By AB pueden deducirse con otro mtodo. El efecto deA puede en-
contrarse como la diferencia en la respuesta promedio de las dos combinaciones de tratamientos situadas
a la derecha del cuadrado de la figura 6-1 (a este promedio se le llama j/>, porque es la respuesta prome-
dio con las combinaciones de tratamientos donde A est en el nivel alto) y las dos combinaciones de trata-
mientos situadas a la izquierda del cuadrado de la figura 6-1 (o y,d. Es decir,
A = jiA+ - ji A-
ab+a b+(l)
=-----
2n 2n
1
= -[ab+a-b-(l)]
2n
Se trata exactamente del mismo resultado que el de la ecuacin 6-1. El efecto deB, ecuacin 6-2, se
encuentra como la diferencia entre el promedio de las dos combinaciones de tratamientos de la parte su-
6-2 EL DISEO 2' 221
perior del cuadrado CYB+) y el promedio de las dos combinaciones de tratamientos de la parte inferior
CYB-)' o
B= YB+ - YB-
ab+b a+(l)
=-----
2n 2n
1
= -[ab+b-a-(l))
2n
Por ltimo, el efecto de la interaccinAB es el promedio de las combinaciones de tratamientos de la dia-
gonal de derecha a izquierda del cuadrado [aby (1)] menos el promedio de las combinaciones de trata-
mientos de la diagonal de izquierda a derecha (a y b), o
AB= ab+(l) a+b

2n 2n
1
= -[ab+(I)-a-b]
2n
resultado que es idntico a la ecuacin 6-3.

Utilizando el experimento de la figura 6-1, los efectos promedio pueden estimarse como
1
A= -(90+100- 60- 80)=8.33
2(3)
1
B= -(90+60-100-80)= -5.00
2(3)
1
AB= 2(3)(90+80-100-60)=1.67
El efecto de A (concentracin del reactivo) es positivo; esto sugiere que al incrementar A del nivel bajo
(15%) al nivel alto (25%), el rendimiento se incrementar. El efecto de B (catalizador) es negativo; esto
sugiere que al incrementar la cantidad del catalizador que se agrega al proceso se reducir el rendimien-
to. El efecto de la interaccin parece ser pequeo en comparacin con los dos efectos principales.
En muchos experimentos que incluyen diseos 2/c, se examinar la magnitud y la direccin de los efec-
tos de los factores a fin de determinar las variables que son de posible importancia. En la mayora de los
casos puede usarse el anlisis de varianza para confirmar esta interpretacin. Hay varios paquetes de soft-
ware de estadstica excelentes que son tiles para establecer y analizar diseos 2k Se cuenta tambin con
mtodos especiales que ahorran tiempo cuando los clculos se hacen manualmente.
Considere las sumas de cuadrados deA, By AB. Observe, por la ecuacin 6-1, que se us un contraste
para estimar A, a saber
Contraste A = ab+a-b-(l) (6-4)
A este contraste suele llamrsele el efecto total deA. A partir de las ecuaciones 6-2 y 6-3, se observa que
tambin se usan contrastes para estimar By AB. Adems, estos tres contrastes son ortogonales. La suma
de cuadrados de cualquier contraste puede calcularse con la ecuacin 3-29, la cual establece que la suma
de cuadrados del contraste es igual al cuadrado del contraste dividido por el nmero de observaciones en
222 CAPTIJW 6 DISEOFACTORIAL2k
cada total del contraste multiplicado por la suma de cuadrados de los coeficientes del contraste. Por con-
siguiente, se tienen
ss =[ab+a-b-(1)]2
A 4n
SS = [ab+b-a-(1)]2 (6-6)
B 4n
y
SS = [ab+(1)-a-b]2
AB 4n
como las sumas de cuadrados de A, B YAB.
Al utilizar el experimento de la figura 6-1, las sumas de cuadrados de las ecuaciones 6-5, 6-6 Y6-7 pue-
den encontrarse cOlpo
SS = (50)2 = 208.33
A 4(3)
SS = (-30)2 75.00 (6-8)
B 4(3)
y
( 10)2
SS =--= 8.33
AH 4(3)
La suma de cuadrados total se encuentra como de costumbre, es decir,
Y.:
= L.L
22" 2
SST Yijk-- (6-9)
i~l j:l k=l 4n
En general, SST tiene 4n -1 grados de libertad. La suma de cuadrados del error, con 4(n -1)grados de li-
bertad, suele calcularse por sustraccin como
SSE = SST - SS A - SSB - SS AH (6-10)
Para el experimento de la figura 6-1, se obtiene
2 2 3 2 Y.=
SST = ~~~ Yijk - 4(3)
= 9398.00- 9075.00= 323.00
y
SS E = SST - SS A - SS B - SS AH
= 323.00- 208.33-75.00- 8.33
= 31.34
al utilizar SSA, SSB y SSAH de la ecuacin 6-8. En la tabla 6-1 se resume el anlisis de varianza completo.
Con base en los valoresP, se concluye que los efectos principales son estadsticamente significativos y que
no hay interaccin entre estos factores. Esto confirma la interpretacin de los datos que se hizo original-
mente con base en las magnitudes de los efectos de los factores.
Con frecuencia resulta conveniente escribir las combinaciones de los tratamientos en el orden (1), a,
6-2 EL DISEO ZZ 223
'labia 61 Anlisis de varianza del experimento de la figura 6-1
A 208.33 1 208.33 53.15 0.0001
B 75.00 1 75.00 19.13 0.0024
AB 8.33 1 8.33 2.13 0.1826
Error 31.34 8 3.92
Thtal 323.00 11
b, abo Se hace referencia a esto como el orden estndar (u orden de Yates, por el Dr. Frank Yates). Al
utilizar este orden estndar, se observa que los coeficientes de los contrastes usados para estimar los
efectos son
Efectos (1) a b ab
A: -1 +1 -1 +1
B: -1 -1 +1 +1
AB: +1 -1 -1 +1
Observe que los coeficientes de los contrastes para estimar el efecto de la interaccin son slo el producto
de los coeficientes correspondientes de los dos efectos principales. El coeficiente de un contraste es siem-
pre + 1 o -1, y puede usarse una tabla de signos positivos y negativos como la tabla 6-2 para determinar el
signo correcto para cada combinacin de tratamientos. Los encabezados de las columnas de la tabla 6-2
son los efectos principales (A y B), la interaccinAB e 1, que representa el total o promedio del experi-
mento completo. Observe que la columna que corresponde a 1 incluye nicamente signos positivos. Las
etiquetas de los renglones son las combinaciones de los tratamientos. Para encontrar el contraste para es-
timar cualquier efecto, simplemente se multiplican los signos de la columna apropiada de la tabla por la
combinacin de tratamientos correspondiente y se hace la suma. Por ejemplo, para estimar A, el contras-
te es -(1) + a - b + ab, que concuerda con la ecuacin 6-1.
El modelo de regresin
En un diseo factorial Z"es sencillo expresar los resultados del experimento en trminos de un modelo de
regresin. Puesto que 2k es tan slo un diseo factorial, podra usarse un modelo de los efectos o de las
medias, pero el enfoque del modelo de regresin es mucho ms natural e intuitivo. Para el experimento
del proceso qumico de la figura 6-1, el modelo de regresin es
y= Po +P1X1 +fJ2X2 +e
donde Xl es una variable codificada que representa la concentracin del reactivo y X2 es una variable codi-
ficada que representa la cantidad del catalizador y las fJ son los coeficientes de regresin. Larelacin en-
'labia 6.2 Signos algebraicospara calcular los

efectos en el diseti.o22
Combinacin de Efecto factorial
tratamientos 1 A B AB
(1) + +
a + +
b + +
ab + + + +
224 CAPTULO 6 DISEO FACTORIAL 2k
tre las variables naturales -la concentracin del reactivo y la cantidad de catalizador- y las variables
codificadas es
Concentracin - (Concentracin baja + Concentracin alta )/ 2
Xl"'"
(Concentracin alta - Concentracin baja) / 2
y
Catalizador- (Catalizador bajo +Catalizadorj., ) /2
X
2
=----------------~--~--------------
(Catalzadorj ., Catalizador 2 bajo ) /
Cuando las variables naturales slo tienen dos niveles, esta codificacin producir la familiar nota-
cin 1 para los niveles de las variables codificadas. Para ilustrar esto en el ejemplo tratado, observe que
Concentracin - (15 + 25) / 2
X = -----------'-----.<__-
1 (25-15)/2
Concentracin - 20
= 5
Por lo tanto, si la concentracin est en el nivel alto (Concentracin = 25%), entonces Xl = + 1; si la con-
centracin est en el nivel bajo (Concentracin = 15%), entonces Xl = -1. Adems,
Catalizador- (1 + 2)/2
x2= (2-1)/2
Catalizador-l.S
= 0.5
Por lo tanto, si el catalizador est en el nivel alto (Catalizador = 2 libras), entoncesz, = +1; si el cataliza-
dor est en el nivel bajo (Catalizador = 1 libra), entonces X2 = -1.
El modelo de regresin ajustado es
y= 8.33)Xl + (-5.00)
27.5+(2 -2- x2
donde la ordenada al origen es el gran promedio de las,12 observaciones, y los coeficientes de regresin 131
y 132 son la mitad de las estimaciones de los efectos de los factores correspondientes. La razn de que el
coeficiente de regresin sea la mitad de la estimacin del efecto es que un coeficiente de regresin mide el
efecto de un cambio unitario enx sobre la media dey, y la estimacin del efecto se basa en un cambio de
dos unidades (de -1 a + 1). Se demostrar ms adelante que este mtodo simple para estimar los coefi-
cientes de regresin consiste en producir las estimaciones de mnimos cuadrados de los parmetros. Ver
tambin el material suplementario de este captulo.
Residuales y adecuacin del modelo
El modelo de regresin puede usarse para obtener el valor predicho o ajustado de y en los cuatro puntos
del diseo. Los residuales son las diferencias entre el valor observado y el valor ajustado de y. Por ejem-
plo, cuando la concentracin del reactivo est en el nivel bajo (Xl = -1) y el catalizador est en el nivel bajo
(x2 = -1), el rendimiento predicho es
y= 27.5+
8.33) (-1)+ (-5.00)
(2 -2- (-1)
= 25.835
6-2 EL DISEO 2Z 225
. Hay tres observaciones en esta combinacin de tratamientos, y los residuales son

el = 28- 25.835= 2.165
. = 25- 25.835=-0.835
e3 = 27-25.835= 1.165
Los valores predichos y los residuales restantes se calculan de manera similar. Para el nivel alto de la con-
centracin del reactivo y el nivel bajo del catalizador,
y= 8.33)(+1)+ (-5.00)
27.5+(-2- -2- (-1)
= 34.165
y
e4 = 36- 34.165=1.835
e5 = 32- 34.165=-2165
e6 = 32- 34.165=-2.165
Para el nivel bajo de la concentracin del reactivo y el nivel alto del catalizador,
y= 8.33)(-1)+ (-5.00)
27.5+(-2- -2- (+1)
= 20.835
y
e7 = 18- 20.835= - 2.835
es = 19- 20.835= -1.835
e9 = 23- 20.835=2165
Por ltimo, para el nivel alto de ambos factores,
y= 8.33)(+1)+ (-5.00)
27.5+(-2- -2- (+1)
= 29.165
y
elO = 31- 29.165= 1.835
en = 30-29.165=0.835
e12 = 29- 29.165=-0.165
En la figura 6-2se presenta una grfica de probabilidad normal de estos residuales y una grfica de los re-
siduales contra el rendimiento predicho. Estas grficas parecen ser satisfactorias, por lo que no hay razn
para sospechar problemas con la validez de las conclusiones.
La superficie de respuesta
El modelo de regresin
y= 8.33)Xl + (-5.00)
27.5+(-2- -2- x2
------------------------------------------------------------------ __-------------------------------
226 CAPTULo 6 DISEO FACTORIAL 2k

"r-,---~----~--~----r_--~--_.~
+
~ 80
(5 70
e
~ 50
:a
11 30
~ 20
10
5 +
-2.000 2,167 --0.333 0.500 1.333 2.167

Residual
o) Grficade probabilidad normal
I I I I I _
2.167 - k IX
X X
1.333 -
X
X
-
X
.,
0.500 - -
"'gj'" -0.333
;;
X
- -
a: X
-1.167 r- -
-2.000 r-
X
X
-
-2.833 r- ~ I -
I I I I I
20.83 23.06 25.28 27.50 29.72 31.94 34.17
Rendimientopredicho
b) Residualescontra el rendimiento predicho
Figura 6-2 Grficas de los residuales para el experimento del proce-

so qumico.
puede usarse para generar grficas de superficie de respuesta. Si se desea construir estas grficas en trminos
de los niveles de los factores naturales, entonces simplemente las relaciones entre las variables naturales y las .
codificadas que se dieron anteriormente se sustituyen en el modelo de regresin, de donde se obtiene
y= 27.5+ (8;3)(Concentr;cin - 20)+(-5~OO)(Cataliz~~or-1.5)
= 18.33+ O.8333Concentracin - 5.OOCat,alizador
En la figura 6-3a se presenta la grfica de superficie de respuesta tridimensional del rendimiento de

este modelo, y la figura 6-3b es la grfica de contorno. Puesto que el modelo es de primer orden (es decir,
contiene nicamente los efectos principales), la superficie de respuesta ajustada es un plano. Al examinar
6-2 EL DISEO 21 227
34.17
29.72
1.800 25.00
~IJ. 1.600 23.00
~/O! 21.00 .,.0
"b-Ql 1.400 19.00 ~le-P'
"'0"l
'4-
I>~'
1.200
1.000
15.00
17.00
Col'
rfl~(ec
\bf'Oe
al Superficie de respuesta
2.000
1.833
15
"C
.~
-;
~
~
"C
:g'"
s:
J
1.167
1.000
15.00
Concentracin del reactivo
b) Grfica de contorno
Figura 63 Grfica de la superficiede respuesta y grficade contorno del

experimento del proceso qumico.
la grfica de contorno se observa que el rendimiento aumenta cuando la concentracin del reactivo se in-
crementa y la cantidad de catalizador disminuye. Frecuentemente se usa una superficie ajustada como
sta para encontrar la direccin del mejoramiento potencial de un proceso. Una manera formal de hacer
esto, llamada mtodo del ascenso ms pronunciado, se presentar en el captulo 11 cuando se estudien los
mtodos para realizar la exploracin sistemtica de las superficies de respuesta.
228 CAPruLO 6 DISEOFACTORIAL2'
6~3 EL DISEO 23
Suponga que tres factores, A, B y e, cada uno con dos niveles, son.de inters. Al diseo se le llama diseo
factorial2l, y en.este caso la representacin geomtrica de las ocho combinaciones de tratamientos puede
hacerse con un cubo, como se muestra en la figura 6-4a. Utilizando la notacin" +" Y"-" para representar
los niveles alto y bajo de los factores, las ocho corridas del diseo 23 pueden enlistarse como en la figura
6-4b. Se le conoce en ocasiones como la matriz del diseo. Haciendo una ampliacin de la notacin de las
etiquetas revisada en la seccin 6-2, las combinaciones de los tratamientos en el orden estndar se escri-
ben como (1), a, b, ab, e, ae, be y abe. Recuerde que estos smbolos representan tambin el total de las n
observaciones hechas con esa combinacin de tratamientos particular.
Existen en realidad tres notaciones diferentes para las corridas del diseo 23 que son de uso general.
La primera es la notacin + y -, llamada con frecuencia notacin geomtrica. La segunda es el uso de las
etiquetas en letras minsculas para identificar las combinaciones de los tratamientos. La tercera y ltima
notacin utiliza 1 y Opara denotar los niveles alto y bajo, respectivamente, de los factores, en lugar de
+ y -. Estas diferentes notaciones se ilustran enseguida para el diseo 23:
Corrida A B e Etiquetas A B e
1 (1) o o o
2 + a 1 O O
3 + b O 1 O
4 + + ab 1 1 O
5 + e O O 1
6 + + ae 1 O 1
7 + + be O 1 1
8 + + + abe 1 1 1
Hay siete grados de libertad entre las ocho combinaciones de tratamientos del diseo 23 Tres grados
e.
de libertad se asocian con los efectos principales deA, B y Cuatro grados de libertad se asocian con las
interacciones; uno con cada una de las interacciones AB, Ae y Be y uno con la interaccin ABe.
Considere la estimacin de los efectos principales. Primero, considere la estimacin del efecto princi-
palA. El efecto deA cuando B y e estn en el nivel bajo es [a - (l)]/n. De manera similar, el efecto deA
Factor
Corrida A B e
1
2 +
:3 +
4 + +
5 +
6 + +
+ 7 + +
Bajo Alto
8 + + +
Factor A
a) Vista geomtrica b) La matriz del diseno
Figura 6-4 El diseofactorial 23

63 EL DISEO 2' 229
cuando B est en el nivel alto y e est en el nivel bajo es [ab- b]/n. El efecto deA cuando e est en el nivel
alto y B est en el nivel bajo es [ae-e]/n. Por ltimo, el efecto deA cuando tantoB como e estn en el ni-
vel alto es [abe-be]/n. Porlo tanto, el efecto promedio deA es slo el promedio de estos cuatro efectos, o
1
A= -[a-(1)+ab-b+oe-e+abe-be] (6-11)
4n
Esta ecuacin tambin puede desarrollarse como un contraste entre las cuatro combinaciones de tra-
tamientos de la cara derecha del cubo de la figura 6-50 (dondeA est en el nivel alto) y las cuatro de la
cara izquierda (donde A est en el nivel bajo). Es decir, el efecto deA es slo el promedio de las cuatro co-
rridas donde A est en el nivel alto (YA +) menos el promedio de las cuatro corridas donde A est en el nivel
bajo (YA-)' o
A= YA. - YA-
a+ab+ac+abc (1)+b+e+bc
=------
4n 4n
Esta ecuacin puede reescribirse como
1
A:= -[a+ab+ae+abe-(1)-b- e-be]
4n
que es idntica a la ecuacin 6-11.
.
J!liI r e
e
. lIIi
11
A B
.
C
al Efectosprincipales
AB AC BC
bl Interaccinde dos factores
= corridas +
CtL:A
O m corridas-
ABC
el Interaccinde los tres factores
Figura 65 Representacin geomtrica de los contrastes que corresponden a

los efectos principales y las interacciones del diseno 23
230 CAPTULO 6 DISEO FACTORIAL 2
De manera similar, el efecto de B es la diferencia en los promedios entre las cuatro combinaciones de
tratamientos de la cara frontal del cubo y las cuatro de la cara posterior. Se obtiene as
B = Y)l+
- - Y- r
1
= -[b+ab+bc+abc-(l)-a-c-ae] (6-12)
4n
El efecto de C es la diferencia en los promedios entre las cuatro combinaciones de tratamientos de la cara
superior del cubo y las cuatro de la cara inferior, es decir,
C= Ye+ - Ye-
1
= 4n [c+ac+bc+abc-(l)-a- b-ab] (6-13)
Los efectos de la interaccin de dos factores pueden calcularse con facilidad. Una medida de la in-
teraccinAB es la diferencia entre los efectos promedio deA con los dos niveles de B. Por convencin, a la
mitad de esta diferencia se le llama la interaccin AB. Utilizando smbolos,
B Efecto promedio deA

Alto (+) [(abe-be)+(ab -b)]
2n
Bajo (-) {(ae -e)+ [a -(1)]}
2n
Diferencia [abe -be+ ab -b -ae+ e -a+ (1)]
2n
Puesto que la interaccin AB es la mitad de esta diferencia,
AB= [abc-bc+ab-b-ac+c-a+(l)]
(6-14)
4n
La ecuacin 6-14 puede escribirse de la siguiente manera:
AB= abe+ab+c+(l) bc+b+ac+a

4n 4n
En esta forma, resulta fcil ver que la interaccinAB es la diferencia en los promedios entre las corridas
de dos planos diagonales del cubo de la figura 6-5b. Utilizando un razonamiento lgico similar y con refe-
rencia a la figura 6-5b, las interacciones AC y BC son
1
AC= -[(l)-a+b-ab-c+ae-be+ube] (6-15)
4n
y
1
BC= -[(l)+a-b-ab- e-ae+be+abe] (6-16)
4n
63 EL DISEO 2' 231
La interaccinABC se define como la diferencia promedio entre la interaccinAB para los dos dife-
rentes niveles de C. Por lo tanto,
1
ABC = 4n{[abc- bc]- [ac- c]- [ab- b]+[a-(l)]}
1
= -[abc-bc-ac+c-ab+b+a-(l)] (6-17)
4n
Como antes, la interaccinABC puede considerarse como la diferencia de dos promedios. Si se aslan las
corridas de los dos promedios, stas definen los vrtices de los dos tetraedros que componen el cubo de la
figura 6-5c.
En las ecuaciones 6-11 a 6-17, las cantidades entre corchetes son contrastes de las combinaciones de
los tratamientos. Es posible desarrollar una tabla de signos positivos y negativos a partir de los contrastes,
la cual se muestra en la tabla 6-3. Los signos de los efectos principales se determinan asociando un signo
positivo con el nivel alto y un signo negativo con el nivel bajo. Una vez que se han establecido los signos de
los efectos principales, los signos de las columnas restantes pueden obtenerse multiplicando las columnas
precedentes apropiadas, rengln por rengln. Por ejemplo, los signos de la columnaAB son el producto
de los signos de la columna A y la columna B en cada rengln. El contraste de cualquier efecto puede ob-
tenerse fcilmente con esta tabla.
La tabla 6-3 tiene varias propiedades interesantes: 1) Con excepcin de la columna l, cada una de las
columnas tienen el mismo nmero de signos positivos y negativos. 2) La suma de los productos de los sig-
nos de dos columnas cualesquiera es cero. 3) La columna l multiplicada por cualquiera de las columnas
deja la columna sin cambio. Es decir, l es un elemento identidad. 4)El producto de dos columnas cuales-
quiera produce una columna de la tabla. Por ejemplo, A x B = AB, Y
ABxB= AB2 =A
Se observa que los exponentes de los productos se forman utilizando la aritmtica mdulo 2. (Es decir, el
exponente slo puede ser Oo 1; si es mayor que 1, se reduce con mltiplos de 2 hasta que es Oo 1.) Todas
estas propiedades se derivan de la ortogonalidad de los contrastes usados para estimar los efectos.
Las sumas de cuadrados de los efectos se calculan con facilidad, ya que cada efecto tiene un contraste
correspondiente con un solo grado de libertad. En el diseo 23 con n rplicas, la suma de cuadrados de
cualquier efecto es
ss = (Contraste )2 (6-18)
&t
Tabla 6.3 Signos algebraicos para calcular los efectos del disefio 23
tratamientos 1 A B AB C AC BC ABC
(1) + + + +
a + + + +
b + + + +
ab + + + +
e + + + +
ae + + + +
be + + + +
abe + + + + + + + +
232 CAPTULo 6 DISENO FACTORIAL 2"
EJEMPLO 6~1 ....................................................

Recuerde el ejemplo 5-3,donde se present un estudio del efecto del porcentaje de carbonatacin, la pre-
sin de operacin y la velocidad de lnea sobre la altura de llenado de una bebida carbonatada. Suponga
que slo se usan dos niveles de carbonatacin, de tal modo que el experimento es un diseo factorial 23
con dos rplicas. Los datos (es decir, las desviaciones de la altura de llenado de especificacin) se mues-
tran en la tabla 6-4, y en la figura 6-6 se presenta la representacin geomtrica del diseo.
Al utilizar los totales bajo las combinaciones de los tratamientos que se muestran en la tabla 6-4, los
efectos de los factores pueden estimarse de la siguiente manera:
1 .
A = 4n[a- (1)+ab- b+ac- c+.abe-be]
1
= 8[1-(-4)+5-(-1)+3- (-1)+11- 2]
1
= -[24]= 100
8
1
B = 4n[b+ab+be+abe- (1)- a- c-ae]
1
= 8[-1 +5+2+11-(..,-4)-1- (-1)- 3]
1
= 8[18]=2.25
1
C= -[e+ac+be+abc-(l)-a-b-ab]
4n .
1
= 8[-1 +3+2+11-(-4)-1-(-1)- 5]
1
= 8[14]=1.75
1
AB = 4n[ab-a- b+(l)+abc-bc-ac+c]
1
= 8[5-1-(-1)+(-4)+11- 2- 3+(-1)]
1
= -[6]
8
= 0.75
Tabla 6-4 El experimento de la altura de llenado, ejemplo 6-1

Desviacin de la
Factores codificados altura de llenado Niveles del factor
Corrida A B e Rplica 1 Rplica 2 Bajo (-1) Alto (+1)
1 -1 -1 -1 -3 -1 A (psi) 10 12
2 1 -1 -1 O 1 B (psi) 25 30
3 -1 1 -1 -1 O e (b/min) 200 250
4 1 1 -1 2 3
5 -1 -1 1 -1 O
6 1 -1 1 2 1
7 -1 1 1 1 1
8 1 1 1 6 5
6,3 EL DISEO 2' 233
bc=2
e =-1
250 bpm + "' __ "'110.-_,,-
1
1
Velocidad (e) 1
_)!:'-l..
200 bpm ""

- t'o1,.,1:,,,) ,:,-.;.- ::.,4
_.;;.... ........
10% 12%
Carbonatacin (A)
Figura 6-6 El diseo 23 para el experimento de la desviacinde

la altura de llenado del ejemplo 6-1.
1
Ae= 4n [(1)-a+b-ab-c+ac-bc+abc]
1
= 8[-4-1 +(-1)- 5-(-1)+3- 2+11]
1
= "2[2]=0.25
1
Be = 4n [(1)+a - b- ab- c- ac+bc+abc]
1
= 8[-4+1-(-1)- 5-(-1)- 3+2+11]
1
= 8[4]= 0.50
y
1
ABe = 4n [abc-bc-ac+c-ab+b+a-(l)]
1
= 8[11- 2- 3+(-1)- 5+(-1)+1-(-4)]
1
= 8[4]= 0.50
Los efectos ms grandes son para la carbonatacin (A = 3.00), la presin (B = 2.25),la velocidad (e =
1.75)Yla interaccin carbonatacin-presin(AB = 0.75),si bien el efecto de la interaccin no parece te-
ner un impacto tan grande sobre la desviacin de la altura de llenado como los efectos principales.
Las sumas de cuadrados se calculan con la ecuacin 6-18 de la siguiente manera:
SS = (24)2 = 36.00
A 16
SS = (18)2= 20.25
B 16
SS = (14)2= 12.25
e 16
234 CAPTIlLO 6 DISENO FACTORIAL 2k
Tabla 6-5 Resumende la estimacinde losefectosdelejemplo6-1

Estimacin Sumasde Contribucin
Factor del efecto cuadrados porcentual
A 3.00 36.00 46.1538
B 2.25 20.25 25.9615
e 1.75 12.25 15.7051
AB 0.75 2.25 2.88462
AC 0.25 0.25 0.320513
BC 0.50 1.00 1.28205
ABC 0.50 1.00 1.28205
Error puro 5.00 6.41026
Total 78.00
SS AB = (6)2 == 2.25
16
(2)2
SS AC = 16== 0.25
(4)2
SS BC = 16== 1.00
y
ss ABe
== (4)2 == 1.00
16
La suma de cuadrados total es SST = 78.00, Ypor sustraccin, SSE = 5.00. En la tabla 6-5 se resumen las
estimaciones de los efectos y las sumas de cuadrados. La columna etiquetada "contribucin porcentual"
mide la contribucin porcentual de cada uno de los trminos del modelo a la suma de cuadrados total. La
contribucin porcentual es con frecuencia una gua aproximada pero efectiva de la importancia relativa
de cada trmino del modelo. Observe que los efectos principales dominan en realidad este proceso, expli-
cando ms de 87% de la variabilidad total, mientras que la interaccin AB explica menos de 3%.
El anlisis de varianza de la tabla 6-6 puede usarse para confirmar la magnitud de estos efectos. Por la
tabla 6-6 se observa que los efectos principales son altamente significativos (todos tienen valores P muy
Tabla6-6 Anlisisde varianzade losdatosde la alturade llenado

Porcentaje de carbonatacin (A) 36.00 1 36.00 57.60 <0.0001
Presin (B) 20.25 1 20.25 32.40 0.0005
Velocidadde lnea (e) 12.25 1 12.25 19.60 0.0022
AB 2.25 1 2.25 3.60 0.0943
Ae 0.25 1 0.25 OAO 0.5447
Be 1.00 1 1.00 1.60 0.2415
ABC 1.00 1 1.00 1.60 0.2415
Error 5.00 8 0.625
Total 78.00 15
6-3 EL DISEO 23 235
pequeos). La interaccinAB es significativa con un nivel aproximado de 10%; por lo tanto, existe una li-
gera interaccin entre la carbonatacin y, la presin.
Quiz el lector quiera referirse al ejemplo 5-3 para la interpretacin prctica de este experimento.
Los responsables del proceso decidieron correrlo con presin baja y velocidad de linea alta, y reducir la
variabilidad de la carbonatacin controlando con mayor precisin la temperatura. Se consigui as una
reduccin sustancial en la desviacin de la altura de llenado del valor objetivo .
. .. . ... . . .. .
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ....
.. .. .. .. .. .. .. .. .. .. .. .. . .
' .
El modelo de regresin y la superficie de respuesta

El modelo de regresin para predecir la desviacin de la altura de llenado es
y= {Jo +{Jx +{J2X2 +{J3X3 +{J12Xx2

= 1.00+3.00) +(2.25)
-2- x2 +(1.75)
2 X3 +(0.75)
2 XX2'
(-2- x
donde las variables codificadas Xl' X2 YX3 representan a A, B Ye, respectivamente. El trmino XX2 es la in-
teraccinAB. Los residuales pueden obtenerse como la diferencia entre las desviaciones de la altura de
llenado observada y la predicha. El anlisis de estos residuales se deja como ejercicio para el lector .
En la figura 6-7 se muestra la superficie de respuesta y la grfica de contorno para la desviacin de la
altura de llenado obtenida con el modelo de regresin, suponiendo que la velocidad de lnea est en el ni-
vel alto (x3 = 1). Observe que como el modelo contiene la interaccin, las lneas de contorno de la desvia-
cin de las alturas de llenado constantes son curvas (o la superficie de respuesta es un plano "torcido").
Es deseable operar este proceso de llenado de tal modo que la desviacin del llenado est tan cerca de
cero como sea posible. La grfica de contorno indica que si la velocidad de linea est en el nivel alto, en-
tonces hay varias combinaciones de los niveles de la carbonatacin y la presin que satisfarn este objeti-
vo. Sin embargo, ser necesario ejercer un control preciso de estas dos variables.
Solucin por computadora

Hay muchos paquetes de software de estadstica que establecern y analizarn diseos factoriales con dos
niveles. La salida de uno de estos programas de computadora, Design-Expert, se muestra en la tabla 6-7.
En la parte superior de la tabla se presenta el anlisis de varianza del modelo completo. El formato de
esta presentacin es un tanto diferente de los resultados dados en la tabla 6-6. Observe que el primer ren-
gln del anlisis de varianza es un resumen global del modelo completo (todos los efectos principales y las
interacciones), y la suma de cuadrados del modelo es
SSModelo = SS A +SSB +SSc +SS AIl +SS AC +SSBC +SS AIlC
= 710
Por lo tanto, el estadstico
Fa = MSModelO = 10.43= 16.69
MSE 0.63
est probando las hiptesis
Hu:f3 = 132 = 133 = 1312 = 1313 = 132.1 = 13m = O
H : al menos una 13 '#
236 CAPfTUW 6 DISEOFACTORIALz.
01 La superficie de respuesta
29.17
e
-o
-~ 27.50
e,
Carbonataci6n
bl La grfica de contorno
Figura 6-7 Superficie de respuesta y grfica de contorno de la desvia-

cin de la altura de llenado, con la velocidad en el nivel alto (250 bpm),
ejemplo 6-1.
Tabla 67 Salida de Design-Expert para el ejemplo 6-1
Response: Fill DeviItion in HeOght
ANOVA for SeIectecI Factorial Modal
AnaIysJs o, varlanc:e tabla rPartlal ... m of ....... J
Sumof Me.n F
Source Squar.. DF Square Value Prob,. F
A 36.00 1 36.00 57.80 <0.0001
S 20.25 1 20.25 32.40 0.0005
C 12.25 1 72.25 19.60 0.0022
AS 2.25 1 2.25 3.60 0.0943
AC 0.25 1 0.25 0.40 0.5447
BC 1.00 1 1.00 1.60 0.2416
ABC 1.00 1 7.00 1.60 0.2416
Residual 5.00 8 0.63
LackofFit 0.000 O
Pure Error 5.00 8 0.63
CorTotal 78.00 15
PRESS 20.00 Adeq Preelsion 13.416
CoaffIcIent Stanct.rd 95%CI 95%CI
Factor Estimate DF Error Low Hlgh VlF
Intercept
A-Carbonation
1.00
1.50 ,
1 0.20
0.20
0.54
1.04
1.46
1.96 1.00
B-Pressure 1.13 1 0.20 0.67 1.58 1.00
C-Speed 0.88 1 0.20 0.42 1.33 1.00
AS 0.38 1 0.20 -0.081 0.83 1.00
AC 0.13 1 0.20 -0.33 0.58 1.00
BC 0.26 1 0.20 -0.21 0.71 1.00
ASC 0.26 1 0.20 -0.21 0.71 1.00
Final Equatlon in Terma of Coded Factors:
FHI Deviation '"
+1.00
+1.50 A
+1.13 S
+0.88 C
+O.38A S
+0.13A *C
+0.25S C
+0.25AS C
Final Equlltion In Terms of Actual Factors:

FIIIDevlation ""
-225.50000
+21.00000 Cal"bonation
+7.80000 Pressure
+ 1.08000 Speed
-0.75000 Camonation Pressure
-0.10500 Camonation Speed
-0.040000 *Pressure *Speed
+4.00000E-OO:*Carbonation Pressure Speed
Reduced Modal:
Respons.: FIII Daviation in HGlight
ANOVA for Selected factorial ModeI
Analysis of varlance tabla [Partlal sum of ....... J
237
Tabla 6-7 (continuaci6n)
Sumof Mean F
Model 70.75 4 17.69 26.84 <0.0001 significant
A 36.00 1 36.00 54.62 <0.0001
8 20.25 1 20.25 30.72 0.0002
e 12.25 1 12.25 18.59 0.0012
A8 2.25 1 2.25 3.41 0.0977
Residual 7.25 11 0.66
LackofFit 2.25 3 0.75 7.20 0.3700 not significant
Pure Error 5.00 8 0.63
Car Total 78.00 15
eoefficlent Standard 950/0el 950/0CI
Factor Estimate DF Error Low Hlgh VIF
Intercept 1.00 1 0.20 0.55 1.45
A-Carbonation 1.50 1 0.20 1.05 1.95 1.00
B-Pressure 1.13 1 0.20 0.68 1.57. 1.00
C-Speed 0.88 1 0.20 0.43 1.32 1.00
AB 0.38 1 0.20 -0.072 0.82 1.00
Final Equation In Terms of eoded Factors:
FiII Deviation =
+1.00
+1.50 *A
+1.13 *B
+0.88 *C
+0.38 *A *B

FiII Deviatan =
+9.62500
-2.62500 *Carbonation
-1.20000 *Pressure
+0.035000 "Speed
+0.15000 *Carbanation *Pressure
Standard Actual Predicted Student Cook's Outlier
Order Value Value Residual Leyerase Residual Distance t
1 -3.00 -2.13 -0.88 0.313 -1.300 0.154 -1.347
2 -1.00 -2.13 1.13 0.313 1.671 0.254 1.845
3 0.000 0.12 -0.12 0.313 -0.186 0.003 -0.177
4 1.00 0.12 0.88 0.313 1.300 0.154 1.347
5 -1.00 -0.63 -0.38 0.313 -0.557 0.028 -0.539
6 0.000 -0.63 0.63 0.313 0.928 0.078 0.922
7 2.00 3.13 -1.13 0.313 -1.671 0.254 -1.845
8 3.00 3.13 -0.13 0.313 -0.186 0.003 -0.177
9 -1.00 -0.37 -0.63 0.313 -0.928 0.078 -0.922
la 0.000 -0.37 0.37 0.313 0.557 0.028 0.539
l' 2.00 1.88 0.13 0.313 0.186 0.003 0.177
12 1.00 1.88 -0.88 0.313 -1.300 0.154 -1.347
13 1.00 1.13 -0.13 . 0.313 -0.186 0.003 -0.177
14 1.00 1.13 -0.13 0.313 -0.186 0.003 -0 ..177
15 6.00 4.88 1.13 0.313 1.671 0.254 1.845
16 5.00 4.88 0.13 0.313 0.186 0.003 0.177
238
6-3 EL DISEO 2" 239
Puesto que Fo es grande, se concluira que al menos una de las variables tiene un efecto diferente de cero.
Entonces se prueba la significacin de cada efecto factorial individual utilizando el estadstico F. Estos re-
sultados concuerdan con la tabla 6-6.
Abajo del anlisis de varianza del modelo completo se presentan varios estadsticos R2 La R2 ordina-
ria es
R2 = SS Modelo = 73.00 = 0.9359
SS Total 78.00
y mide la proporcin de la variabilidad total explicada por el modelo. Un problema potencial con este es-
tadstico es que siempre se incrementa cuando se agregan factores al modelo, incluso cuando estos facto-
res no son significativos. El estadstico R2 ajustada, definido como
2 SSE / dIE 5.00/8
RAjU.tact. = 1- SSTO,a d'f
/ Total
= 1- 78.00/l 5 0.8798
es un estadstico que est ajustado para el "tamao" del modelo; es decir, para el nmero de factores. La
R2 ajustada puede decrecer en realidad si se agregan trminos no significativos al modelo. El estadstico
PRESS es una medida de qu tan bien predecir datos nuevos el modelo (PRESS es en realidad el acrni-
mo de Prediction Error Sum 01Squares +-suma de cuadrados del error de prediccin-, y se calcula a partir
de los errores de prediccin obtenidos al predecir el punto i-simo de los datos con un modelo que incluye
todas las observaciones, excepto la i-sima). Un modelo con un valor pequeo de PRESS indica que es po-
sible que el modelo sea un buen predictor. El estadstico "R2 de prediccin" se calcula como
2 PRESS 20.00
Rprediccin = 1- SSTOUJJ = 1- 78.00 = 0.7436
Esto indica que se esperara que el modelo completo explique cerca de 74% de la variabilidad de los datos
nuevos.
La siguiente seccin de la salida presenta el coeficiente de regresin de cada trmino del modelo y el
error estndar (se, standard error) de cada coeficiente, definido como
se(~)= ~V(~) = ~MSE = JO.625 = 0.20

n2k 2(8)
Los intervalos de confianza de 95% para cada coeficiente de regresin se calculan a partir de
~- t O.025,N_pse(~):s f3:s ~ +t O_025,N_pse(~)

donde los grados de libertad de t es el nmero de grados de libertad del error; es decir, N es el nmero to-
tal de corridas en el experimento (16), yP es el nmero de parmetros del modelo (8). Tambin se presen-
ta el modelo completo en trminos de las variables codificadas y de las variables naturales.
En la ltima seccin de la tabla 6-7 se ilustra la salida despus de eliminar los trminos de las interac-
ciones no significativas. Este modelo reducido contiene ahora slo los efectos principales A, B y e, y la
interaccinAB. La suma de cuadrados de los residuales o del error se compone ahora de un componen-
te del error puro ("Pure Error") que surge de las rplicas de los ocho vrtices del cubo, y un componen-
te de falta de ajuste ("Lack of Fit"), compuesto por las sumas de cuadrados de las interacciones que se
eliminaron del modelo (Be, Ae yABe). De nueva cuenta, la representacin del modelo de regresin
de los resultados experimentales se presenta en trminos de las variables codificadas y las variables na-
240 CAPTULo 6 DISEOFACfORIAL2'
turales. La proporcin de la variabilidad total de la desviacin de la altura del llenado que se explica por
este modelo es
R2 = SS Modelo = 70.75 = 0.9071

SSTOIaI 78.00
que es menor que laR2 del modelo completo. Observe, sin embargo, que laR2 ajustada del modelo reduci-
do apenas ha cambiado ligeramente respecto de la R2 ajustada del modelo completo, y PRESS del mode-
lo reducido es considerablemente menor, lo cual produce un valor ms grande de R;,edie<:i6n del modelo
reducido. Evidentemente, la eliminacin de los trminos no significativos del modelo completo ha produ-
cido un modelo final que posiblemente funcionar con mayor eficiencia como predictor de datos nuevos.
Observe que los intervalos de confianza para los coeficientes de regresin del modelo reducido son lige-
ramente ms cortos que los intervalos de confianza correspondientes en el modelo completo.
En la ltima seccin de la salida se presentan los residuales del modelo reducido. Design-Expert tam-
bin construir todas las grficas de los residuales que se estudiaron anteriormente.
Otros mtodos para evaluar la significacin de los efectos

El anlisis de varianza es una manera formal de determinar cules son los efectos de los factores que son
diferentes de cero. Existen varios mtodos ms que son tiles. A continuacin se indica cmo calcular el
error estndar de los efectos y cmo usar los errores estndar para construir intervalos de confianza para
los efectos. Otro mtodo, que se ilustrar en la seccin 65, utiliza grficas de probabilidad normal para
valorar la importancia de los efectos. .
Es sencillo encontrar el error estndar de un efecto. Si se supone que hay n rplicas en cada una de las
2" corridas del diseo, y si Yn, Yi2' ..., Yi" son las observaciones de la corrida i-sima, entonces
i = 1,2, ..., 2"
es una estimacin de la varianza de la corrida i-sima. Las estimaciones de la varianza del diseo 2" pue-
den combinarse para dar una estimacin de la varianza global:
(6-19)
sta es tambin la estimacin de la varianza dada por el cuadrado medio del error en el anlisis de varian-
za. La varianza de la estimacin de cada efecto es
V(Efecto) = V (c:~~~te )
1
= (n2k-l)2 V(Contraste)
Cada contraste es una combinacin lineal de los 2" totales de los tratamientos, y cada total consta de n ob-
servaciones. Por lo tanto,
V(Contraste) = n2" o?
6-3 EL DISEO 2' 241
y la varianza de un efecto es
2a
= .Jn2"
El error estndar estimado se encontrara sacando la raz cuadrada de esta ltima expresin y sustituyen.
do cr con su estimacin S2: .
2S
se(Efecto) =..1 n2 k (620)
Observe que el error estndar de un efecto es el doble del error estndar de un coeficiente de regre-
sin estimado en el modelo de regresin del diseo 2" (ver la salida de computadora de Design-Expen del
ejemplo 6-1).
Los intervalos de confianza de 100(1 - a) por ciento para los efectos se calculan a partir de Efecto
ta/2.N-pS'e(Efecto),donde los grados de libertad de t son slo los grados de libertad de los residuales o del
error (N - p = nmero total de corridas - nmero de parmetros del modelo).
Para ilustrar este mtodo, considere el experimento de la desviacin de la altura de llenado del ejem-
plo 6-1. El cuadrado medio del error esMSE = 0.625. Por lo tanto, el error estndar de cada efecto es (uti-
lizando S2 = MSE)
2S
se(Efecto) = ;:y
vn2
2./0.625
= ---::=~
~2(23 )
=0.40
Entonces, tO.0258 = 2.31 Y tO.025 (tS'e(Efecto)= 2.31(0.40) = 0.92, de donde los intervalos de confianza de
95% aproximados para los efectos de los factores son
A:lOOO.92
B:2250.92
e: 1.750.92
AB: 0.750.92
Ae: 0.250.92
Be: 0.500.92
ABe: 0.500.92
e
Este anlisis indica queA, B y son factores importantes, porque son las nicas estimaciones de los efec-
tos de los factores para las que los intervalos de confianza de 95% aproximados no incluyen al cero.
Efectos de dispersin
El ingeniero de proceso que trabaj en el caso del llenado tambin se interes en los efectos de disper-
sin; es decir, Zalguno de los factores afecta la variabilidad de la desviacin de la altura de llenado de una
R-1
250bpm + F-- ....... ....
1---
l
l
Velocidad (e) I
R-j.. __
200bpm R -_2... "' '" '" ....
10%
Carbonatacin (A)
Figura 68 Rangos de la desviacin de la altura de llenado del

ejemplo 61.
corrida a otra? Una manera de responder esta pregunta es examinando el rango de las desviaciones de la
altura de llenado para cada una de las ocho corridas del diseo 23 Estos rangos se grafican en el cubo de la
figura 6-8. Observe que los rangos son aproximadamente iguales para las ocho corridas del diseo. Por
consiguiente, no hay evidencia slida que indique que alguna de las variables del proceso afecte directa-
mente la variabilidad de la desviacin de la altura de llenado en el proceso.
6~4 EL DISEO GENERAL 2k
Los mtodos de anlisis que se han presentado hasta este punto pueden generalizarse para el caso de un
diseo factoral z", es decir, un diseo con k factores 'l_uetienen dos niveles cada uno. El modelo estadsti-
co para un diseo 2k incluira k efectos principales, ( ~) interacciones de dos factores, ( ~) interacciones de
tres factores, ..., y una interaccin de k factores. Es decir, para un diseo 2k el modelo completo conten-
dra 2k - 1 efectos. Tambin se usa aqu la notacin introducida anteriormente para las combinaciones de
los tratamientos. Por ejemplo, en un diseo 25, abd denota la combinacin de tratamientos con los facto-
e
res A, By D en el nivel alto y los factores y E en el nivel bajo. Las combinaciones de los tratamientos
pueden escribirse en orden estndar introduciendo los factores uno a la vez y combinando sucesivamente
cada nuevo factor con los que lo preceden. Por ejemplo, el orden estndar de un diseo 24 es (1), a, b, ab,
e, ae, be, abe, d, ad, bd, abd, cd, aed, bcd y abed.
El enfoque general para el anlisis estadstico del diseo 2k se resume en la tabla 6-8. Como se seal
anteriormente, suele emplearse un paquete de software de computadora en este proceso de anlisis.
A estas alturas, la secuencia de pasos de la tabla 6-8 debe resultar familiar. El primer paso es estimar
los efectos de los factores y examinar sus signos y magnitudes. De este modo el experimentador obtiene in-
Tabla 68 Procedimiento de anlisis

para un disefio 2k
1. Estimar los efectos de los factores
2. Formar el modelo inicial
3. Realizar las pruebas estadsticas
4. Refinar el modelo
5. Analizar los residuales
6. Interpretar los resultados
6-4 EL DISEO GENERAL 2 243
formacin preliminar respecto de los factores y las interacciones que pueden ser importantes, y en qu di-
recciones debern ajustarse estos factores para mejorar la respuesta. Para formar el modelo inicial del
experimento, por lo general se elige el modelo completo, es decir, todos los efectos principales y las interac-
ciones, siempre que se haya hecho una rplica de al menos uno de los puntos del diseo (en la seccin si-
guiente se revisa una modificacin de este paso). Despus, en el paso 3 se usa el anlisis de varianza para
probar formalmente la significacin de los efectos principales y las interacciones. En la tabla 6-9 se presenta
la forma general de un anlisis de varianza para un diseo factorial 2k con n rplicas. El paso 4, refinar el
modelo, suele consistir en la eliminacin de las variables no significativas del modelo completo. El paso 5 es
el anlisis residual usual para verificar la adecuacin del modelo y los supuestos. En ocasiones ocurrir una
refinacin del modelo despus del anlisis residual, si se encuentra que el modelo es inadecuado o que hay
violaciones serias de los supuestos. El ltimo paso consiste generalmente en el anlisis grfico: grficas de
los efectos principales o las interacciones, o superficies de respuesta y grficas de contorno.
Aun cuando los clculos descritos se realizan por 10general con una computadora, en ocasiones es ne-
cesario calcular manualmente la estimacin de un efecto o la suma de cuadrados de un efecto. Para estimar
un efecto o calcular la suma de cuadrados de un efecto, primero debe determinarse el contraste asociado
con ese efecto. Esto puede hacerse siempre utilizando una tabla de signos positivos y negativos, como la ta-
bla 6-2 o 6-3. Sin embargo, para valores grandes de k esto resulta laborioso, y puede usarse un mtodo alter-
nativo. En general, el contraste del efecto AB ..K se determina expandiendo el miembro derecho de
Contraste AB ...K = (a 1)(b 1)(k1) (6-21)
Tabla69 Anlisisde varianzade un diseo 2"

Fuente de Sumade Grados de
variacin cuadrados libertad
k efectosprincipales
A SSA 1
B SSB 1
K SSK 1
(~) interaccionesde dos factores
AB SSAB 1
AC SSAC 1
/K SSJK 1
(~) interaccionesde tres factores
ABC SSABC 1
ABD SSABD 1
ux SSUK 1
<Z ) = 1interaccinde k factores

ABC .. K SSABC...K 1
Error SSE 2k(n -1) . '.', ,"
Total SST n2k -1 , . .-. ~

'.~.
"
244 CAPTULO 6 DISEO FAcrORIAL 2'
Para expandir la ecuacin 6-21 se usa el lgebra ordinaria reemplazando "1" con (1) en la expresin final.
El signo de cada grupo de parntesis es negativo si el factor est incluido en el efecto y es positivo si el fac-
tor no est incluido.
Para ilustrar el uso de la ecuacin 6-21, considere un diseo factorial 23 El contraste deAB sera
Contraste AS = (a-1)(b-l)(c+ 1)
= abc+ab+c+(l)-ac- bc-a- b
Como un ejemplo ms, en un diseo 25, el contraste de ABCD sera
Contraste ABCD = (a-1)(b-1)(c-1)(d -l)(e+ 1)
= abcde+ cde+ bde+ ade + bce
+ace+abe+e+abcd +cd +bd
+ad+bc+ac+ab+(l)-a- b- e
- abc=d=abd=acd - bcd +e
- be- ce- abce- de- abde- acde- bcde
Una vez que se han calculado los contrastes de los efectos, pueden estimarse los efectos y calcular las
sumas de cuadrados de acuerdo con
ABK= ~(Contraste
n2k ABK
) (6-22)
y
1 2
SS AB ...K = n2k (Contraste AB.K) (6-23)
respectivamente, donde n denota el nmero de rplicas. Se cuenta tambin con un algoritmo tabular de-
bido al Dr. Frank Yates que en ocasiones puede ser til para el clculo manual de las estimaciones de los
efectos y las sumas de cuadrados. Referirse al material suplementario del texto de este captulo.
6~5 UNA SOLA RPLICA DEL DISEO 2k
Incluso para un nmero moderado de factores, el nmero total de combinaciones de tratamientos en un

diseo factorial 2k es grande. Por ejemplo, un diseo 25 tiene 32 combinaciones de tratamientos, un dise-
o 26 tiene 64 combinaciones de tratamientos, etc. Debido a que por lo general los recursos son limitados,
el nmero de rplicas que el experimentador puede emplear quizs est restringido. Con frecuencia, los
recursos disponibles permiten hacer nicamente una sola rplica del diseo, a menos que el experimen-
tador est dispuesto a omitir algunos de los factores originales.
Un riesgo obvio cuando se realiza un experimento que tiene una sola corrida para cada combinacin
de prueba es que el modelo puede ajustarse al ruido. Es decir, si la respuesta y es sumamente variable,
pueden resultar conclusiones engaosas del experimento. La situacin se ilustra en la figura 6-9a. En esta
figura, la lnea recta representa el verdadero efecto del factor. Sin embargo, debido a la variabilidad alea-
toria presente en la variable de respuesta (representada por la franja sombreada), el experimentador ob-
tiene en realidad las dos respuestas medidas representadas por los puntos negros. Por consiguiente, el
efecto del factor estimado est cerca de cero y el experimentador ha llegado a una conclusin errnea res-
pecto de este factor. Ahora bien, si hay menos variabilidad en la respuesta, la posibilidad de una conclu-
sin errnea ser ms reducida. Otra forma de asegurarse de que se obtienen estimaciones confiables de
los efectos es incrementando la distancia entre los niveles bajo (-) y alto ( +) del factor, como se ilustra en
6.5 UNA SOlA RPUCA DEL DISEO 21 245
Verdadero
efecto
del factor
+
Factor, ;c
al Distancia pequella entre los niveles del factor
Verdadero
efecto
del factor
Efecto estimCldo
del factor
+
Factor.:Jt;
bl Separacin agresiva de los niveles del factor
Figura 6-9 El impacto de la eleccin de los niveles del factor en un diseo

no replicado.
la figura 6-9b. Observe que en esta figura la distancia incrementada entre los niveles bajo y alto del factor
resulta en una estimacin razonable del verdadero efecto del factor.
El uso de la estrategia de una sola rplica es comn en los experimentos de exploracin cuando hay
un nmero relativamente grande de factores bajo consideracin. Debido a que en estos casos nunca pue-
de tenerse la certeza absoluta de que el error experimental es pequeo, una buena prctica en este tipo de
experimentos es separar los niveles de los factores de manera agresiva. Quizs el lector encuentre til re-
leer las pautas generales para elegir los niveles de los factores del captulo 1.
Una sola rplica de un diseo 2k se denomina en ocasiones diseo factorial no replicado. Con una
sola rplica, no se cuenta con ninguna estimacin interna del error (o "error puro"). Una forma de abor-
dar este anlisis de un diseo factorial no replicado consiste en suponer que algunas interacciones de or-
den superior son insignificantes y combinar sus cuadrados medios para estimar el error. Esto es una
apelacin al principio de efectos esparcidos; es decir, la mayora de los sistemas estn dominados por al-
gunos de los efectos principales y las interacciones de orden inferior, y la mayor parte de las interacciones
de orden superior son insignificantes.
---------------------------
246 cxrrnno 6 DISEO FACfORIAL 2k
Cuando se analizan datos de diseos factoriales no replicados, ocasionalmente ocurren interacciones

de orden superior reales, El uso de un cuadrado medio del error que se obtiene agrupando las interaccio-
nes de orden superior no es apropiado en estos casos. Un mtodo de anlisis atribuido a Daniel [35a] pro-
porciona una forma simple de resolver este problema. Daniel sugiere examinar una grfica de
probabilidad normal de las estimaciones de los efectos. Los efectos que son insignificantes siguen una
distribucin normal, con media cero y varianza er,
y tendern a localizarse sobre una lnea recta en esta
grfica, mientras que los efectos significativos tendrn medias diferentes de cero y no se localizarn sobre
la lnea recta. Por lo tanto, el modelo preliminar se especificar de tal modo que contenga aquellos efec-
tos que aparentemente son diferentes de cero, con base en la grfica de probabilidad normal. Los efectos
aparentemente insignificantes se combinan como una estimacin del error.
EJ"EMPLO 6 2 111 '" ..
Una sola rplica del diseo 24

Un producto qumico se fabrica en un envase presurizado. Se lleva a cabo un experimento factorial en la
planta piloto para estudiar los factores que se piensa influyen en el ndice de filtracin de este producto.
Los cuatro factores son la temperatura (A), la presin (B), la concentracin del formaldehdo (C) y la ve-
locidad de agitacin (D). Cada factor est presente con dos niveles. La matriz del diseo y los datos de la
respuesta obtenidos de una sola rplica del experimento 24 se muestran en la tabla 6-10 yen la figura 6-10.
Las 16 corridas se hacen de manera aleatoria. El ingeniero del proceso est interesado en maximizar el n-
dice de filtracin. Las condiciones actuales del proceso producen ndices de filtracin de alrededor de 75
gal/h, Asimismo, en el proceso actual la concentracin de formaldehdo, factor e, se usa en el nivel alto.
Al ingeniero le gustara reducir la concentracin de formaldehdo lo ms posible, pero no ha podido ha-
cerlo porque siempre produce ndices de filtracin ms bajos.
El anlisis de estos datos se iniciar construyendo una grfica de probabilidad normal de las estima-
ciones de los efectos. La formacin de signos positivos y negativos para las constantes de los contrastes
Tabla 6-10 Experimento del ndice de filtracin en la planta piloto

Nmero Factor Etiqueta de ndice de
de corrida A B e D la corrida filtracin (gal/h)
1 (1) 45
2 + a 71
3 + b 48
.4 + + ab 65
5. .',: + e 68
.6' , + + ae 60
T- + + be 80
8 + + + abe 65
'..9 ! + d 43 -, .
10 :"1 .."i.: + + ad 100 .~:
11 + + bd 45
12 + + + abd 104
- 13 ". .r
+ + ed 75
- 14 + + + aed 86 ."
15 :'~'.: :.; ,.' + + + bed 70

l() + + + + abed 96
6-5 UNA SOLA RPLICA DEL DISEO 2k 247
D
+
ct A
Figura 6-10 Datos del experimento del ndice de filtracin en la
planta piloto para el ejemplo 6-2.
del diseo 24 se muestra en la tabla 6-11. A partir de estos contrastes pueden estimarse 15 efectos factoria-
les, y las sumas de cuadrados se presentan en la tabla 6-12.
En la figura 6-11 se muestra la grfica de probabilidad normal de estos efectos. Thdos los efectos que
caen sobre la recta son insignificantes, mientras que los efectos grandes estn apartados de ella. Los efec-
tos importantes que surgen de este anlisis son los efectos principales de A, C y D Y las interacciones
ACyAD.
Los efectos principales de A, C y D se grafican en la figura 6-12a. Los tres efectos son positivos, y si
slo se consideraran estos efectos principales, los tres factores se correran en el nivel alto a fin de maxi-
.mizar el ndice de filtracin. Sin embargo, siempre es necesario examinar cualquier interaccin que sea
importante. Recuerde que los efectos principales no tienen mucho significado cuando estn presentes en
interacciones significativas.
Las interaccionesAC yAD se grafican en la figura 6-12b. Estas interacciones son la clave para resol-
ver el problema. Observe, por la interaccinAC, que el efecto de la temperatura es muy pequeo cuando
la concentracin est en el nivel alto y muy grande cuando la concentracin est en el nivel bajo, obte-
nindose los mejores resultados con la concentracin baja y la temperatura alta. La interaccinAD indica
que la velocidad de agitacinD tiene un efecto reducido con una temperatura baja, pero un efecto positi-
vo grande con la temperatura alta. Por lo tanto, los mejores ndices de filtracin pareceran obtenerse
cuandoA y D estn en el nivel alto y C est en el nivel bajo. Esto permitira la reduccin de la concentra-
cin de formaldehdo a un nivel ms bajo, otro de los objetivos del experimentador .
. ....... .
,. ,. ~ .
Proyeccin de un diseo
Es posible hacer otra interpretacin de los efectos de la figura 6-11. Pue~tqqe B (presin) no es signifi-
cativa y todas las interacciones en las que interviene B son insignificantes.B puede descartarse del experi-
mento, de tal modo que el diseo se convierte en un factorial 23 enA, C yD con dos rplicas. Esto es fcil
de ver examinando nicamente las columnasz, C y D en la matriz del diseo-que se muestra en la tabla
6-10 y observando que esas columnas forman dos rplicas de un diseo 23 En la tabla 6-13 se resume el
anlisis de varianza de los datos utilizando este spPllesto de simplificacin, Las conclusiones que se saca-
ran de este anlisis se mantienen en esencia sin cambios respecto de las del ejemplo 6-2. Observe que al
hacer la proyeccin de la rplica nica del diseo 24 en un diseo 23 con dos replicas, se tiene ahora tanto
una estimacin de la interap<;'pACI? como uI,laestimacin del error basada en lo que en ocasiones se de-
nomina rplica oculta. 'C.::.: .' ,:; :: , ;., : .. -.
~+II+I++I 1++1+11+
el 1++++1 1++1 I 1 1++

Q;)
81+1++1+1+1+11+1+
'<:r:
8++++11111111++++
~ 1++11++ + 1 1 + + 1 1 +
~++II++IIII++II++
~+I+I+I+I 1+1+1+1+
~ 11111111++++++++
~ 1++1+1 1+1++1+11+
~++I 1 1 1++++1111++
...
N
S~+I+I 1+1++1+11+1+
el
.:a
~~~ 1 1 1 1++++1 1 1 1++++
4J
~
tl
e
8~+11++11++11++1 i+
-~
'"
~Q:I 11++11++1 1++1 1++

~ ~ 1+1+1+1+1+1+1+1+
248
65 UNA SOLA RPLICA DEL DISEO 21 249
Tabla 6-12 Estimaciones de los efectos de los factores y sumas de
cuadrados del diseo factoral Z!del ejemplo 6Z
Trmino del Estimacin Suma de Contribucin
modelo del efecto cuadrados porcentual
A 21.625 1870.56 32.6397
B 3.125 39.0625 0.681608
C 9.875 390.062 6.80626
D 14.625 855.563 14.9288
AB 0.125 0.0625 0.00109057
AC -18.125 1314.06 22.9293
AD 16.625 1105.56 19.2911
BC 2.375 22.5625 0.393696
BD -0.375 0.5625 0.00981515
CD -1.125 5.0625 0.0883363
ABC 1.875 14.0625 0.245379
ABD 4.125 68.0625 1.18763
ACD -1.625 10.5625 0.184307
BCD -2.625 27.5625 0.480942
ABCD 1.375 7.5625 0.131959
99
o
95
AD
90
~o
c::
80
70
C

~
:.c 50
!
K 30
{l
20
#-
10
AC
5

-18.12 -8.19 21.62
Efecto
Figura 611 Grfica de probabilidadnormal de los efectospara el diseo factorial

24 del ejemplo 6-2.
250 CAPTULO 6 DISEO FACTORIAL Zl
o
'g 80
/
E
o
a
<= 70
'o
0
~
::; 60
'"o
."
'" 50
"
.s A C D
111Grficas de los efectos principales
100
Interaccin AC
'" 90
E
o
.,
'O
E 80
eo,
<=
: 70
"
~., 60
.,o
."
" 50
_.s:
40 +
A A
bIGrficas de las interacciones
Figura 6-12 Grficas de los efectos principales y las interacciones para el ejem-
plo 6-2.
Tabla 6-13 Anlisis de varianza del experimento del ndice filtracin en la planta piloto en A, e y D
variacin cuadrados libertad medio Fo Valor P
A 1870.56 1 1870.56 83.36 <0.0001
C 390.06 1 390.06 17.38 <0.0001
D 855.56 1 855.56 38.13 <0.0001
AC 1314.06 1 1314.06 58.56 <0.0001
AD 1105.56 1 1105.56 49.27 <0.0001
CD 5.06 1 5.06 <1
ACD 10.56 1 10.56 <1
Error 179.52 8 22.44
Total 5730.94 15
6-5 UNA SOLA RPUCA DEL DISEO 2l 251
El concepto de proyectar un diseo factorial no replicado en un diseo factorial con rplicas en me-
nos factores es muy til. En general, si se tiene una sola rplica del diseo 2\ y si h (h < k) factores son in-
significantes y pueden descartarse, entonces los datos originales corresponden a un diseo factorial
completo con dos niveles en los k - h factores restantes con 2h rplicas.
Verificacin de diagnstico
Debern aplicarse las verificaciones de diagnstico usuales a los residuales de un diseo 2k El anlisis
e
realizado indica que los nicos efectos significativos sonA = 21.625, = 9.875,D = 14.625,Ae = -18.125
YAV = 16.625. Si esto es correcto, los ndices de filtracin estimados estn dados por
21.625) x + (9.875)
"'=7 O06 + (-- -- 2 x 3 + (14.625)
-- 2 x ' - (18.125)
-- 2 xx13
J' 2 1
16.625)
+(-2- XIX,
donde 70.06 es la respuesta promedio y las variables codificadasx,x3,x4 asumen valores entre -1 y + 1.El
ndice de filtracin predicho para la corrida (1) es
y= 70.06+(21.~25) (_1)+(9.~75)(_1)+C4.~25)(_1)
_ (18.~25) (-1)(-1)+C6.~25)(-1)(-1)
= 46.22
Puesto que el valor observado es 45, el residual es e = y - y = 45 - 46.22 = -1.22. A continuacin se pre-
sentan los valores de y, y y e = y - y para las 16 observaciones.
y j e =y-j
(1) 45 46.22 -1.22
a 71 69.39 1.61
b 48 46.22 1.78
ab 65 69.39 -4.39
e 68 74.23 -6.23
ae 60 61.14 -1.14
be 80 74.23 5.77
abe 65 61.14 3.86
d 43 44.22 -1.22
ad 100 100.65 -0.65
bd 45 44.22 0.78
abd 104 100.65 3.35
ed 75 72.23 2.77
aed 86 92.40 -6.40
bed 70 72.23 -2.23
abcd 96 92.40 3.60
En la figura 6-13 se muestra la grfica de probabilidad normal de los residuales. Los puntos de esta grfica
se localizan razonablemente prximos a una lnea recta, brindando apoyo a la conclusin de que A, e, D,
Ae yAD son los nicos efectos significativos y que se satisfacen los supuestos fundamentales del anlisis.
-6.375 -3.34375 -0.3125 2.71875 5.75
Residual
La superficie de respuesta
Las grficas de las interacciones de la figura 6-12se utilizaron para ofrecer una interpretacin prctica de
los resultados de este experimento. En ocasiones es til emplear la superficie de respuesta para este fin.
La superficie de respuesta se genera por el modelo de regresin
fI=
J
7006
+ (21.625)
2 Xl +
(9.875)
2 x) +
(14.625)
2 x4
En la figura 6-14a se muestra la grfica de contorno de la superficie de respuesta cuando la velocidad de agita-
= =
cin est en el nivel alto (es decir, X4 1). Los contornos se generan a partir del modelo anterior conr, 1,o
Y = 773725
A
. +(38.25)
2 Xi + (9.875)
2 x3 _ (18.125)
2 XiX)
Observe que los contornos son lneas curvas porque el modelo contiene un trmino de interaccin.
La figura 6-14b es la grfica de contorno de la superficie de respuesta cuando la temperatura est en
el nivel alto (es decir, Xl =
1). Cuando se hace Xl =
1 en el modelo de regresin se obtiene
J= 80.8725-(8~)X3 +e1;25)X 4
6-5 UNA SOlA RPLICA DEL DISEO 2> 253
Temperetura, A (%1'
al Grflcade contorno con la velocidad de agitacinWI. %4- 1
~0.667
0.667 1.000
Concentracin. e (%3'
bl Grfica de oontorno oon la temperatura ""l. x, = 1
Figura 6-14 Grficas de contorno del fndice de filtracin, ejemplo 6-2.
Estos contornos son rectas paralelas porque el modelo contiene nicamente los efectos principales de los
factores e (X3) y D (X4)'
Ambas grficas de contorno indican que si se quiere maximizar el ndice de filtracin, las variables A
(Xl) y D (x4) debern estar en el nivel alto y que el proceso es relativamente robusto para la concentracin
C. Se obtuvieron conclusiones similares a partir de las grficas de las interacciones.
La mitad de gr6.ca normal de los efectos
Una alternativa para la grfica de probabilidad normal de los efectos de los factores es la mitad de grfica
normal. Es una grfica del valor absoluto de las estimaciones de los efectos contra sus probabilidades nor-
males acumuladas. En la figura 615 se muestra la mitad de grfica normal de los efectos para el ejemplo
62. La lnea recta de la mitad de grfica normal siempre pasa por el origen y deber pasar tambin cerca del
valor de los datos del percentil cincuenta. Muchos analistas sienten que es ms fcil interpretar la mitad de
254 CAPTULO 6 DISEO FACTORlAL 2k
"'C
97
9.5

i AC
a
16
90
AD
E
o
.:
"'C
~'"
85
80 D

t
70
60
.,
"'C
"if.
40
20
0.00 5.41 10.81 16.22 21.63
Efecto
Figura 615 Mitad de grfica normal de los efectos de losfactores del ejemplo 6-2.
grfica normal, en particular si s610se cuenta con pocas estimaciones de los efectos, como cuando el experi-
mentador ha usado un diseo de ocho corridas. Algunos paquetes de software construirn ambas grficas.
Otros mtodos para analizar diseos factoriales no replicados

El procedimiento de anlisis estndar para un diseo factorial de dos factores no replicado es la grfica
normal (o mitad de grfica normal) de los efectos estimados de los factores. Sin embargo, los diseos no
replicados son tan usados en la prctica que se han propuesto muchos procedimientos formales de anli-
sis para resolver la subjetividad de la grfica de probabilidad normal. Hamada y Balakrishnan [52] com-
pararon algunos de estos mtodos. Encontraron que el mtodo propuesto por Lenth [70] tiene una
potencia adecuada para detectar efectos significativos. Tambin es fcil de implementar y, como resulta-
do, est empezando a aparecer en algunos paquetes de software para analizar datos de diseos factoriales
no replicados. Se ofrece una breve descripcin del mtodo de Lenth. . ". :."
Suponga que se tienen m contrastes de inters, por ejemplo c}, C2, ... , Cm: Se] dlseftb es :tCtonal2k un
no replicado, estos contrastes corresponden a las m = 2k -1estimaciones'd los efeCtds de los factores: La
base del mtodo de Lenth es estimar la varianza de un contraste a partir de 'tal estimaciones ms-peque-
as (en valor absoluto) de los contrastes. Sean '. ".. :.~;,
"., .' s~:== i.s ><medl.an...<r(I):: ,_ . .':\).::... :'
l"
, '" ,,:' ': ,1'." ." ; . -,:' _, " .:.....;'.':, ',:. ,J:: ,'C
".::
,. ' " '
, -, '~>" . ; :1'; f.,~~'
r" , -:..,,' o,' ,';,,~ ,:; ::.
," ..( .-"," ~.-.
'. .: '" ..... :
",' ,-'"
.:, ~" t
6-5 UNA SOLA RPLICA DEL DISEO 2' 255
PSE denota el "pseudo error estndar", y Lenth demuestra que es un estimador razonable de la varianza
del contraste cuando no hay muchos efectos activos (significativos). El PSE se usa para juzgar la significa-
cin de los contrastes. Un contraste individual puede compararse con el margen de error (ME, margin 01
error)
ME = t O.025,J x PSE
donde los grados de libertad se definen como d = m13. Para hacer inferencias sobre un grupo de contras-
tes, Lenth sugiere usar el margen de error simultneo (5ME, simuJtaneous nuugin 01error)
SME= t;. xPSE
donde el punto porcentual de la distribucin t que se usa es y =

1 - (1 + O.951/m)/2.
Para ilustrar el mtodo de Lenth, considere el experimento 24 del ejemplo 62. Los clculos dan como
resultado So = 1.5 x 1-2.6251 = 3.9375 Y 2.5 x 3.9375 = 9.84375, de donde
PSE= 1.5 x 11.7~= 2625
ME= 2571 x 2625= 6.75
SME = 5.219 x 2625 = 13.70
Considere ahora las estimaciones de los efectos de la tabla 612. El criterio SME indicara que los cuatro
efectos ms grandes (en magnitud) son significativos, ya que las estimaciones de sus efectos exceden
SME. El efecto principal de C es significativo de acuerdo con el criterio ME, pero no con respecto al SME.
Sin embargo, puesto que es evidente que la interaccinAC es importante, probablemente C se incluira
en la lista de efectos significativos. Observe que en este ejemplo el mtodo de Lenth produjo la misma
respuesta que la obtenida anteriormente con el examen de la grfica de probabilidad normal de los
efectos.
Varios autores (ver Ramada y Balakrishnan [52], Loughin [73], Loughin y Noble [74] y Larntz y wht-
comb [69]) han hecho notar que el mtodo de Lenth falla para controlar los ndices del error tipo 1,y que
pueden usarse mtodos de simulacin para calibrar su procedimiento. Larntz y Whitcomb [69] sugieren
reemplazar los multiplicadores ME y SME con multiplicadores ajustados de la siguiente manera:
Nmero de contrastes 7 15 31
ME original 3.764 2.571 2.218
ME ajustado 2.295 2.140 2.082
SME original 9.008 5.219 4.218
SME ajustado 4.891 4.163 4.030
Estos resultados coinciden en gran medida con los de Ye y Hamada [114].

En general, el mtodo de Lenth es un procedimiento ingenioso y til. Sin embargo, recomendamos
utilizarlo como complemento de la grfica de probabilidad normal usual de los efectos, no como su susti-
tuto.
Bisgaard [10] ha proporcionado una sutil tcnica grfica, llamada carta de inferencia condicional,
como ayuda para interpretar la grfica de probabilidad normal. La finalidad de esta grfica es ayudar al
experimentador a juzgar los efectos significativos. Esto sera relativamente sencillo si se conociera la des-
viacin estndar a, o si pudiera estimarse a partir de los datos. En diseos no replicados, no se cuenta con
ninguna estimacin interna de a, por lo que la carta de inferencia condicional est diseada para ayudar
al experimentador a evaluar la magnitud de los efectos para un rango de valores de la desviacin estndar.
256 CAPfTIJLO 6 DISEO FACTORIAL 2k
Bsgaard fundamenta la grfica en el resultado de que el error estndar de un efecto, en un diseo de dos
niveles con N corridas (para un diseo factorial no replicado, N ::: 2k), es
2u '
JN
donde a es la desviacin estndar de una observacin individual. Entonces 2 veces el error estndar de
un efecto es
4a
+--
-JN
Una vez que se estiman los efectos, se hace una grfica como la que se muestra en la figura 6~16, con las
estimaciones de los efectos graficadas en el eje vertical, o eje y. En esta figura se han usado las estimacio-
nes de los efectos del ejemplo 6~2.El eje horizontal, OX, de la figura 6~16es la escala de la desviacin es-
tndar (a). Las dos rectas estn en
4a 4a
y=+- y y=-~
JN. JN
En el ejemplo tratado aqu,N = 16, por lo que las rectas estn eny = +ayy= -(J. Por lo tanto, para cual-
quier valor dado de la desviacin estndar a, la distancia entre estas dos rectas puede leerse como un in-
tervalo de confianza de 95% aproximado para los efectos insignificantes.
En la figura 616 se observa que si el experimentador piensa que la desviacin estndar est entre 4 y
8, entonces los factores A, C, D y las interaccionesAC yAD son significativos. Si el experimentador piensa
que la desviacin estndar tiene un valor de hasta 10, el factor C quiz no sea significativo. Es decir, para
Figura 616 Carta de inferencia condicional para el

ejemplo 6-2.
6-5 UNA SOLA RPUCA DELDISEO 21 257
D
+
I
4ITT~~ct
.).77- - ~/.43
2.7-2.44
A
Figura 6-17 Datos del experimento de perforacin del ejemplo 6-3.
cualquier supuesto dado acerca diela magnitud de a, el experimentador puede construir una "cinta de me-
dir" para juzgar la significacin aproximada de los efectos. La carta tambin puede usarse en sentido in-
verso. Por ejemplo, suponga que estuviera en duda si el factor e
es significativo o no. Entonces el
experimentador podra preguntar si es razonable esperar que a pudiera ser tan grande como 10 o ms. Si
es improbable que a sea tan grande como 10, entonces puede concluirse que es significativo.e
Se presentan ahora tres ilustrativos ejemplos de diseos factoriales 1! no replicados.
mEMPLO 6-3 " " . " " " . " " " " " " " " ......... IJI " " " " " " " " "
li'ansformacin de datos en un diseo factorial

Daniel [35b] describe un diseo factorial Z' utilizado para estudiar la rapidez de avance de una perforadora
como una funcin de cuatro factores: la carga de la perforadora (A),la rapidez de flujo (B), la velocidad de rota-
cin (C) y el tipo de lodo de perforacin usado (D). Los datos del experimento se presentan en la figura 6-17.
En la figura 6-18 se muestra la grfica de probabilidad normal de las estimaciones de los efectos de
este experimento. Con base en esta grfica, los factores B, e y D, junto con las interacciones Be y BD,
requieren interpretacin. La figura 6-19 es la grfica de probabilidad normal de los residuales y la fi-
99
B
95
~ 90
z,
"ii
Eo
e
al
:2
:i5
i
o 7
Estimacin del efecto
Figura 618 Grfica de probabilidad normal de los efectos del ejemplo 63.
258 CAPfTIJLO 6 DISEO FACfORIAL 2'

o
~
x
;-. 20 80
I
::. 30
o
; o
ee
o
50 50 ';;
i 70 30
:!i!
:s 80 20
.2l
::
D.. 90 10
95

99
-2 -1 O 2
Residuales
Figura 6-19 Grfica de probabilidad normal de los residuales del ejemplo 6-3.
gura 6-20 es la grfica de los residuales contra la velocidad de avance predicha a partir del modelo que
contiene los factores identificados. Hay problemas evidentes con la normalidad y la igualdad de la varan-
za. Con frecuencia se usa una transformacin de los datos para abordar estos problemas. Puesto que la va-
riable de respuesta es una razn de cambio, la transformacin logartmica parece un candidato razonable .

"t>

~ o

-1

Velocidad de avance predicha
Figura 6-20 Grfica de los residuales contra la velocidad de avance

predicha en el ejemplo 6-3.
6,5 UNA SOLA RPLICA DEL DISEO 2* 259
99
B
95
e
D 90
80
10
ni
g
E50 50';
o
c: ~~
~ 10 30
~ 80 20
~ 10
"-
o 0.3 0.6 0.9 1.2

Estimacindel efecto
Figura 6-21 Grfica de probabilidadnormal de los efectosdel ejemplo6-3des-

pus de la transformacin logartmica.
En la figura 6-21 se presenta la grfica de probabilidad normal de las estimaciones de los efectos des-
pus de hacer la transformacin y* = lny. Observe que al parecer ahora es posible una interpretacin
e
mucho ms simple, ya que slo los factores B, y D estn activos. Es decir, expresar los datos en la mtri-
ca correcta ha simplificado su estructura hasta el punto de que las dos interacciones han dejado de reque-
rirse en el modelo explicatorio.
5
o
:=x 10
:-. 20
S 30
o;
50
~
c:
.,
""O
70
:2
:iS 80
~ 90
95

99
-0.2 1) 0.1 0.2

Residuales
Figura 6-22 Grfica de probabilidad normal de los residuales del ejemplo 6-3
despus de la transformacin logartmica.
260 CAPTULO 6 DISEO FACTORIAL Z

0.1

~"'::1
:., O

oc

~.1

O
Velocidad de avance logartmica predicha
Figura 623 Grfica de los residuales contra la velocidad predicha

para el ejemplo 63 despus de la transformacin logartmica.
En las figuras 6-22 y 6-23 se presentan, respectivamente, una grfica de probabilidad normal de los
residuales y una grfica de los residuales contra la rapidez de avance predicha para el modelo en la escala
logartmica que contiene a B, C y D. Ahora estas grficas son satisfactorias. Se concluye que el modelo
y* = lny slo requiere los factoresB, Cy D para una interpretacin adecuada. En la tabla 6-14 se resume
el anlisis de varianza de este modelo. La suma de cuadrados del modelo es
SS Modelo = SSB +SSc +SSD
= 5.345+1.339+0.431
= 7.115
YR2 = SSModc1jSST = 7.115/7.288 = 0.98, por lo que el modelo explica cerca de 98% de la variabilidad de la
rapidez de avance de la perforadora.
EJEMPLO 6,,4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ..
Efectos de localizacin y dispersin en un diseo factorial no replicado
Se corri un diseo 24 en un proceso de manufactura de paneles laterales y ventanas de Un avin comer-
cial. Los paneles se hacen en una prensa, y bajo las condiciones actuales es demasiado elevado el nmero
Tabla 6-14 Anlisis de varianza del ejemplo6-3 despusde la transformacin logartmica

B (Flujo) 5.345 1 5.345 381.79 <0.0001
e (Velocidad) 1.339 1 1.339 95.64 <0.0001
D (Lodo) 0.431 1 0.431 30.79 <0.0001
Error 0.173 12 0.014
Total 7.288 15
6-5 UNA SOLA RPUCA DEL DISEO 2 261
Factores Bajo(-) Alto(+)
A - Temperatura (OF) 295 326
B - Tiempode 6ujecin(min) 7 9
e", Flujo de resina 10 20
D ~ liempo de cierre (s) 15 30
D
-r.
,.........,.5 9.5 55
,; 6/
T
~11/ IY
/
J--' ~/
12.5
-15.5 eL A
Figura 6-24 Datos del experimento del proceso de los paneles
del ejemplo 6-4.
promedio de defectos por panel en una operacin de prensado. (El promedio actual del proceso es 5.5 de-
fectos por panel.) Se investigan cuatro factores utilizando una sola rplica de un diseo 24, en el que cada
rplica corresponde a una sola operacin de prensado. Los factores son la temperatura (A), el tiempo de
sujecin (B), el flujo de resina (C) y el tiempo de cierre en el prensado (D). En la figura 6-24 se muestran
los datos de este experimento.
En la figura 6-25 se muestra la grfica de probabilidad normal de los efectos de los factores. Es evi-
= =
dente que los dos efectos ms grandes sonA 5.75 Ye -4.25. Ningn efecto de los otros factores pare-
ce ser tan grande, yA Y e explican cerca de 77% de la variabilidad total, por 10 que se concluye que la
temperatura (A) baja y el flujo de resina (C) alto reduciran la incidencia de defectos en los paneles.
El anlisis residual cuidadoso es un aspecto importante de cualquier experimento. La grfica de pro-
babilidad normal de los residuales no indic anomalas, pero cuando el experimentador grafic los resi-
99
eA
95
o
~
=
1
e
"
~'"
:o
11 lO
:f
c.
-10 -5 O 5 10
Efectosde los factores
Figura 6-25 Grficade probabilidad normal de los efectosde los factorespara
el experimento del proceso de los paneles del ejemplo 6-4.
262 CAPruLO 6 DISEO FACTORIAL 2k
5

.
~
:ll
-;
.,
::l
-o O
.~ :
B & Tiempo de sujecin
-5
Figura 626 Grfica de los residuales contra el tiempo de suje-
cin para el ejemplo 6-4.
duales contra cada uno de los factores A a D, la grfica de los residuales contra B (tiempo de sujecin)
present el patrn de la figura 6-26. Este factor, que carece de importancia en lo que se refiere al nmero
promedio de defectos por panel, es muy importante en su efecto sobre la variabilidad del proceso, con el
tiempo de sujecin bajo dando como resultado una variabilidad menor en el nmero promedio de defec-
tos por panel en una operacin de prensado.
El efecto de dispersin del tiempo de sujecin tambin es muy evidente en la grfica de cubo de la fi-
gura 6-27, donde se grafica el nmero promedio de defectos por panel y el rango del nmero de defectos
en cada punto del cubo definido por los factores A, By C. El rango promedio cuando B est en el nivel alto
(la cara posterior del cubo de la figura 6-27) es R 4.75, Ycuando B est en el nivel bajo es RE- 1.25. = =
Como resultado de este experimento, el ingeniero decidi operar el proceso con la temperatura baja
y el flujo de resina alto para reducir el nmero promedio de defectos, con el tiempo de sujecin bajopara
reducir la variabilidad en el nmero de defectos por panel, y con el tiempo de cierre en el prensado bajo
(el cual no tuvo ningn efecto ni sobre la localizacin ni sobre la dispersin). El nuevo ajuste de las condi-
ciones de operacin produjo un nuevo promedio del proceso de menos de un defecto por panel.
111 111 ,.
Los residuales de un diseo 2k proporcionan mucha informacin acerca del problema bajo estudio, Pues-
to que los residuales pueden considerarse como los valores observados del ruido o error, con frecuencia ofre-
cen informacin acerca de la variabilidad del proceso. Puede hacerse el examen sistemtico de los residuales
de un diseo 2k no replicado para proporcionar informacin acerca de la variabilidad del proceso.
R~3.5 R-4.5
3.2 7.25

l
20 R-O.~ R:.2/
0.75 j7'0
C= Flujo de resina R _ 4.5 ! R ~ 6.5
10
R", 1 ,,"
5.5
,,9.75- -
11.75
0-
- - :;;'2.25 9
R,;
7
TIempo de sujecin (min)
295 325
A ~ Temperatura (F)
Figura 6-27 Grfica de cubo de la temperatura, el tiempo de sujeciny el flujo de

resina para el ejemplo 6-4.
Considere la grfica de los residuales de la figura 6-26. La desviacin estndar de los ocho residuales
donde B est en el nivel bajo es S(Ir) = 0.83, y la desviacin estndar de los ocho residuales donde B est
en el nivel alto es S(B+) = 2.72. El estadstico
=
F" lo S2(B+) (6-24)
B S2(B-)
tiene una distribucin aproximadamente normal cuando las dos varianzas cr(B+) y cr(B-) son iguales.
Para ilustrar los clculos, el valor de F; es
S2(B+)
F" lo ~"--~
B S2(B-)
=
= In (272)2
(0.83)2
=237
En la tabla 6-15 se presenta el conjunto completo de contrastes para el diseo 24 junto con los resi-
duales para cada corrida del experimento del proceso de los paneles del ejemplo 6-4. Cada columna de
esta tabla contiene el mismo nmero de signos positivos y negativos, y es posible calcular la desviacin es-
tndar de los residuales de cada grupo de signos en cada columna, por ejemplo, S(i+) y S(i-) , i = 1,2, ..., 15.
Entonces
i = 1, 2, ... ,15 (6-25)
es un estadstico que puede usarse para evaluar la magnitud de los efectos de dispersin del experimento.
Si la varianza de los residuales de las corridas donde el factor i es positivo es igual a la varianza de los resi-
duales de las corridas donde el factor i es negativo, entonces F" tiene una distribucin aproximadamente
normal. Los valores de F; se presentan al fmal de cada columna de la tabla 6-15.
La figura 6-28 es la grfica de probabilidad normal de los efectos de dispersin F''. Evidentemente, B
es un factor importante en lo que se refiere a la dispersin del proceso. Para un estudio ms amplio de
0.1 99.9
99
o
o
,....
x 95
;:...
I 80
!:
.a :6
...
E 50 x
o r:a:,'"
.
c::
20
~
:c
6
~
a..
0.1
~.8 0.2 1.2 2.2
r:I
Figura 6-28 Grfica de probabilidad normal de los efectos de dispersin

F,.del ejemplo 6-4.
6-5 UNA SOLA RPLICA DEL DISEO 2t . 265
este procedimiento, ver Boxy Meyer [19] y Myers y Montgomery [85a]. Asimismo, para que los residuales
del modelo ofrezcan la informacin apropiada acerca de los efectos de dispersin, es necesario especifi-
car correctamente el modelo de localizacin. Referirse al material suplementario del texto de este captu-
lo para mayores detalles y un ejemplo.
EJEMPLO 6-S 111 " "
Mediciones duplicadas de la respuesta

Un equipo de ingenieros en una fbrica de semiconductores realizaron un diseo factorial 24 en un horno
de oxidacin vertical. Se "apilan" cuatro obleas en el horno, y la variable de respuesta de inters es el es-
pesor del xido en las obleas. Los cuatro factores del diseo son la temperatura (A), el tiempo (B), la pre-
sin (e) y el flujo de gas (D). El experimento se lleva a cabo cargando cuatro obleas en el horno, ajustando
las variables del proceso en las condiciones de prueba requeridas por el diseo experimental, procesando
las obleas y midiendo despus el espesor del xido en las cuatro obleas. Enla tabla 6-16 se presentan el di-
seo y las mediciones del espesor resultantes. En esta tabla, las cuatro columnas bajo el encabezado
"Espesor" contienen las mediciones del espesor del xido de cada oblea individual, y las dos ltimas co-
lumnas contienen el promedio muestral y la varianza muestral de las mediciones del espesor en las cuatro
obleas de cada corrida.
La manera apropiada de analizar este experimento es considerar las mediciones del espesor de las
obleas individuales como mediciones duplicadas, y no como rplicas. Si fueran en realidad rplicas,
cada oblea se habra procesado individualmente en una sola corrida del horno. Sin embargo, debido a que
las cuatro obleas se procesaron en conjunto, recibieron los factores de los tratamientos (es decir, los nive-
les de las variables del diseo) simultneamente, por lo que hay mucho menos variabilidad en las medicio-
nes del espesor de las obleas individuales que la que se habra observado si cada oblea fuera una rplica.
Por lo tanto, el promedio de las mediciones del espesor es la variable de respuesta correcta que deber
considerarse inicialmente.
En la tabla 6-17 se muestran las estimaciones de los efectos de este experimento, utilizando el espesor
y
del xido promedio como la variable de respuesta. Observe que los factores A y BYla interaccinAB tie-
nen efectos grandes que explican en conjunto cerca de 90% de la variabilidad del espesor promedio del
Tabla 6-16 El experimento del espesor del xido

Orden Orden de
estndar la corrida A B e D Espesor y S2
1 10 -1 -1 -1 -1 378 376 379 379 378 2

2 7 1 -1 -1 -1 415 416 416 417 416 0.67
3 3 -1 1 -1 -1 380 379 382 383 381 3.33
4 9 1 1 -1 -1 450 446 449 447 448 3.33
5 6 -1 -1 1 -1 375 371 373 369 372 6.67
6 2 1 -1 1 -1 391 390 388 391 390 2
7 5 -1 1 1 -1 384 385 386 385 385 0.67
8 4 1 1 1 -1 426 433 430 431 430 8.67
9 12 -1 -1 -1 1 381 381 375 383 380 12.00
10 16 1 -1 -1 1 416 420 412 412 415 14.67
11 8 -1 1 -1 1 371 372 371 370 371 0.67
12 1 1 1 -1 1 445 448 443 448 446 6
13 14 -1 -1 1 1 377 377 379 379 378 1.33
14 15 1 -1 1 1 391 391 386 400 392 34
15 11 -1 1 1 1 375 376 376 377 376 0.67
16 13 1 1 1 1 430 430 428 428 429 1.33
266 CAPTULO 6 DISEO FACTORIAL 2'
Tabla 6-17 Estimaciones de los efectos del ejemplo 6-5. la variable de

respuesta es el espesor promedio del xido
Trmino del Estimacin Suma de Contribucin
modelo del efecto cuadrados porcentual
A 43.125 7439.06 67.9339
B 18.125 1314.06 12.0001
C -10.375 430.562 3.93192
D -1.625 10.5625 0.0964573
AB 16.875 1139.06 10.402
AC -10.625 451.563 4.12369
AD 1.125 5.0625 0.046231
BC 3.875 60.0625 0.548494
BD -3.875 60.0625 0.548494
CD 1.125 5.0625 0.046231
ABC -0.375 0.5625 0.00513678
ABD 2.875 33.0625 0.301929
ACD -0.125 0.0625 0.000570753
BCD -0.625 1.5625 0.0142688
ABCD 0.125 0.0625 0.000570753
xido. La figura 6-29 es una grfica de probabilidad normal de los efectos. Al examinar esta representa-
cin, se concluira que los factores A, By C y las interaccionesAB yAC son importantes. En la tabla 6-18
se muestra el anlisis de varianza de este modelo.
El modelo para predecir el espesor promedio del xido es
y"'" 399.19+ 21.56x +9.06x2 -5.19x3 +8.44xx2 -5.31xx3
El anlisis residual de este modelo es satisfactorio.
Los experimentadores estn interesados en obtener un espesor promedio del xido de 400 A, Ylas es-
pecificaciones del producto requieren que el espesor sea de entre 390y 410 . En la figura 6-30 se presen-
tan dos grficas de contorno del espesor promedio, una con el factor C (o x3), la presin, en el nivel bajo
(es decir, x3 = -1) Yla otra con C (o x3) en el nivel alto (es decir, X3 = + 1). Al examinar estas grficas de
contorno, es evidente que hay muchas combinaciones del tiempo y la temperatura (factores A y B) que
producirn resultados aceptables. Sin embargo, si la presin se mantiene constante en el nivel bajo, la
"ventana" de operacin se corre hacia el extremo izquierdo, o ms bajo, del eje del tiempo, indicando que
se necesitarn duraciones del ciclo ms cortas para conseguir el espesor del xido deseado.
Es interesante observar los resultados que se hubieran obtenido si las mediciones del espesor del xi-
do de las obleas se hubieran considerado incorrectamente como rplicas. En la tabla 6-19 se presenta el
anlisis de varianza del modelo completo basado en tratar el experimento como un diseo factorial 24 con
rplicas. Observe que hay muchos factores significativos en este anlisis, lo cual sugiere un modelo mucho
ms complejo del que se encontr cuando se utiliz el espesor promedio del xido como la respuesta. La
razn de esto es que la estimacin de la varianza del error de la tabla 6-19 es muy pequea (2 = 6.12). El
cuadrado medio de los residuales de la tabla 6-19 refleja la variabilidad entre las obleas dentro de una co-
rrida y la variabilidad entre las corridas. La estimacin del error que se obtiene en la tabla 6-18 es mucho
ms grande, 2 = 17.61, Yes principalmente una medida de la variabilidad entre las corridas. sta es la
mejor estimacin del error que deber usarse para juzgar la significacin de las variables del proceso que
se modifican de una corrida a otra.
Una pregunta lgica que podra plantearse es: Zqu dao causa identificar demasiados factores como
importantes?, como ciertamente sera el caso en el anlisis incorrecto de la tabla 6-19. La respuesta es que
6-5 UNA SOLA RPUCA DEL DISEO 2l 267
16.25 29.69 43.13

Efecto
Figura 6-29 Grfica de probabilidad normal de los efectos para la respuesta del es-
pesor promedio del xido, ejemplo 6-5.
Tabla 6.18 Anlisis de varianza (de Design-Ext>en) para la respuesta espesor promedio del xido,
ejemplo 6-5
Sumof Mean F
Moda! 10774.31 5 2154.86 122.35 <0.000
A 7439.06 1 7439.06 422.37 <0.000
8 1314.06 1 1314.06 74.61 <0.000
e 430.56 1 430.56 24.45 0.0006
AB 1139.06 1 1139.06 64.67 <0.000
AC 451.56 1 451.56 25.64 0.0005
Residual 176.12 10 17.61
CorTotal 10950.44 15
Std.Dev. 4.20 RSquared 0.9839
Mean 399.19 Adj. R-Squared 0.9759
C.V. 1.05 Pred. R-Squared 0.9588
PRESS 450.88 Adeq. Precision 27.967
eoefficient Standard 95% el 95% el

Factor Estlmate DF Error Low Hlgh
Intercept 399.19 1 1.05 396.85 401.53 ...
ATime 21.56 1 1.05 19.22 23.90:
B-Temp 9.06 1 1.05 6.72 11.40
ePressure -5.19 1 1.05 -7.53 -2.85~
AB 8.44 1 1.05 6.10 10.78
AC -5.31 1 1,05 -7.65 -2.97
268 CAPITuLO 6 DISEOFACfORIAL2'
0.50
f
:::1
~
!. 0.00
E
~
f
:::1
t
1i
t-
0.00
Tiempo
(b)x3 ~ +1
Figura 6-30 Grficasde contorno del espesor promedio del xidocon

la presin (Xl) mantenida constante.
intentar manipular u optimizar los factores que no son importantes sera un desperdicio de recursos, y po-
dra resultar en agregar variabilidad innecesaria a otras respuestas de inters.
Cuando se,hacen mediciones duplicadas de la respuesta, casi siempre hay informacin til acerca de
algn aspecto de la variabilidad del proceso contenida en estas observaciones. Por ejemplo, si las med-
ciones duplicadas son pruebas mltiples hechas con un instrumento de medicin en la misma unidad ex-
6-5 UNA SOLA RPLICA DEL DISEO 2t 269
'labJa 6.19 Anlisis de varianza (de Design-Expert) de la respuesta individual del espesor del xido de
las obleas
Sumof Mean F
Source Squares DF Squar. Value Prob> F
Model 43801.75 15 2920.12 476.75 <0.0001
A 29756.25 1 29756.25 4858.16 <0.0001
S 5256.25 1 5256.25 858.16 <0.0001
C 1722.25 1 1722.25 281.18 <0.0001
D 42.25 1 42.25 6.90 0.0115
AS 4556.25 1 4556.25 743.88 <0.0001
AC 1806.25 1 1806.25 294.90 <0.0001
AD 20.25 1 20.25 3.31 0.0753
SC 240.25 1 240.25 39.22 <0.0001
SD 240.25 1 240.25 39.22 <0.0001
CD 20.25 1 20.25 3.31 0.0753
ABO 132.25 1 132.25 21.59 <0.0001
ASC 2.25 1 2.25 0.37 0.5473
ACD 0.25 1 0.25 0.041 0.8407
BCD 6.25 1 6.25 1.02 0.3175
ABCD 0.25 1 0.25 0.041 0.8407
Residual 294.00 48 6.12
LackofFit 0.000 O
Pure Error 294.00 48 6.13
Coro Total 44096.76 63
perimental, entonces las mediciones duplicadas proporcionan cierta informacin acerca de la eficiencia
del instrumento de medicin. Si las mediciones duplicadas se hacen en diferentes lugares dentro de una
unidad experimental, pueden brindar cierta informacin acerca de la uniformidad de la variable de res-
puesta en esa unidad. En el ejemplo tratado aqu, ya que se tiene una observacin en cada una de cuatro
unidades experimentales que se han sometido a un procesamiento conjunto, se tiene cierta informacin
acerca de la variabilidad dentro de las corridas del proceso. Esta informacin se encuentra contenida en la
varianza de las mediciones del espesor del xido de las cuatro obleas de cada corrida. Sera de inters de-
terminar si alguna de las variables del proceso influye en la variabilidad al interior de las corridas .
.La figura 6-31 es una grfica de probabilidad normal de las estimaciones de los efectos obtenidas uti-
lizando ln(s2) como la respuesta. Recuerde que en el captulo 3 se indic que la transformacin lgartm-
ca es por lo general apropiada para modelar la variabilidad. No hay ningn efecto individual fuerte, pero
el factor A y la interaccin BD son los ms grandes. Si se incluyen tambin los efectos principales de By D
para obtener un modelo jerrquico, entonces el modelo de ln(S2) es
~
ln(s )= 1.08+0.4lx1 - O.40x2 +O.20x4 - O.56x2x.
El modelo explica apenas poco menos de la mitad de la variabilidad en la respuesta ln(s2), lo cual desde
luego no es nada espectacular para un modelo emprico, pero con frecuencia es difcil obtener modelos
excepcionalmente buenos de las varianzas.
La figura 6-32 es una grfica de contorno de la varianza predicha (no del logaritmo de la varianza pre-
dicha) con la presinz, en el nivel bajo (recuerde que con esto se minimiza la duracin del ciclo) y el flujo
de gasx, en el nivel alto. Esta eleccin del flujo de gas produce los valores mnimos de la varianza predicha
en la regin de la grfica de contorno.
En este caso, los experimentadores se enfocaron en seleccionar valores de las variables de dseo que die-
ran un espesor medio del xido dentro de las especificaciones del proceso y tan cerca de 400 A como fuera po-
sible, haciendo al mismo tiempo que la variabilidad dentro de las corridas sea pequea, por ejemplo S2 s 2..
270 cxrmno 6 DISEO FACI'ORIALIk
90

"iii 80
Eo
c: 70
~ 50
.a
i.,
."
30
20
'1ft
-1.12 -0.64 -0.15 0.34 0.82
Efecto
Figura 6-31 Grfica de probabilidad normal de los efectos utilizando In (SZ) como
la respuesta, ejemplo 6-5.
-1.00 L__~:;;'_....L. ---JL...-~ __ -L.. _'

-1.00 -0.50 0.00 0.50 1.00
Tiempo
Figura 6-32 Grfica de contorno de S2 (variabilidad dentro de las co-

rridas) con la presin en el nivel bajo y el flujo de gas en el nivel alto.
66 ADICIN DE PUNTOS CENTRALES EN EL DISEO Z 271
TIempo
Figura 633 Superposicin del espesor promedio del xido y las res-
puestas s' con la presin en el nivel bajo y el flujo de gas en el nivel alto.
Una manera posible de encontrar un conjunto de condiciones adecuado es superponiendo las grficas de
contorno de las figuras 630 y 6-32. La grfica de la superposicin se muestra en la figura 6-33, con las es-
r
pecificaciones del espesor medio del xido y la restriccin :$; 2 indicadas como contornos. En esta grfi-
ca, la presin se mantiene constante en el nivel bajo y el flujo de gas se mantiene constante en el nivel alto.
La regin no sombreada cerca de la parte central izquierda de la grfica identifica una regin factible
para las variables tiempo y temperatura.
ste es un ejemplo simple del uso de las grficas de contorno para estudiar dos respuestas simult-
neamente. Este problema se analizar con mayor detalle en el capitulo 11.
... ............ ............................ ..............................
6..6 ADICIN DE PUNTOS CENTRALESEN EL DISEO 21
Una preocupacin potencial en el uso de diseos factoriales de dos niveles es el supuesto de la linealidad
de los efectos de los factores. Desde luego, no es necesaria la linealidad perfecta, y el sistema 2k funciona-
r bastante bien incluso cuando el supuesto de linealidad sea vlido slo de manera muy aproximada. De
hecho, se ha sealado ya que si se agregan los trminos de interaccin a un modelo de los efectos princi-
pales o de primer orden, de donde se obtiene
k
y= Po + L PjXj + LL
ml t
Pijxxj +e (6-26)
entonces se tiene un modelo con la capacidad de representar cierta curvatura en la funcin de respuesta.
Esta curvatura, desde luego, es resultado del torcimiento del plano inducido por los trminos de nterac-
cin PqXjX
272 CAPtruLO 6 DISEOFACroRlAL2k
Habr situaciones en que la curvatura de la funcin de respuesta no est modelada adecuadamente

por la ecuacin 6-26. En tales casos, un modelo lgico por considerar es
k k
y= Po + L pjXj + LL
j~l i<j
p;XXj + L PjjXJ
j~l
+e (6-27)
donde lasPn representan efectos cuadrticos o de segundo orden puros. Ala ecuacin 6-27 se le llama mo-
delo de superficie de respuesta de segundo orden.
Cuando se realiza un experimento factorial de dos niveles, por lo general se anticipa el ajuste del mo-
delo de primer orden de la ecuacin 6-26, pero deber estarse alerta ante la posibilidad de que el modelo
de segundo orden de la ecuacin 6-27 sea en realidad ms apropiado. Existe un mtodo para hacer una r-
plica de ciertos puntos de un diseo factorial Z"que ofrecer proteccin contra la curvatura de los efectos
de segundo orden a la vez que permitir una estimacin independiente del error que va a obtenerse. El
mtodo consiste en agregar puntos centrales en el diseo 2k stos consisten en n rplicas que se corren
=
en los puntos Xi O(i = 1, 2, ..., k). Una razn importante para agregar rplicas de las corridas en el cen-
tro del diseo es que los puntos centrales no afectan las estimaciones usuales de los efectos en un diseo
r. Cuando se agregan puntos centrales, se supone que los k factores son cuantitativos.
Para ilustrar este enfoque, considere un diseo 22 con una observacin en cada uno de los puntos fac-
toriales (-, -), ( +, -), (-, +) y ( +, +), y nc observaciones en el punto central (O,O).En la figura 6-34 se ilus-
tra la situacin. Sea YF el promedio de las cuatro corridas en los cuatro puntos factoriales y sea Yc el
promedio de las nc corridas en el punto central. Si la diferencia YF - Yc es pequea, entonces los puntos
centrales caen en el plano (o cerca de l) que pasa por los puntos factoriales, y no hay curvatura cuadrti-
ca. Por otra parte, si YF - Yc es grande, entonces est presente una curvatura cuadrtica. La suma de cua-
drados de la curvatura cuadrtica pura con un solo grado de libertad est dada por
(6-28)
donde, en general, nF es el nmero de puntos del diseo factorial. Esta cantidad puede compararse con el
cuadrado medio del error para probar la curvatura cuadrtica pura. Ms espe~ficamente, cuando se
Figura 6-34 Diseo 2' con puntos centrales.

6-6 ADICiN DE PUNTOS CENTRALES EN EL DISEO 2. 273
agregan puntos en el centro del diseo 2k, con la prueba de la curvatura (utilizando la ecuacin 6-28) en
realidad se prueban las hiptesis
H1: Pi
)-1
'# O
Adems, si los puntos factoriales del diseo no tienen rplicas, pueden usarse los npuntos centrales para
construir una estimacin del error con n - 1 grados de libertad.
'E)'EMPW 6-6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 ".
Un ingeniero qumico estudia el rendimiento de un proceso. Hay dos variables de inters, el tiempo de
reaccin y la temperatura de reaccin. Debido a que no se tiene la seguridad sobre el supuesto de lineali-
dad en la regin de exploracin, el ingeniero decide realizar un diseo factorial 22 (con una sola rplica de
cada corrida factorial) aumentando con cinco puntos centrales. El diseo y los datos del rendimiento
se muestran en la figura 6-35.
En la tabla 6-20 se resume el anlisis de varianza de este experimento. El cuadrado medio del error se
calcula a partir de los puntos centrales de la siguiente manera:
MS = SSE
E n-1
e
L (Yi _y)2
= l'Imtoo _1nIeo
nc -1
Por lo tanto, por la tabla 6-20,
MSE = ..:,:'' '::.1 _

4
0.1720
=--
4
= 0.0430
40.0 41.5
ee 4O.3
:::l 40.5
! 156 40.7
s
E { 40.2
{! 40.6
11
1:1:1
-1
30 35 40
A = Tiempo de reaccin(min)
Figura 6-35 El diseo 22 con cinco puntos
centrales para el ejemplo 6-6.
274 CAPTULO 6 DISEO FACfORlAL 2k
Tabla 620 Anlisis de varianza del ejemplo 66

A (Tiempo) 2.4025 1 2.4025 55.87 0.0017
B (Thmperatura) 0.4225 1 0.4225 9.83 0.0350
AB 0.0025 1 0.0025 0.06 0.8185
Cuadrtica pura 0.0027 1 0.0027 0.06 0.8185
Error 0.1720 4 0.0430
Thtal 3.0022 8
=
El promedio de los puntos de la parte factorial del diseo es YF 40.425, Yel promedio de los puntos si-
tuados en el centro esyc = 40.46. La diferenciaYF-Yc = 40.425 -40.46 = -0.035 parece ser pequea. La
suma de cuadrados de la curvatura cuadrtica pura de la tabla del anlisis de varianza se calcula con la
ecuacin 6-28 de la siguiente manera:
SS _ nFnc(YF - Yc )2
Cuadrtica puno - n +n
F e
(4)(5)(-0.035)2
4+5
= 0.0027
El anlisis de varianza indica que ambos factores tienen efectos principales significativos, que no existe
interaccin, y que no hay evidencia de curvatura de segundo orden en la respuesta en la regin de explora-
cin. Es decir, la hiptesis nula Ho: {:J11 + {:J22 = O no puede rechazarse.
En el ejemplo 6-6 se lleg a la conclusin de que no haba indicios de efectos cuadrticos; es decir, un
modelo de primer orden
y= {:Jo +{:JIXl + {:Jzxz +{:J12XIX2 +e

es apropiado (aun cuando probablemente no se necesite el trmino de la interaccin). Habr situaciones
en las que se necesitarn los trminos cuadrticos. Es decir, se tendr que suponer entonces un modelo de
segundo orden tal como
y= e, + {:JIXl +{:J2X2 +{:J12XX2 +fJl1x12 +{:JzzX; +e

Desafortunadamente, los parmetros desconocidos (las (:J) de este modelo no pueden estimarse, ya que
hay seis parmetros por estimar y el diseo 22 ms los puntos centrales de la figura 6-35 slo tienen cinco
corridas independientes.
Una solucin simple y de gran efectividad de este problema es aumentar el diseo 22 con cuatro corri-
das axiales, como se ilustra en la figura 6-36a. El diseo resultante, llamado diseo central compuesto,
puede usarse entonces para ajustar el modelo de segundo orden. En la figura 6-36b se muestra un diseo
central compuesto para k = 3 factores. Este diseo tiene 14 + nc corridas (generalmente 3 S nc s 5), y es
un diseo muy eficiente para ajustar el modelo de segundo orden con 10 parmetros en k = 3 factores.
Los diseos compuestos centrales se usan ampliamente para construir modelos de superficie de res-
puesta de segundo orden. Estos diseos se estudiarn con mayor detalle en el captulo 11.
6-6 ADICIN DE PUNTOS CENTRALES EN EL DISEO 2 275
-~f--"""'-+--- %1
al Dos factores b ITres factores
Figura 6-36 Diseiios centrales compuestos,
Se concluye esta seccin con algunas sugerencias y observaciones adicionales tiles referentes al uso
de puntos centrales,
1. Cuando un experimento factorial se lleva a cabo en un proceso en marcha, considere utilizar las
condiciones de operacin actuales (o de receta) como el punto central del diseo, Esto con fre-
cuencia le asegura al personal de operacin que al menos una parte de las corridas del experimento
van a realizarse bajo condiciones familiares, y por lo tanto es improbable que los resultados obteni-
dos (por lo menos para estas corridas) sean peores que los que se obtienen tpicamente,
2. Cuando el punto central de un experimento factorial corresponde con las condiciones de opera-
cin actuales, el experimentador puede usar las respuestas observadas en el punto central para
proporcionar una verificacin aproximada de si algo "inusual" ocurri durante el experimento,
Es decir, las respuestas del punto central debern ser muy similares a las respuestas observadas
histricamente en la operacin rutinaria del proceso, Con frecuencia el personal de operacin
llevar una carta de control para monitorear el desempeo del proceso, En ocasiones las res-
puestas de los puntos centrales pueden graficarse directamente en la carta de control como una
verificacin de la forma en que estuvo operando el proceso durante el experimento,
3. Considere correr las rplicas del punto central en orden no aleatorio, Especficamente, debern
correrse uno o dos puntos centrales en o cerca del principio del experimente, uno o dos cerca de
la parte media, y uno o dos cerca del finaL Al separar los puntos centrales en el tiempo, el experi-
mentador tiene una verificacin aproximada de la estabilidad del proceso durante el experimen-
to, Por ejemplo, si ha ocurrido una tendencia en la respuesta mientras se realizaba el
experimento, graficar las respuestas de los puntos centrales contra el tiempo puede poner de ma-
nifiesto esta situacin,
4_ En ocasiones los experimentos tienen que realizarse en situaciones en las que la informacin pre-
via acerca de la variabilidad del proceso es escasa o nula, En estos casos, correr dos o tres puntos
centrales como las primeras corridas en el experimento puede ser de suma utilidad, Estas corridas
pueden proporcionar una estimacin preliminar de la variabilidad, Si la magnitud de la variabili-
dad parece razonable, se contina; por otra parte, si la variabilidad observada es mayor que la anti-
cipada (io que la razonable!), habr que detenerse, Con frecuencia es muy provechoso estudiar la
cuestin de por qu es tan grande la variabilidad antes de proceder con el resto del experimento,
5. Generalmente, se utilizan puntos centrales cuando todos los factores del diseo son cuantitati-
vos. Sin embargo, en ocasiones habr una o ms variables cualitativas o categricas y varias cuan-
276 CAPTULO 6 DISENOFACTORlAL2k
---:
, .>
,
I
I
i!!i!!b
I
I
I
,,
I
.a
o ,, o
,
I
I
~ "(\,,(\~,
,.
I
~
,,
I Tlpc ds
catalizador
I
--------~--------------- -------
Figura 6-37 Un diseo 23 con un factor cualitativoy puntos
centrales.
titativas. Sigue siendo posible emplear los puntos centrales en estos casos. Para ilustrar este
punto, considere un experimento con dos factores cuantitativos, el tiempo y la temperatura, cada
uno con dos niveles, y un solo factor cualitativo, el tipo de catalizador, tambin con dos niveles
(orgnico e inorgnico). En la figura 6-37 se muestra el diseo 23 para estos factores. Observe
que los puntos centrales se colocan en las caras opuestas del cubo que incluyen los factores cuan-
titativos. En otras palabras, los puntos centrales pueden correrse con las combinaciones de los
tratamientos en los niveles alto y bajo de los factores cualitativos, siempre y cuando esos subespa-
cios incluyan nicamente factores cuantitativos.
6~7 PROBLEMAS
6-1. Un ingeniero est interesado en los efectos de la velocidad de corte (A), la geometra de la herramienta (13) y
el ngulo de corte (C) sobre la vida (en horas) de una mquina herramienta. Se eligen dos niveles de cada
factor y se corren tres rplicas de un diseo factorial 23. Los resultados fueron los siguientes:
Combinacin de Rplica
A 13 e tratamientos 1 11 III
(1) 22 31 25
+ a 32 43 29
+ b 35 34 50
+ + ab 55 47 46
+ e 44 45 38
+ + ae 40 37 36
+ + be 60 50 54
+ + + abe 39 41 47
a) Estimar los efectos de los factores. Qu efectos parecen ser grandes?
b) Usar el anlisis de varianza para confirmar las conclusiones del inciso a.
e) Escribir un modelo de regresin para predecir la vida de la herramienta (en horas) con base en los resul-
tados de este experimento.
d) Analizar los residuales. Hay algn problema evidente?
e) Con base en el anlisis de las grficas de los efectos principales y las interacciones, cules seran los ni-
veles de A, 13 y e que se recomendara utilizar?
6-2. Considere nuevamente el inciso e del problema 6-1. Utilizar el modelo de regresin para generar las grficas
de la superficie de respuesta y de contorno de la respuesta, la vida de la herramienta. Interpretar estas gr-
caso Ofrecen alguna idea respecto de las condiciones de operacin deseables para este proceso?
6-7 PROBLEMAS 277
6-3. Encontrar el error estndar de los efectos de los factores y aproximar los limites de confianza de 95% para los
efectos de los factores en el problema 6-1. Los resultados de este anlisis concuerdan con las conclusiones
del anlisis de varianza?
6-4. Representar los efectos de los factores del problema 6-1 en una grfica relativa a una distribucin t escalada
apropiadamente. En esta representacin grfica se identifican de manera adecuada los factores importan-
tes? Comparar las conclusiones de esta grfica con los resultados del anlisis de varianza.
6-5. Se usa una mquina para hacer ranuras de localizacin en una tarjeta de circuitos impresos. El nivel de vibra-
cin en la superficie de la tarjeta cuando se hacen las ranuras se considera una fuente principal de variacin
dimensional de las ranuras. Se piensa que dos factores influyen en la vibracin: el tamao de las ranuras (A) Y
la velocidad de corte (B).Se seleccionan dos tamaos de las ranuras (f6Yt de pulgada) y dos velocidades (40 y
90 rpm), y se hacen ranuras en cuatro tarjetas con cada conjunto de condiciones que se muestran abajo. La
variable de respuesta es la vibracin medida como el vector resultante de tres acelermetros (x, y y z) en cada
tarjeta de prueba.
Combinacin de Rplica
A B tratamientos 1 TI 111 IV
(1) 18.2 18.9 12.9 14.4
+ a 27.2 24.0 22.4 22.5
+ b 15.9 14.5 15.1 14.2
+ + ab 41.0 43.9 36.3 39.9
a) Analizar los datos de este experimento.

b) Construir una grfica de probabilidad normal de los residuales, y graficar los residuales contra el nivel de
vibracin predicho. llnterpretar estas grficas. .
e) Hacer la grfica de la interaccinAB. Interpretar esta grfica. Qu niveles del tamao de las ranuras y
la velocidad se recomendaran para la operacin rutinaria?
6-6. Considere nuevamente el experimento descrito en el problema 6-1. Suponga que el experimentador efectu
nicamente ocho ensayos de la rplica 1. Adems, corri cuatro puntos centrales y obtuvo los siguientes valo-
res de la respuesta: 36, 40, 43, 45.
a) Estimar los efectos de los factores. Qu efectos son grandes?
b) Efectuar un anlisis de varianza, incluyendo una verificacin de la curvatura cuadrtica pura. A qu
conclusiones se llega?
e) Escribir un modelo apropiado para predecir la vida de la herramienta, con base en los resultados de este
experimento. Este modelo difiere en alguna forma sustancial del modelo del problema 6-1, inciso e?
d) Analizar los residuales.
e) A qu conclusiones se llegara acerca de las condiciones de operacin apropiadas para este proceso?
6-7. Se llev a cabo un experimento para mejorar el rendimiento de un proceso qumico. Se seleccionaron cuatro
factores y se corrieron dos rplicas de un experimento completamente aleatorizado. Los resultados se pre-
sentan en la tabla siguiente:
Combinacin Rplica Combinacin Rplica

de tratamientos I II de tratamientos 1 II
(1) 90 93 d 98 95
a 74 78 ad 72 76
b 81 85 bd 87 83
ab 83 80 abd 85 86
c 77 78 cd 99 90
ac 81 80 acd 79 75
be 88 82 bcd 87 84
abe 73 70 abcd 80 80
278 CAPTULO 6 DISEO FAGfORIAL
a) Estimar los efectos de los factores.
b) Construir la tabla del anlisis de varianza y determinar cules factores son importantes para explicar el
rendimiento.
e) Escribir un modelo de regresin para predecir el rendimiento, suponiendo que los cuatro factores se hi-
cieron variar en el rango de -1 a + 1(en unidades codificadas).
d) Graficar los residuales contra el rendimiento predicho y en una escala de probabilidad normal. El anli-
sis residual parece ser satisfactorio?
e) Dos interacciones de tres factores,ABC yABD, aparentemente tienen efectos grandes. Trazar una grfi-
ca de cubo en los factores A, B y e con los rendimientos promedio indicados en cada vrtice. Repetir lo
anterior utilizando los factores A, B y D. Estas dos grficas ayudan en la interpretacin de los datos?
Dnde se recomendara que se corriera el proceso con respecto a las cuatro variables?
6-8. Un bacterilogo est interesado en los efectos de dos medios de cultivo diferentes y dos tiempos diferentes
sobre el crecimiento de un virus particular. Realiza seis rplicas de un diseo 22, haciendo las corridas de ma-
nera aleatoria. Analizar los datos del crecimiento viral que se presentan enseguida y sacar las conclusiones
apropiadas. Analizar los residuales y comentar la adecuacin del modelo.
Medio de cultivo
Tiempo,h 1 2
21 22 25 26
12 23 28 24 25
20 26 29 27
37 39 31 34
18 38 38 29 33
35 36 30 35
6-9. Un ingeniero industrial empleado por una compaa refresquera est interesado en los efectos de dos dife-
rentes tipos de botellas de 32 onzas sobre el tiempo de entrega de cajas de 12 botellas del producto. Los dos
tipos de botellas son de vidrio y de plstico. Se usan dos empleados para realizar una tarea que consiste en
mover 40 cajas del producto 50 pies en una plataforma de carga estndar y acomodarlas en un estante de ven-
ta. Se hacen cuatro rplicas de un diseo factorial 22 y los tiempos observados se enlistan en la siguiente tabla.
Analizar los datos y sacar las conclusiones apropiadas. Analizar los residuales y comentar la adecuacin del
modelo.
Empleado
Tipo de botella 1 2
Vidrio 5.12 4.89 6.65 6.24
4.98 5.00 5.49 5.55
Plstico 4.95 4.95 5.28 4.91
4.27 4.25 4.75 4.71
6-10. En el problema 6-9, el ingeniero tambin estuvo interesado en las diferencias en la fatiga potencial que resul-
ta de los tipos de botellas. Como una medida de la cantidad de esfuerzo requerido, midi el aumento del rit-
mo cardiaco (pulso) inducido por la tarea. Los resultados se presentan a continuacin. Analizar tos datos y
sacar conclusiones. Analizar los residuales y comentar la adecuacin del modelo.
6-7 PROBLEMAS 279
Empleado
Tipo de botella 1 2
Vidrio 39 45 20 13
58 35 16 11
Plstico 44 35 13 10
42 21 16 15
6-11. Calcular los lmites de confianza aproximados para los efectos de los factores del problema 6-10. Los resul-
tados de este anlisis concuerdan con el anlisis de varianza realizado en el problema 6-1O?
6-12. En un artculo deAT&T Technical Joumal (vol. 65, pp. 39-50) se describe la aplicacin de diseos factoriales
de dos niveles en la fabricacin de circuitos integrados. Un paso bsico del procesamiento es hacer crecer
una capa epitaxial sobre obleas de silicio pulidas. Las obleas se montan en un susceptor, se colocan en el inte-
rior de una campana de cristal y se introducen vapores qumicos. El susceptor se hace girar y se aplica calor
hasta que la capa epitaxial tiene el espesor suficiente. Se corri un experimento utilizando dos factores: rapi-
dez de flujo de arsnico (A) Ytiempo de deposicin (B). Se corrieron cuatro rplicas y se midi el espesor de
la capa epitaxial (en .um). Los datos se muestran a continuacin:
Rplica Niveles de factores

A B 1 11 ID IV Bajo (-) Alto (+)
14.037 16.165 13.972 13.907 A 55% 59%
+ 13.880 13.860 14.032 13.914
+ 14.821 14.757 14.843 14.878 B Corto Largo
+ + 14.888 14.921 14.415 14.932 (10 min) (15 min)
a) Estimar los efectos de los factores.

b) Conducir un anlisis de varianza. Qu factores son importantes?
e) Escribir una ecuacin de regresin que podra usarse para predecir el espesor de la capa epitaxial en la
regin de la velocidad! de flujo del arsnico y el tiempo de deposicin utilizado en este experimento.
d) Analizar los residuales. Se observa algn residual que debiera causar preocupacin?
e) Comentar la forma en que se podra resolver el punto atpico potencial encontrado en el inciso d.
6-13. Continuaci6n delproblemo 6-12. Usar el modelo de regresin del inciso e del problema 6-12 para generar una
grfica de contorno de la superficie de respuesta para el espesor epitaxial. Suponga que es de importancia
crtica obtener un espesor de la capa de 14.5 .tm. Qu ajustes de la velocidad de flujo del arsnico y del tiem-
po de deposicin se recomendaran?
6-14. Continuaci6n delproblemo 6-13. En qu forma cambiara la respuesta dada en el problema 6-13 si la veloci-
dad de flujo del arsnico fuera nis difcil de controlar en el proceso que el tiempo de deposicin?
6-15. Se utiliza una aleacin de nquel y titanio para fabricar componentes de los motores de turbina de aviones.
La formacin de fisuras es un problema potencialmente serio de las piezas terminadas, ya que pueden provo-
car fallas irreversibles. Se realiza una prueba de las piezas para determinar el efecto de cuatro factores sobre
las fisuras. Los cuatro factores son la temperatura de vaciado (A), el contenido de titanio (B), el mtodo de
tratamiento trmico (C) y la cantidad de refinador de grano usada (D). Se hacen dos rplicas de un diseo 24
y se mide la longitud de las fisuras (en mm x 10-2) inducidas en un ejemplar de prueba de muestra sometido a
una prueba estndar. Los datos se muestran en la siguiente tabla:
280 CAPTULO 6 DISEO FAcrORIAL 2k
Combinacinde Rplica
A B e D tratamientos I 11
(1) 7.037 6.376
+ a 14.707 15.219
+ b 11.635 12.089
+ + ab 17.273 17.815
+ c 10A03 10.151
+ + ac 4.368 4.098
+ + be 9.360 9.253
+ + + abe 13A40 12.923
+ d 8.561 8.951
+ + ad 16.867 17.052
+ + bd 13.876 13.658
+ + + abd 19.824 19.639
+ + ed 11.846 12.337
+ + + aed 6.125 5.904
+ + + bed 11.190 10.935
+ + + + abed 15.653 15.053
a) Estimar los efectos de los factores. Qu efectos de los factores parecen ser grandes?
b) Conducir un anlisis de varianza. Alguno de los factores afecta la formacin de fisuras? Utilizar a '=
0.05.
e) Escribir un modelo de regresin que pueda usarse para predecir la longitud de las fisurascomo una fun-
cin de los efectosprincipalesy las interaccionessignificativasque se han identificadoen el incisob.
d) Analizar los residuales de este experimento.
e) Hay algn indicio de que alguno de los factores afecte la variabilidad de la formacin de fisuras?
f) Qu recomendacionesse haran respecto de las operaciones del proceso? Utilizar grficasde las inte-
racciones y/o de los efectos principales como ayuda para sacar conclusiones.
6-16. Continuaci6n delproblema 6-15.Una de lasvariablesdel experimentodescrito en el problema 6-15, el mtodo
de tratamiento trmico (e), es una variable categrica. Suponga que los dems factores son continuos.
a) Escribir dosmodelosde regresinpara predecir la longitudde las fisuras,uno para cada nivelde lavaria-
ble mtodo de tratamiento trmico. Qu diferencias, en caso de haberlas, se observan en estas dos
ecuaciones?
b) Generar las grficasde contorno apropiadas de la superficiede respuesta para los dosmodelosde regre-
sin del inciso a.
e) Qu conjunto de condicionesse recomendara para los factoresA, By D si se utiliza el mtodo de trata-
miento trmico e = +?
d) Repetir el inciso e suponiendo que quiere usarse el mtodo de tratamiento trmico e = -.
6-17. Un experimentador corre una sola rplica de un diseo 24 Se calcularon las siguientesestimacionesde los
efectos:
A = 76.95 AB = -51.32 ABe '= -2.82

B = -67.52 AC = 11.69 ABD = -6.50
e = -7.84 AD:: 9.78 ACD:: 10.20
D = -18.73 Be= 20.78 BCD = -7.98
BD = 14.74 ABeD = -6.25
CD'= 1.27
a) Construir una grfica de probabilidad normal de estos efectos.

b) Identificar un modelo tentativo, con base en la grfica de los efectos del inciso a.
6-7 PROBLEMAS 281
6-18. En un artculo de Salid State Technology ("Diseo ortogonal para optimizacin de procesos y su aplicacin en
el grabado qumico con plasma") se describe la aplicacin de diseos factoriales en el desarrollo de un proce-
so de grabado qumico con nitruros-en un dispositivo de grabado qumico con plasma para una sola oblea. El
proceso usa CzFcomo gas de reaccin. Cuatro factores son de inters: el entrehierro nodo-ctodo (A), la
presin en la cmara del reactor (B), el flujo del gas ~F 6 (C) y la potencia aplicada al ctodo (D). La respues-
ta de inters es la rapidez de grabado para el nitruro de silicio. Se corre una sola rplica de un diseo 24;los
datos se muestran enseguida:
Nmero de Orden real de Rapidez de grabado Niveles de los factores

corrida la corrida A B C D (lmin) Bajo (-) Alto (+)
1 13 550 A (cm) 0.80 1.20
2 8 + 669 B (mThrr) 450 550
3 12 + 604 C(SCCM) 125 200
4 9 + + 650 D(W) 275 325
5 4 + 633
6 15 + + 642
7 16 + + 601
8 3 + + + 635
9 1 + 1037
10 14 + + 749
11 5 + + 1052
12 10 + + + 868
13 11 + + 1075
14 2 + + + 860
15 7 + + + 1063
16 6 + + + + 729
a) Estimar los efectos de los factores. Considere una grfica de probabilidad normal de los efectos de los
factores. Qu efectos parecen ser grandes?
b) Efectuar un anlisis de varianza para confirmar los resultados obtenidos en el inciso a.
e) Cul es el modelo de regresin que relaciona la rapidez de grabado con las variables significativas del
proceso?
d) Analizar los residuales de este experimento. Comentar la adecuacin del modelo.
e) Si no todos los factores son importantes, hacer la proyeccin del diseo 24 en un diseo 2k con k < 4 Y
conducir el anlisis de varianza.
/) Trazar grficas para interpretar cualquier interaccin significativa.
g) Graficar los residuales contra el orden real de las corridas. Qu problemas podran ponerse de mani-
fiesto en esta grfica?
6-19. Continuacin delproblemtl 6-18. Considere el modelo de regresin obtenido en el inciso e del problema 6-18.
a) Construir las grficas de contorno de la rapidez de grabado utilizando este modelo.
b) Suponga que fuera necesario operar este proceso con una rapidez de 800 lmin. Cules seran los ajus-
tes de las variables del proceso que se recomendaran?
6-20. Considere la rplica nica del diseo 24 del ejemplo 6-2. Suponga que se decidi arbitrariamente analizar los
datos suponiendo que las interacciones de tres y cuatro factores eran insignificantes. Conducir este anlisis y
comparar los resultados con los que se obtuvieron en el ejemplo. Piensa el lector que es una buena idea su-
poner de manera arbitraria que las interacciones son insignificantes incluso cuando sean de orden relativa-
mente alto?
6-21. Se realiz un experimento en una fbrica de semiconductores en un esfuerzo para incrementar el rendimien-
=
to. Se estudiaron cinco factores, cada uno con dos niveles. Los factores (y los niveles) fueron: A ajuste de
apertura (pequea, grande), B = tiempo de exposicin (20% abajo del nominal, 20% arriba del nominal),
282 CAP11JLO 6 DISEO FACTORIAL 2'
=
C tiempo de desarrollo (30 s, 45 s), D = tamao de la mscara (pequea, grande) y E = tiempo de grabado
(14.5 min, 15.5 min). Se corri el diseo 25 no replicado que se muestra a continuacin.
(1) = 7 d=8 e=8 de = 6

a=9 ad = 10 ae = 12 =
ade 10
b = 34 bd =:: 32 be = 35 bde = 30
ab = 55 abd =:: 50 abe = 52 =
abde 53
=
e 16 ed = 18 ce = 15 ede = 15
ae =:: 20 aed =21 aee = 22 aede = 20
be = 40 bcd = 44 bee 45= bede = 41
abe =60 =
abed 61 abee =:: 65 abede= 63
a) Construir una grfica de probabilidad normal de las estimaciones de los efectos. Qu efectos parecen
ser grandes?
b) Efectuar un anlisis de varianza para confirmar los resultados obtenidos en el inciso a.
e) Escribir el modelo de regresin que relacione el rendimiento con las variables significativas del proceso.
d) Graficar los residuales en papel probabilidad normal. La grfica es satisfactoria?
e) Graficar los residuales contra los rendimientos predichos y contra cada uno de los cinco factores. Co-
mentar las grficas.
[) Interpretar cualquier interaccin significativa.
g) Qu recomendaciones se haran respecto de las condiciones de operacin del proceso?
h) Hacer la proyeccin del diseo 25 de este problema en un diseo 2k en los factores importantes. Esque-
matizar el diseo e indicar el promedio y el rango de los rendimientos en cada corrida. Es de ayuda este
esquema para interpretar los resultados de este experimento?
6-22. Continuaci6n de/problema 6-21. Suponga que el experimentador corri cuatro puntos centrales adems de los
32 ensayos del experimento original. Los rendimientos obtenidos en las corridas de los puntos centrales fue-
ron 68, 74, 76 Y 70.
a) Analizar de nuevo el experimento, incluyendo una prueba para la curvatura cuadrtica pura.
b) Comentar cul sera el siguiente paso.
6-23. Se estudiaron cuatro factores, cada uno con dos niveles, en un estudio del rendimiento de un proceso: el
tiempo (A), la concentracin (B), la presin (C) y la temperatura (D). Se corri una sola rplica de un diseo
24 y los datos obtenidos se muestran en la siguiente tabla:
Nmero de Orden real de Rendimiento Niveles de los factores

corrida la corrida A B C D (lbs) Bajo j--) Alto (+)
1 5 12 A (h) 2.5 3
2 9 + 18 B(%) 14 18
3 8 + 13 e (psi) 60 80
4 13 + + 16 DeC) 225 250
5 3 + 17
6 7 + + 15
7 14 + + 20
8 1 + + + 15
9 6 + 10
10 11 + + 25
11 2 + + 13
12 15 + + + 24
13 4 + + 19
14 16 + + + 21
15 10 + + + 17
16 12 + + + + 23
6-7 PROBLEMAS 283
a) Construir una grfica de probabilidad normal de las estimaciones de los efectos. Qu factores parecen
tener efectos grandes?
b) Efectuar un anlisis de varianza utilizando la grfica de probabilidad normal del inciso a como gua para
formar el trmino del error. A qu conclusiones se llega?
e) Escribir un modelo de regresin que relacione el rendimiento con las variables importantes del proceso.
d) Analizar los residuales de este experimento. El anlisis indica algn problema potencial?
e) Es posible plegar este diseo a un diseo 23 con dos rplicas? De ser as, esquematizar el diseo con el
promedio y el rango del rendimiento indicados en cada punto del cubo. Interpretar los resultados.
6-24. ContinUllci6ndelproblema 6-23. Usar el modelo de regresin del inciso e del problema 6-23 para generar una
grfica de contorno de la superficie de respuesta del rendimiento. Analizar el valor prctico de esta grfica
de superficie de respuesta.
6-25. El experimento del brownie (pastelito) exquisito. El autor es un ingeniero hecho en la prctica y un firme creyen-
te de aprender haciendo las cosas. Durante muchos aos ha impartido el curso de diseo experimental a una
amplia variedad de audiencias y siempre asigna la planeacin, realizacin y anlisis de un experimento real a
los participantes de la clase. Los participantes parecen disfrutar esta experiencia prctica y siempre
aprenden mucho de ella. En este problema se utilizan los resultados de un experimento realizado por Gret-
chen Krueger en la Universidad Estatal de Arizona.
Existen muchas formas diferentes de bornear brownies. El propsito de este experimento fue determinar
la forma en que el material del molde, la marca de la harina para brownies y el mtodo de batido afectan la
exquisitez de los brownies. Los niveles de los factores fueron:
Factor Bajo (-) Alto(+)

A = material del molde Vidrio Aluminio
B :: mtodo de batido Cuchara Batidora
e ::marca de la harina Cara Barata
La variable de respuesta fue la exquisitez, una medida subjetiva derivada de un cuestionario aplicado a los
sujetos que hicieron el muestreo de cada lote de brownies. (Este cuestionario inclua aspectos como el sabor,
la apariencia, la consistencia, el aroma, etc.) Un panel de prueba integrado por ocho personas hizo el mues-
treo de cada lote y llen el cuestionario. La matriz del diseo y los datos de la respuesta se presentan a conti-
nuacin:
Lote de Resultados del panel de prueba

brownies A B e 1 2 3 4 5 6 7 8
1 11 9 10 10 11 10 8 9
2 + 15 10 16 14 12 9 6 15
3 + 9 12 11 11 11 11 11 12
4 + + 16 17 15 12 13 13 11 11
5 + 10 11 15 8 6 8 9 14
6 + + 12 13 14 13 9 13 14 9
7 + + 10 12 13 10 7 7 17 13
8 + + + 15 12 15 13 12 12 9 14
a) Analizar los datos de este experimento como si se tratara de ocho rplicas de un diseo 23. Comentar los
resultados.
284 CAPTULO6 DISEOFACfORlAL2'
b) El anlisis del inciso a es el enfoque correcto? Hay nicamente ocho lotes; se tienen en realidad ocho
rplicas de un diseo factorial 23?
e) Analizar el promedio y la desviacin estndar del puntaje de la exquisitez. Comentar los resultados.
Este anlisis es ms apropiado que el del inciso a? Por qu s o no?
6-26. Se condujo un experimento en un proceso qumico para producir un polmero. Los cuatro factores estudia-
dos fueron la temperatura (A), la concentracin del catalizador (B), el tiempo (C) y la presin (D). Se obser-
varon dos respuestas, el peso molecular y la viscosidad. La matriz del diseo y los datos de la respuesta se
presentan a continuacin:
Nmero Orden real de Peso Niveles de los factores

de corrida las corridas A B e D molecular Viscosidad Bajo (-) Alto (+)
1 18 2400 1400 AeC) 100 120
2 9 + 2410 1500 B(%) 4 8
3 13 + 2315 1520 e (min) 20 30
4 8 + + 2510 1630 D (psi) 60 75
5 3 + 2615 1380
6 11 + + 2625 1525
7 14 + + 2400 1500
8 17 + + + 2750 1620
9 6 + 2400 1400
10 7 + + 2390 1525
11 2 + + 2300 1500
12 10 + + + 2520 1500
13 4 + + 2625 1420
14 19 + + + 2630 1490
15 15 + + + 2500 1500
16 20 + + + + 2710 1600
17 1 o o O O 2515 1500
18 5 o o O o 2500 1460
19 16 o o o o 2400 1525
20 12 O O o o 2475 1500
a) Considere nicamente la respuesta del peso molecular. Graficar las estimaciones de los efectos en una
escala de probabilidad normal. Qu efectos parecen ser importantes?
b) Usar un anlisis de varianza para confirmar los resultados del inciso a. Hay algn indicio de curvatura?
e) Escribir un modelo de regresin para predecir el peso molecular como una funcin de las variables im-
portantes.
d) Analizar los residuos y comentar la adecuacin del modelo.
e) Repetir los incisos a-d utilizando la respuesta de la viscosidad.
6-27. Contillruu:i6ndelproblema6-26. Utilizar los modelos de regresin del peso molecular y la viscosidad para res-
ponder las preguntas siguientes.
a) Construir una grfica de contorno de la superficie de respuesta para el peso molecular. En qu direc-
cin se ajustaran las variables del proceso a fin de incrementar el peso molecular?
b) Construir una grfica de contorno de la superficie de respuesta para la viscosidad. En qu direccin se
ajustaran las variables del proceso para disminuir la viscosidad?
6-7 PROBLEMAS 285
e) Qu condiciones de operacin se recomendaran si fuera necesario producir un producto con peso mo-
lecular entre 2400 y 2500, Y con la viscosidad ms baja posible?
6-28. Considere una sola rplica del diseo 24 del ejemplo 6-2. Suponga que se hicieron cinco corridas de puntos en
el centro (O,O,O,O)y que se observaron las respuestas siguientes: 73, 75, 71, 69 y 76. Probar la curvatura en
este experimento. Interpretar los resultados.
6-29. Un valorfaltante en un diseoftU:lorialP_ No es raro encontrar que falta una de las observaciones de un diseo
2k debido a un equipo de medicin defectuoso, una prueba fallida, o alguna otra razn. Si el diseo se hace
con n rplicas (n > 1), puede emplearse alguna de las tcnicas estudiadas en el captulo 5. Sin embargo, para
un diseo factorial sin rplicas (n = 1) debe usarse otro mtodo. Un enfoque lgico es estimar el valor faltan-
te con un nmero que haga cero el contraste de la interaccin de orden ms alto. Aplicar esta tcnica al expe-
rimento del ejemplo 6-2, suponiendo que falta la corrida ah. Compare los resultados obtenidos con los del
ejemplo 6-2.
6-30. Un ingeniero realiz un experimento para estudiar el efecto de cuatro factores sobre la aspereza superficial
=
de una pieza maquinada. Los factores (y sus niveles) sonA ngulo de la herramienta (12, 15),B :: viscosi-
dad del fluido de corte (300, 400), e = velocidad de alimentacin (10,15 pulg/min) y D :: enfriador del fluido
de corte usado (no, s). Los datos de este experimento (con los factores codificados en los niveles usuales -1,
+ 1) se muestran a continuacin.
Corrida A B e D Rugosidad superficial

1 0.00340
2 + 0.00362
3 + 0.00301
4 + + 0.00182
5 + 0.00280
6 + + 0.00290
7 + + 0.00252
8 + + + 0.00160
9 + 0.00336
10 + + 0.00344
11 + + 0.00308
12 + + + 0.00184
13 + + 0.00269
14 + + + 0.00284
15 + + + 0.00253
16 + + + + 0.00163
a) Estimar los efectos de los factores. Representar las efectos de los factores en una grfica de probabilidad
normal y seleccionar un modelo tentativo.
b) Ajustar el modelo identificado en el inciso a y analizar los residuales. Hay algn indicio de que el mode-
lo no sea adecuado?
e) Repetir el anlisis de los incisos a y b utilizando 1~ como la variable de respuesta. Hay algn indicio de
que la transformacin ha sido til?
d) Ajustar un modelo en trminos de las variables codificadas que pueda usarse para predecir la rugosidad
superficial. Convertir esta ecuacin de prediccin en un modelo en las variables naturales.
6-31. La resistividad de una oblea de silicio est influida por varios factores. Los resultados de un experimento fac-
torial 24 realizado durante un paso crtico del procesamiento se muestran en la tabla siguiente:
286 CAP11JLO 6 DISEO FAcrORIAL z
Corrida A B e D Resistividad
1 1.92
2 + 11.28
3 + 1.09
4 + + 5.75
5 + 2.13
6 + + 9.53
7 + + 1.03
8 + + + 5.35
9 + 1.60
10 + + 11.73
11 + + 1.16
12 + + + 4.68
13 + + 2.16
14 + + + 9.11
15 + + + 1.07
16 + + + + 5.30
a) Estimar los efectos de los factores. Representar las efectos de los factores en una grfica de probabilidad
normal y seleccionar un modelo tentativo.
b) Ajustar el modelo identificado en el inciso a y analizar los residuales. Hay algn indicio de que el mode-
lo no sea adecuado?
e) Repetir el anlisis de los incisos a y b utilizando In (y) como la variable de respuesta. Hay algn indicio
de que la transformacin haya sido til?
d) Ajustar un modelo en trminos de las variables codificadas que pueda usarse para predecir la resistivi-
dad.
6-32. Continuacin delproblema 6-31. Suponga que el experimentador corri tambin cuatro puntos centrales jun-
to con las 16 corridas del problema 6-31. Las mediciones de la resistividad en los puntos centrales son: 8.15,
7.63,8.95 y 6.48. Analizar de nuevo el experimento incorporando los puntos centrales. Qu conclusiones
pueden sacarse ahora?
6-33. Es frecuente usar el modelo de regresin ajustado de un diseo factoral Z"para hacer predicciones en pun-
tos de inters del espacio del diseo.
a) Encontrar la varianza de la respuesta predicha y en un puntox..x; ...,Xk del espacio del diseo. Sugeren-
cia: recuerde que lasx estn codificadas, y suponga un diseo 2k con 'el mismo nmero de rplicas n en
p
cada punto del disefio, de tal modo que la varianza de un coeficiente de regresin sea a2/(n2k) y que la
covarianza entre cualquier par de coeficientes de regresin sea cero.
b) Usar el resultado del inciso a para encontrar la ecuacin de un intervalo de confianza de 100(1-a) por
ciento para la verdadera respuesta media en el punto Xl> Xl> ... , Xk del espacio del diseo.
6-34. Modelosjerrquicos. Se ha usado varias veces el principio de jerarqua para seleccionar un modelo; es decir,
se han incluido trminos de orden inferior no significativos en un modelo porque eran factores que estaban
incluidos en trminos de orden superior significativos. Ciertamente, la jerarqua no es un principio absoluto'
que deba seguirse en todos los casos. Para ilustrar esto, considere el modelo que result en el problema 6-1,
el cual requiri que se incluyera un efecto principal no significativo para respetar la jerarqua. Utilizar los da-
tos del problema 6-1.
a) Ajustar el modelo jerrquico y el modelo no jerrquico.
b) Calcular el estadstico PRESS, la RZ ajustada y el cuadrado medio del error para ambos modelos.
e) Encontrar un intervalo de confianza de 95% para la estimacin de la respuesta media en el vrtice de un
cubo (Xl = X2 = X3 = 1). Sugerencia: usar los resultados del problema 6-33.
d) Con base en 'los anlisis que se han realizado, qu modelo preferira el lector?
Formacin de
bloques y confusin
en el diseo
factorial 2k
7..1 INTRODUCCIN
Hay mltiples situaciones en las que es imposible efectuar todas las corridas de un experimento factorial
2k bajo condiciones homogneas. Por ejemplo, un lote de materia prima podra no ser suficiente para ha-
cer todas las corridas requeridas. En otros casos, podra ser conveniente modificar deliberadamente las
condiciones experimentales para asegurar que los tratamientos tengan la misma efectividad (es decir, que
sean robustos) en diversas situaciones que es posible encontrar en la prctica. Por ejemplo, un ingeniero
qumico puede correr un experimento en una planta piloto con varios lotes de materia prima porque sabe
que en el proceso real a gran escala posiblemente se usarn diferentes lotes de materia prima con diversos
grados de calidad.
La tcnica de diseo utilizada en estas situaciones es la formacin de bloques. Este captulo se enfoca
en algunas tcnicas especiales para separar en bloques un diseo factorial 2k
7..2 FORMACINDE BLOQUESDE UN DISEOFACTORIAL2k CON RPUCAS

Suponga que se han corrido n rplicas del diseo factorial 2".Esta situacin es idntica a la que se estudi
en el captulo 5, donde se indic cmo correr un diseo factorial general en bloques. Si hay n rplicas, en-
tonces cada conjunto de condiciones no homogneas define un bloque, y cada rplica se corre en uno de
los bloques. Las corridas de cada bloque (o rplica) se haran de manera aleatoria. El anlisis del diseo
Tabla 71 Experimento del proceso qumico en tres bloques

Bloque 1 Bloque 2 Bloque 3
(1)=28 (1)=25 (1)=27
a = 36 a = 32 a = 32
b = 18 =
b 19 b = 23
ab = 31 ab == 30 ab = 29
Thtales de los bloques
287
288 CAPTULO 7 FORMACIN DE BLOQUES y CONFUSIN EN EL DISEO FAcrORIAL 2'
Tabla 72 Anlisis de varianza del experimento del proceso qumico en tres bloques
Bloques uo 2 3~
A (concentracin) 208.33 1 208.33 50.32 0.0004
B (catalizador) ~ro 1 ~m 18.12 0.0053
AB 8.33 1 8.33 2.01 0.2060
Error 24.84 6 4.14
Thtal 323.00 11
es similar al de cualquier experimento factorial separado en bloques; por ejemplo, vase la revisin de la
seccin 5-6.
EJEMPLO 7-1 ...............

Considere el experimento del proceso qumico que se describi en la seccin 6-2. Suponga que slo pue-
den hacerse cuatro ensayos experimentales con un solo lote de materia prima. Por lo tanto, se necesitarn
tres lotes de materia prima para correr las tres rplicas de este diseo. En la tabla 7-1 se muestra el diseo
donde cada lote de materia prima corresponde a un bloque.
En la tabla 7-2 se muestra el anlisis de varianza de este diseo separado en bloques. Todas las sumas
de cuadrados se calculan exactamente igual que en un diseo 2k estndar sin formacin de bloques. La
suma de cuadrados de los bloques se calcula a partir de los totales de los bloques. Sea que B, B2 YB3 re-
presenten los totales de los bloques (ver la tabla 7-1). Entonces
. 3 B2 2
SS Bloques =L
1-1
--- ~2
= (113)2 +(106)2 +(111)2 (330)2
4 12
=6.50
Hay dos grados de libertad entre los tres bloques. La tabla 7-2 indica que las conclusiones de este anlisis,
si el diseo se hubiera corrido en bloques, son idnticas a las de la seccin 6-2 y que el efecto de los blo-
...... ......"
ques es relativamente pequeo .
""" .
7~3 CONFUSIN DELDISEO FACTORIAL 2k
Hay muchos problemas en los que es imposible realizar una rplica completa de un diseo factorial en un
bloque. La confusin (o mezclado) es una tcnica de diseo mediante la cual un experimento factorial
completo se distribuye en bloques, donde el tamao del bloque es menor que el nmero de combinacio-
nes de los tratamientos de una rplica. La tcnica hace que la informacin acerca de ciertos efectos de los
tratamientos (por lo general las interacciones de orden superior) sea indistinguible de los bloques o est
confundida con los bloques. En este captulo la atencin se centra en los sistemas de confusin (o mezcla-
do) para el diseo factorial Z, Observe que aun cuando los diseos que se presentan son diseos de blo-
ques incompletos, ya que cada bloque no contiene todos los tratamientos o las combinaciones de los
tratamientos, la estructura especial del sistema factorial Z permite un mtodo de anlisis simplificado.
Se considera la construccin y el anlisis del diseo factorial 2k en 2!' bloques incompletos, donde
p < k. Por consiguiente, estos diseos pueden correrse en dos bloques, en cuatro bloques, en ocho blo-
ques, etctera.
7-4 CONFUSIN DEL DISEO FACroRIAL 2k EN DOS BLOQUES 289
7..4 CONFUSIN DEL DISEO FACTORIAL 2" EN DOS BLOQUES

Suponga que quiere correrse una sola rplica del diseo 22 Cada una de las 22 = 4 combinaciones de los
tratamientos requiere una cantidad de materia prima, por ejemplo, y cada lote de materia prima slo al-
canza para probar dos combinaciones de tratamientos. Por lo tanto, se necesitan dos lotes de materia pri-
ma. Si los lotes de materia prima se consideran como bloques, entonces deben asignarse a cada bloque
dos de las cuatro combinaciones de tratamientos.
En la figura 7-1 se muestra lUDO de los diseos posibles para este problema. La vista geomtrica, figu-
ra 7-la, indica que las combinaciones de tratamientos localizadas en diagonales opuestas se asignan a blo-
ques diferentes. Observe, por la figura 7-lb, que el bloque 1 contiene las combinaciones de los
tratamientos (1) Yaby que el bloque 2 contiene ay b. Desde luego, el ordenen que se corren las combina-
ciones de los tratamientos dentro de un bloque se determina aleatoriamente. Tambin se decidir aleato-
riamente cul de los bloques se correr primero. Suponga que los efectos principales deA y B se estiman
como si no se hubiera hecho la formacin de bloques. Por las ecuaciones 6-1 y 6-2 se obtiene
A= t[ab+a-b-(l)]
B= t[ab+b-a-(l)]
Observe que niA ni B son afectados por la formacin de bloques, debido a que en cada estimacin hay
una combinacin de un tratamiento positivo y uno negativo de cada bloque. Es decir, cualquier diferencia
entre el bloque 1 y el bloque 2 se cancela.
Considere ahora la interaccin AB
AB= t[ab+(l)-a-b]
Puesto que las dos combinaciones de tratamientos con signo positivo [aby (1)] estn en el bloque 1 y las
dos con signo negativo (a y b) estn en el bloque 2, el efecto de los bloques y la interaccinAB son idnti-
cos. Es decir, AB est confundido (o mezclado) con los bloques.
La razn de esto es evidente en la tabla de signos positivos y negativos del diseo 22 Se present origi-
nalmente en la tabla 6-2, pero por conveniencia se repite como la tabla 7-3. A partir de esta tabla se observa
que todas las combinaciones de tratamientos que tienen signo positivo para AB se asignan al bloque 1,
+0-----.
,. Corridaen el bloque 1
B
O - Corridaen el bloque 2
+
A
al Vista geomtricliI
Bloque 1 Bloque 2
r-ml
L:J D
bl Asignacinde lascuatro
corridas en dos bloques
Figura 7-1 Diseo 2Z en dos bloques.

290 CAPTULO 7 FORMACIN DE BLOQUES Y CONFUSIN EN EL DISEO FACTORIAL 2'
Tabla 73 Tabla de signospositivos y negativos para el disefio 22

tratamientos 1 A B AB
(1) + +
a + +
b + +
ab + + + +
mientras que todas las combinaciones de tratamientos que tienen signo negativo para AB se asignan al
bloque 2. Este enfoque puede usarse para confundir o mezclar cualquier efecto (A, B o AB) con los blo-
ques. Por ejemplo, si (1) Yb se hubieran asignado al bloque 1 y a yab al bloque 2, el efecto principal deA
se habra confundido con los bloques. La prctica usual es confundir la interaccin de orden ms alto con
los bloques.
Este esquema puede usarse para confundir o mezclar cualquier diseo 2k en dos bloques. Como un
segundo ejemplo, considere un diseo 23 que se corre en dos bloques. Suponga que se quiere confundir la
interaccin de los tres factoresABC con los bloques. Por la formacin de signos positivos y negativos de la
tabla 7~4,las combinaciones de tratamientos que son negativas paraABC se asignan al bloque 1 y las que
son positivas paraABC al bloque 2. El diseo resultante se muestra en la figura 7-2. De nueva cuenta se
resalta que las combinaciones de tratamientos dentro de un bloque se corren de manera aleatoria.
Otros mtodos para construir bloques
Se cuenta con otro mtodo para construir estos disefios. El mtodo utiliza la combinacin lineal
(7-1)
donde r, es el nivel del factor isimo que aparece en una combinacin de tratamientos particular y a es el
exponente que aparece en el factor i-simo para el efecto que va a confundirse. Para el sistema 2\ se tiene
= =
a O01 yx O(nivel bajo) o r, =
1 (nivel alto). Ala ecuacin 7-1 se le llama la definicin de contrastes.
Las combinaciones de tratamientos que producen el mismo valor de L (mod 2) se colocarn en el mismo
bloque. Puesto que los nicos valores posibles deL (mod 2) son Oy 1, con esto las 2k combinaciones de tra-
tamientos se asignarn a exactamente dos bloques.
Tabla 74 Tabla de signos positivos y negativos para el disefio 23

tratamientos 1 A B AB C AC BC ABC
(1) + + + +
a + + + +
b + + + +
ab + + + +
e + + + +
ae + + + +
be + + + +
abe + + + + + + + +
74 CONFUSIN DEL DISEO FACTORIAL 2k EN DOS BLOQUES 291
~ Corrida en el bloque 1
O .. COrrida en el bloque 2
ct A
a) Vista geomtrica
Bloque 1 Bloque 2
(1) a
ab b
ac e
be abe
b) Asignacin de las ocho

corridas en dos bloques
Figura 72 El disefio2' en dos bloquesconABC confun-

dido.
Para ilustrar este enfoque, considere un diseo 23 conABC confundido con los bloques. En este caso,
Xlcorresponde aA,x2aB,x3 aCyal = a2 = a3 = 1. Porlotanto, la definicin del contraste correspondien-
te aABC es
Lw x, +x2 +x3
La combinacin de tratamientos (1) se escribe 000 en la notacin (O, 1); por "lo tanto,
L= 1(0)+1(0)+1(0)= 0= O(mod 2)
De manera similar, la combinacin de tratamientos a es 100, obtenindose
L= 1(1)+ 1(0)+ 1(0) = 1= 1 (mod 2)
Por lo tanto, (1) ya se correran en bloques diferentes. Para el resto de las combinaciones de tratamientos
se tiene .
b: L= 1(0)+1(1)+1(0)= 1= 1 (mod 2)
ab: L= 1(1)+1(1)+1(0)= 2= O (mod 2)
e: L= 1(0)+1(0)+1(1)= 1= 1 (mod 2)
ac: L= 1(1)+1(0)+1(1)= 2= O (mod 2)
be: L= 1(0)+1(1)+1(1)= 2= O (mod 2)
abe: L= 1(1)+1(1)+1(1)= 3= 1 (mod 2)
Por lo tanto, (1), ab, ac y be se corren en el bloque 1ya, b, e y abe se corren en el bloque 2. Se trata del mis-
mo diseo que se ilustr en la figura 7-2, el cual se gener con la tabla de signos positivos y negativos.
Puede usarse otro mtodo para construir estos diseos. Al bloque que contiene la combinacin de
tratamientos (1) se le llama el bloque principal. Las combinaciones de los tratamientos incluidas en este
bloque poseen una til propiedad de la teora de grupos; a saber, forman un grupo con respecto a la multi-
292 CAPTULo 7 FORMACIN DE BLOQUESy CONFUSIN EN EL DISEO FACTORIAL 2'
plicacin mdulo 2. Esto implica que cualquier elemento [con excepcin de (1)] del bloque principal pue-
de generarse multiplicando otros dos elementos del bloque principal mdulo 2. Por ejemplo, considere el
bloque principal del diseo 23 con ABe confundido, como se muestra en la figura 7-2. Observe que
ab 'ae= aibc = be
ab .be = ab 2 e = ac
ac-bc= abe' = ab
Las combinaciones de tratamientos del otro bloque (o bloques) pueden generarse multiplicando uno de
los elementos del nuevo bloque por cada uno de los elementos del bloque principal mdulo 2. Para el di-
seo 23 conABC confundido, puesto que el bloque principal es (1), ab, ae y be, se sabe que b est en el otro
bloque. Por lo tanto, los elementos de este segundo bloque son
b'(l) =b
b+ab : ab? =a
b-ac = abe
b'be= b2e =e
Estos resultados concuerdan con los que se obtuvieron anteriormente.
Estimacin del error
Cuando el nmero de variables es pequeo, por ejemplo k = 2 o 3, por lo general es necesario hacer rpli-
cas del experimento a fin de obtener una estimacin del error. Por ejemplo, suponga que un diseo facto-
rial 23 debe correrse en dos bloques con ABe confundido, y el experimentador decide hacer cuatro
rplicas del diseo. El diseo resultante podra verse COl\lO el de la figura 7-3. Observe queABC est con-
fundido en cada rplica.
En la tabla 7-5 se muestra el anlisis de varianza de este diseo. Hay 32 observaciones y 31 grados de
libertad. Adems, puesto que hay ocho bloques, siete grados de libertad deben asociarse con estos blo-
ques. En la tabla 7-5 se presenta la descomposicin de esos siete grados de libertad. La suma de cuadra-
dos del error se compone en realidad de las interacciones de dos factores entre las rplicas, y cada uno de
los efectos (A, B, e, AB, Ae, BC). Por lo general es seguro considerar que las interacciones son cero y tra-
tar el cuadrado medio resultante como una estimacin del error. Los efectos principales y las interaccio-
nes de dos factores se prueban contra el cuadrado medio del error. Cochran y Cox [25b] hacen notar que
el cuadrado medio del bloque oABe podra compararse con el error del cuadrado medio ABe, que es en
realidad rplicas x bloques. Esta prueba suele tener una sensibilidad muy baja.
Si se cuenta con recursos suficientes para hacer rplicas de un diseo confundido, por lo general es
mejor usar un mtodo ligeramente diferente para disear los bloques en cada rplica. Este enfoque con-
siste en confundir un efecto diferente en cada rplica para obtener cierta informacin sobre todos los
Rplica ( Rplica 11 Rplica ID Rplica IV
Bloque 1 Bloque 2 Bloque 1 Bloque 2 Bloque 1 Bloque 2 Bloque 1 Bloque 2
(1) abe (1) abe (1) abe (1) abe

ae a ae a ac a ac a
ab b ab b ab b ab b
be e be e be e be e
Figura '-3 Cuatro rplicasdel diseo23 conABe confundido.

7-4 CONFUSIN DEL DISEO FACTORIAL 2k EN OOS BLOQUES 293
Tabla 7-5 Anlisis de varianza de cuatro rplicas de un

disefio ZJ con ABe confundido
Grados de
Fuente de variacin libertad
Rplicas 3
Bloques (ABC) 1
Error deABC (rplicas x bloques) 3
A .1
B 1
C 1
AB 1
AC 1
BC 1
Error (o rplicas x efectos) 18
Total 31
efectos. A este procedimiento se le llama confusin (o mezclado) parcial, y se estudia en la seccin 7-7. Si
k es moderadamente grande, por ejemplo k ~ 4, con frecuencia slo es posible hacer una rplica. El expe-
rimentador suele suponer que las interacciones de rdenes superiores son insignificantes y combina sus
sumas de cuadrados como el error. La grfica de probabilidad normal de los efectos de los factores puede
ser muy til a este respecto.
EJEMPLO 7",2 .
Considere la situacin descrita en el ejemplo 6-2. Recuerde que se estudian cuatro factores-la tempera-
tura (A), la presin (B), la concentracin de formaldehdo (C) y la velocidad de agitacin (D)- en una
planta piloto para determinar su efecto sobre el ndice de filtracin del producto. Se usar este experi-
mento para ilustrar las ideas de la formacin de bloques y la confusin en un diseo no replicado. Se in-
troducirn dos modificaciones al experimento original. Primera, suponga que no es posible correr las
24 = 16 combinaciones de tratamientos utilizando un solo lote de materia prima. El experimentador
puede correr ocho combinaciones de los tratamientos con un solo lote de material, por lo que un diseo
24 confundido en dos bloques parece apropiado. Es lgico confundir la interaccin de orden ms alto
ABCD con los bloques. La definicin del contraste es
y es sencillo verificar que el diseo es como el que se ilustra en la figura 7-4. De manera alternativa, puede
examinarse la tabla 6-12 y observar que las combinaciones de los tratamientos que son + en la columna
ABCD se asignan al bloque 1 y que las que son - en la columna ABCD, estn en el bloque 2.
La segunda modificacin que se har es introducir un efecto de los bloques para que pueda demos-
trarse la utilidad de la formacin de bloques. Suponga que cuando se seleccionan los dos lotes de materia
prima que se necesitan para correr el experimento, uno de ellos es de calidad mucho ms baja y, como re-
sultado, todas las respuestas sern 20 unidades menores en este lote de material que en el otro. El lote de
calidad menor se convierte en el bloque 1y el lote de buena calidad se convierte en el bloque 2 (no es rele-
vante a cul de los dos lotes se le llama bloque 1 o bloque 2). Entonces todas las pruebas del bloque 1 se
realizan primero (las ocho corridas del bloque se hacen, desde luego, de manera aleatoria), pero las res-
puestas son 20 unidades ms bajas que las que se habran obtenido si se hubiera usado el material de bue-
na calidad. En la figura 7-4b se muestran las respuestas resultantes; observe que stas se han encontrado
294 CAPTULO 7 FORMACiN DE BLOQUESY CONFUSiN EN EL DISEO FACTORIAL 2k
D
+
~ Corridas en el bloque 1
o - Corridas en el bloque 2
eL
A
a) Vista geomtrica
Bloque 1 Bloque 2
(1) - 25 a-71
ab-45 b-48
oc~40 c-68
bc~60 d~43
ad .. SO abe:o66
bd '"25 bcd=70
cd-55 acd=86
abcd-76 abd 104
b) Asignacin de las 16 corridas

en los dos bloques
Figura 7-4 El diseo 24 en dos bloques para el ejemplo 7-2.
restando el efecto del bloque de las observaciones originales dadas en el ejemplo 6-2. Es decir, la respues-
ta original de la combinacin de tratamientos (1) fue 45, y en la figura 7-4b se consigna como (1) = 25 (=
45 - 20). Las dems respuestas de este bloque se obtienen de manera similar. Despus de que se realizan
las pruebas del bloque 1, se prosigue con las ocho pruebas del bloque 2. No hay ningn problema con la
materia prima de este lote, por lo que las respuestas son exactamente como fueron originalmente en el
ejemplo 6-2.
En la tabla 7-6 se muestran las estimaciones de los efectos para esta versin "modificada" del ejemplo
6-2. Observe que las estimaciones de los cuatro efectos principales, de las seis interacciones de dos facto-
res y de las cuatro interacciones de tres factores son idnticas a las estimaciones de los efectos obtenidas
en el ejemplo 6-2, donde no hubo ningn efecto de bloques. Cuando se construye una grfica de probabili-
dad normal de estas estimaciones de los efectos, los factores A, e, D y las interaccionesAC yAD aparecen
como los efectos importantes, justo como en el experimento original. (El lector deber verificar esto.)
Qu puede decirse del efecto de la interaccin ABCD? La estimacin de este efecto en el experi-
mento original (ejemplo 6-2) fueABeD = 1.375. En el presente ejemplo, la estimacin del efecto de la in-
=
teraccinABCD esABCD -18.625. Puesto queABeD est confundido con los bloques, la interaccin
ABeD estima el efecto de la interaccin original (1.375) ms el efecto de bloque (-20), de dondeABCD =
1.375 + (-20) = -18.625. (Puede el lector ver por qu el efecto del bloque es -20?) El efecto del bloque
7-4 CONFUSIN DEL DISEO FACroRIAL 2. EN DOS BLOQUES 295
Tabla 7-6 Estimacionesde losefectos para el diseo 24 separado en bloques del
ejemplo 7-2
Trmino del Coeficiente Estimacin Suma de Contribucin
modelo de regresin . del efecto cuadrados porcentual
A 10.81 21.625 1870.5625 26.30
B 1.56 3.125 39.0625 0.55
C 4.94 9.875 390.0625 5.49
D 7.31 14.625 855.5625 12.03
AB 0.062 0.125 0.0625 <0.01
AC -9.06 -18.125 1314.0625 18.48
AD 8.31 16.625 1105.5625 15.55
BC 1.19 2.375 22.5625 0.32
BD -0.19 -0.375 0.5625 <0.01
CD -0.56 -1.125 5.0625 0.07
ABC 0.94 1.875 14.0625 0.20
ABD 2.06 4.125 68.0625 0.96
ACD -0.81 -1.625 10.5625 0.15
BCD -1.31 -2.625 27.5625 0.39
Bloques (ABCD) -18.625 1387.5625 19.51
tambin puede calcularse directamente como la diferencia en la respuesta promedio entre los dos blo-
ques, o
Efecto del bloque = YIIIoquo 1 - YBIoque 2
406 555
=---
8 8
-149
=--
8
= -18.625
Desde luego, este efecto es en realidad la estimacin de Bloques + ABCD.

En la tabla 7-7 se resume el anlisisde varianza de este experimento. Los efectos que tienen estima-
ciones grandes estn incluidos en el modelo, y la suma de cuadrados de los bloques es
ss = (406)2+(555)2 (9~!)2 = 1387.5625

Bloques
8
Tabla 7-7 Anlisis de varianza del ejemplo 7-2

Bloques (ABCD) 1387.5625 1
A 1870.5625 1 1870.5625 89.76 <0.0001
C 390.0625 1 390.0625 18.72 0.0019
D 855.5625 1 855.5625 41.05 0.0001
AC 1314.0625 1 1314.0625 63.05 <0.0001
AD 1105.5625 1 1105.5625 53.05 <0.0001
Error 187.5625 9 20.8403
Thtal 7111.4375 15
------ ----------------------------------------------------------
296 CAPTULO 7 FORMACIN DE BLOQUES Y CONFUSIN EN EL DISEO FACTORIAL 2'
Las conclusiones de este experimento coinciden exactamente con las del ejemplo 6-2, donde no estuvo
presente ningn efecto de bloques. Observe que si el experimento no se hubiera corrido en bloques, y si
un efecto de magnitud -20 hubiera afectado los 8 primeros ensayos (los cuales se habran seleccionado de
manera aleatoria, ya que los 16 ensayos se habran corrido en orden aleatorio en un diseo sin formacin
de bloques), los resultados pudieron haber sido muy diferentes.
7,5 CONFUSIN DEL DISEO FACTORIAL 2k EN CUATRO BLOQUES

Es posible construir diseos factoriales 2k confundidos en cuatro bloques con 2k - 2 observaciones cada
uno. Estos diseos son particularmente tiles en situaciones en las que el nmero de factores es modera-
damente grande, por ejemplo k ~ 4, Y el tamao de los bloques es relativamente pequeo.
Como un ejemplo, considere el diseo 25 Si cada bloque incluir nicamente ocho corridas, entonces
debern usarse cuatro bloques. La construccin de este diseo es relativamente directa. Se seleccionan
dos efectos para confundirlos con los bloques, por ejemploADE y BCE. Estos efectos tienen las dos defi-
niciones de contrastes
L_ = Xl +X4 +X5
L2 = X2 +X3 +x5
asociadas con ellos. Entonces cada combinacin de tratamientos producir un par particular de valores
= (O,O),(0,1), (1, O)o bien (1,1). Las combina-
de L, (mod 2) y L2 (mod 2), es decir, cualquiera de (L,L2)
ciones de tratamientos que producen los mismos valores de (Ll, Lz) se asignan al mismo bloque. En el
ejemplo tratado aqu se encuentra
L; = O, L, = O para (1), ad, be, abed, abe, aee,'ede, bde
L_ = 1, L2 = O para a, d, abe, bed, be, abde, ce, acde
L_ = O, L2 = 1 para b, abd, e, acd, ae, de, abce, bcde
T
"-1. =1, L2 =1 para e,ade,bee,abcde,ab,bd,a~cd
Estas combinaciones de tratamientos se asignaran a bloques diferentes. En la figura 7-5 se muestra el di-
seo completo.
Con un poco de reflexin, nos damos cuenta de que otro efecto adems deADE y BCE debe confun-
dirse con los bloques. Puesto que hay cuatro bloques con tres grados de libertad entre ellos, y puesto que
ADE y BCE tienen un solo grado de libertad cada una, es evidente la necesidad de confundir un efecto
adicional con un grado de libertad, Este efecto es la interaccin generalizada deADE y BCE, la cual se
Bloque 1 Bloque 2 Bloque 3 Bloque4

L, ~O L, -1 L, eO L,-l
Ll~O L2 ~ O L2 ~ 1 L2 ~,
(1) abe a be b abce e abede

ad ace d abde abd ae ade bd
be cde abe ce c bcde bce ac
abcd bde bcd acde acd de ab cd
Flgura 7-5 El diseo 25 en cuatro bloques conADE,

BCE y ABeD confundidos.
7-6 CONFUSIN DEL DISEO FACTORIAL 2 EN 2P BLOQUES 297
define como el producto deADE y BCE mdulo 2. Por lo tanto, en el ejemplo tratado aqu la interaccin
generalizada (ADE)(BCE) = ABCDE2 = ABCD tambin est confundido con los bloques. Es sencillo ve-
rificar esto refirindose a la tabla de signos positivos y negativos del diseo 25, como en Davies [36]. La
inspeccin de esta tabla revela que las combinaciones de los tratamientos se asignan a los bloques de la si-
guiente manera:
Combinaciones de los
tratamentos en el SignodeADE Signo deBCE Signo deABCD
Bloque 1 +
Bloque 2 +
Bloque 3 +
Bloque 4 + + +
Observe que el producto de los signos de dos efectos cualesquiera de un bloque particular (por ejemplo
ADE y BCE) produce el signo del otro efecto de ese bloque (en este caso, ABCD). Por lo tanto, ADE, .
BCE y ABCD estn confundidos con los bloques.
Las propiedades de la teora de grupos del bloque principal mencionadas en la seccin 7-4 siguen
siendo vlidas. Por ejemplo, se observa que el producto de dos combinaciones de tratamientos del bloque
principal produce otro elemento del bloque principal. Es decir,
ad 'be = abed y abebde = ab2de2 = ad

etctera. Para construir otro bloque se selecciona una combinacin de tratamientos que no est en el blo-
que principal (por ejemplo b), Yb se multiplica por todas las combinaciones de tratamientos del bloque
principal. Se obtiene as
b'(l)= b b-od=obd b -abcd = ab cd = acd

etctera, lo que producir las ocho combinaciones de tratamientos del bloque 3. En la prctica, el bloque
principal puede obtenerse a partir de la definicin de contrastes y de la propiedad de la teora de grupos, y
los dems bloques pueden determinarse a partir de estas combinaciones de los tratamientos aplicando el
mtodo que se present anteriormente.
El procedimiento general para construir un diseo 2k confundido en cuatro bloques consiste en elegir
dos efectos para generar los bloques, confundindose automticamente un tercer efecto que es la interac-
cin generalizada de las dos primeras. Despus se construye el diseo utilizando las dos definiciones de
contrastes (Ll, L2) Ylas propiedades de la teora de grupos del bloque principal. Al seleccionar los efectos
que van a confundirse con los bloques, debe tenerse cuidado de obtener un diseo en el que no estn con-
fundidos efectos que pueden ser de inters. Por ejemplo, en un diseo 25 podra elegirse confundir
ABCDE y ABD, con lo cual se confunde automticamente CE, un efecto que es de posible inters. Una
mejor eleccin es confundir ADE y BCE, con lo cual se confunde automticamenteABCD. Es preferible
sacrificar informacin en las interacciones de tres factoresADE y BCE en lugar de la interaccin de dos
factores CE.
7..6 CONFUSIN DEL DISEO FACTORIAL 2k EN 2"BLOQUES

Los mtodos descritos antes pueden extenderse a la construccin de un diseo factorial Z" confundido (o
mezclado) en 2P bloques (p < k), donde cada bloque contiene exactamente 2k-p corridas. Se seleccionanp
efectos independientes que van a confundirse, donde por "independientes" se entiende que ninguno de
los efectos elegidos es la interaccin generalizada de los dems. Los bloques pueden generarse mediante
298
7-7 CONFUSIN PARCIAL 299
el uso de las p definiciones de contrastes L1, L2, , Lp asociadas con estos efectos. Asimismo, se confundi-
rn otros 2J' - P -1efectos con los bloques, siendo stos las interacciones generalizadas de losp efectos in-
dependientes elegidos inicialmente. Deber tenerse cuidado al seleccionar los efectos que van a
confundirse para que no se sacrifique informacin sobre los efectos que pueden ser de inters potencial.
El anlisis estadstico de estos diseos es directo. Las sumas de cuadrados de todos los efectos se
calculan como si no se hubiera hecho la formacin de bloques. Despus, la suma de cuadrados de los blo-
ques se encuentra sumando las sumas de cuadrados de todos los efectos confundidos con los bloques.
Obviamente, la eleccin de los p efectos usados para generar el bloque es crtica, ya que la estructura
de la confusin (o mezclado) del diseo depende directamente de ellos. En la tabla 7-8 se presenta una
lista de diseos tiles. Para ilustrar el uso de esta tabla, suponga que quiere construirse un diseo 26 con-
fundido en 23 = 8 bloques con 23 = 8 corridas cada uno. La tabla 7-8 indica que se elegiranABEF, ABCD
yACE como losp = 3 efectos independientes para generar los bloques. Los 2J' - P - 1= 23 - 3 -1 = 4 efec-
tos restantes que estn confundidos son las interacciones generalizadas de estos tres; es decir,
(ABEF)(ABCD) = Al B2CDEF= CDEF
(ABEF)(ACE) = A BCE F= BCF
2 2
(ABCD)( A CE) = A 2 Bc2 ED = BDE

(ABEF)(ABCD)(ACE) =A 3 B2C2 DE2 F= ADF
En el problema 7-11 se le pide al lector que genere los ocho bloques de este diseo.
7,,7 CONFUSIN PARCIAL

En la seccin 7-4 se subray que, a menos que los experimentadores cuenten con una estimacin previa
del error o que estn dispuestos a suponer que ciertas interacciones son insignificantes, deben hacer r-
plicas del diseo para obtener una estimacin del error. En la figura 7-3 se muestra un diseo factorial 23
en dos bloques conABC confundido, con cuatro rplicas. Por el anlisis de varianza de este diseo, el cual
se presenta en la tabla 7-5, se observa que no puede sacarse informacin acerca de la interaccinABC de-
bido a queABC est confundido con los bloques en todas las rplicas. Se dice que este diseo est comple-
tamente confundido (o mezclado).
Considere la alternativa que se presenta en la figura 7-6. De nueva cuenta hay cuatro rplicas del di-
seo 2\ pero en cada rplica se ha confundido una interaccin diferente. Es decir,ABC est confundido en
la rplica I,AB est confundido en la rplica 11,BC est confundido en la rplica 111yAC est confundido
en la rplica IV. Como resultado puede obtenerse informacin deABC a partir de los datos de las.rplicas
11,111 YIV; informacin deAB puede obtenerse de las rplicas 1, m
y IV; informacin deAC puede obte-
Rplical Rplica n Rplicaill Rplic,N

ABe Confundido AB Confundido BC Confundido AC Confundido
(1) a m a (1) b (11 a

ab b e b a e b e
ce e ab ce be ab ce ab
be abe abe be abe ce abe be
Figura 7-6 Confusin parcial en el diseo 23

300 CAPTULO 7 FORMACIN DE BLOQUES y CONFUSIN EN EL DISEO FACfORIAL Zk
'Thbla 7-9 Anlisis de varianza de un diseflo 23 parcialmente confundido

Grados de
Rplicas 3
Bloquesdentro de rplicas [oABC (rp. 1) + AB (rp. 11)
+ BC (rp, I1I) + AC (rp. IV)] 4
A 1
B 1
C 1
AB (de las rplicas 1,III y IV) 1
AC (de las rplicas J, 11YIII) 1
BC (de las rplicas 1, 11YIV) 1
ABe (de las rplicas 1, III YIV) 1
Error 17
lbtal 31
nerse de las rplicas 1, 11y 111;e informacin de Be puede obtenerse de las rplicas 1, 11y IV. Se dice que
pueden obtenerse tres cuartas partes de la informacin de las interacciones porque no estn confundidas
en slo tres rplicas. Yates [113bJ llama a la relacin 3/4 la informacin relativa de los efectos confundi-
dos. Se dice que este diseo est parcialmente confundido (o mezclado).
En la tabla 7-9 se muestra el anlisis de varianza de este diseo. Para calcular las sumas de cuadrados
de las interacciones, slo se usan los datos de las rplicas en las que no est confundida una interaccin.
La suma de cuadrados del error consta de las sumas de cuadrados de rplicas x sumas de cuadrados de
efecto principal, ms las sumas de cuadrados de rplicas x sumas de cuadrados de interaccin para cada
rplica en la que esa interaccin no est confundida (por ejemplo, rplicas x ABe para las rplicas 11,In
y IV). Adems, hay siete grados de libertad entre los ocho bloques. Es comn hacer la particin de tres
grados de libertad para las rplicas y cuatro grados de libertad para los bloques dentro de las rplicas. La
composicin de la suma de cuadrados de los bloques se muestra en la tabla 7-9 y se sigue directamente de
la eleccin del efecto confundido en cada rplica.
'Ej'EMPLO 7-3 . . . . . .." . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . " . .. ...
Un diseo 23 con confusin parcial
Considere el ejemplo 6-1, en el que se realiz un estudio para determinar el efecto del porcentaje de car-
bonatacin (A), la presin de operacin (B) y la velocidad de lnea (e) sobre la altura de llenado de una
bebida carbonatada. Suponga que cada lote de jarabe alcanza slo para probar cuatro combinaciones de
tratamientos. Por lo tanto, cada rplica del diseo 23 debe correrse en dos bloques. Se corren dos rplicas,
con ABe confundido en la rplica I y AB confundido en la rplica 11. Los datos son los siguientes:
Rplica 1 Rplica 11
ABC confundido AB confundido
(1) = -3 a= O (1) = -1 a=1
ah= 2 b=-l e= O b=O
ac= 2 c=-l ab= 3 ac=l
be= 1 abe= 6 abe = 5 be == 1
7-8 PROBLEMAS 301
variacin cuadrados libertad medio r, ValorP
Rplicas 1.00 1 1.00
Bloques dentro de las rplicas 2.50 2 1.25
A 36.00 1 36.00 48.00 0.0001
B 20.25 1 20.25 27.00 0.0035
C 12.25 1 12.25 16.33 0.0099
AB (slo en la rplica 1) 0.50 1 0.50 0.67 0.4503
AC 0.25 1 0.25 0.33 0.5905
BC 1.00 1 1.00 1.33 0.3009
ABC (slo en la rplica 11) 0.50 1 0.50 0.67 0.4503
Error 3.75 5 0.75
Thtal 78.00 15
Las sumas de cuadrados deA, B, e, Ae y Be pueden calcularse de la manera usual, utilizando las 16
observaciones.Sin embargo, SSABC debe encontrarse utilizando nicamente los datos de la rplica 11y
SSAB utilizando nicamente los datos de la rplica 1 de la siguiente manera:
SS = [a+b+c+abc-ab-ac-bc-(1)12
ABC ni'
[1+0+0+5- 3-1-1-(-1)]2
= (1)(8) = 0.50
S = [(I)+abc-ac+c-a-b+ab-bc]2
AS n2.t
= [-3+6- 2+(-1)- 0-(-1)+2-1]2 = 0.50
(1)(8)
La suma de cuadrados de las rplicas es, en general,
n R2 y2
SSRep = L 2= - N
~=l
= (6)2+(10)2_ (16)2= 100

8 16'
donde R" es el total de las observacionesen la rplicah-sima. La suma de cuadrados de losbloques es la
suma de SSABC de la rplica 1 y SSAB de la rplica 11,o SSmoque. = 2.50.
En la tabla 7-10se resume el anlisis de varianza. Los tres efectos principales son importantes.
.., 111 111
7..8 PROBLEMAS
7-1. Considere el experimento descrito en el problema 6-1. Analizar este experimento suponiendo que cada r-
plica representa un bloque de un solo turno de produccin.
7-2. Considere el experimento descrito en el problema 6-5. Analizar este experimento suponiendo que cada una
de las cuatro rplicas representa un bloque.
7-3. Considere el experimento de la formacin de fisuras en la aleacin de nquel y titanio descrito en el problema
6-15. Suponga que slo pudieron hacerse 16 corridas en un solo da, por lo que cada rplica se trat como un
bloque. Analizar el experimento y sacar conclusiones.
302 CAPTULO 7 FORMACIN DE BLOQUESY CONFUSIN EN EL DISEO FACTORIAL
7-4. Considere los datos de la primera rplica del problema 6-1. Suponga que no fue posible correr todas estas ob-
servaciones utilizando barras del mismo lote. Establecer un diseo para correr estas observaciones en dos
bloques de cuatro observaciones cada uno con ABC confundido. Analizar los datos.
7-5. Considere los datos de la primera rplica del problema 6-7. Construir un diseo con dos bloques de ocho ob-
servaciones cada uno con ABCD confundido. Analizar los datos.
7-6. Repetir el problema 7-5 suponiendo que se requieren cuatro bloques. Confundir ABD y ABC (y por consi-
guiente CD) con los bloques.
7-7. Utilizando los datos del diseo 2s del problema 6-21, construir y analizar un diseo en dos bloques con
ABCDE confundido con los bloques.
7-8. Repetir el problema 7-7 suponiendo que se necesitan cuatro bloques. Sugerir un esquema de confusin (o
mezclado) razonable.
7-9. Considere los datos del diseo 25 del problema 6-21. Suponga que fue necesario correr este diseo en cuatro
bloques con ACDE y BCD (y por consiguiente ABE) confundidos. Analizar los datos de este diseo.
7-10. Disear un experimento para confundir un diseo actoralz en cuatro bloques. Sugerir un esquema de con-
fusin apropiado, diferente del que se ilustr en la tabla 7-8.
7-11. Considere el diseo 26 en ocho bloques con ocho corridas cada uno conABCD, ACE yABEF como los efec-
tos independientes elegidos para confundirlos con los bloques. Generar el diseo. Encontrar los dems efec-
tos confundidos con los bloques.
7-12. Considere el diseo 22 en dos bloques conAB confundido. Hacer la demostracin algebraica de que SSAJj =
SSBloque,'
7-13. Considere los datos del ejemplo 7-2. Suponga que todas las observaciones del bloque 2 se incrementan en 20.
Analizar los datos que resultaran. Estimar el efecto de bloque. Puede el lector explicar su magnitud? Los
bloques parecen ser ahora un factor importante? Hay otras estimaciones de los efectos que sufran el impac-
to de este cambio hecho en los datos?
7-14. Suponga que en el problema 6-1 se confundiABC en la rplica I,AB en la rplica 11y BC en la rplica III.
Calcular las estimaciones de los efectos. Construir la tabla del anlisis de varianza.
7-15. Repetir el problema 6-1 suponiendo que ABe se confundi con los bloques en todas las rplicas.
7-16. Suponga que en el problema 6-7ABCD se confundi en la rplica 1yABe se confundi en la rplica 11.Reali-
zar el anlisis estadstico de este diseo,
7-17. Construir un diseo 23 conABe confundido en las dos primeras rplicas y BC confundido en la tercera rpli-
ca. Delinear el anlisis de varianza y comentar la informacin obtenida.
Diseos factoriales
fraccionados de dos niveles
8..1 INTRODUCCIN
Cuando el nmero de factores de un diseo factorial Z"se incrementa, el nmero de corridas necesarias
para realizar una rplica completa del diseo rebasa con rapidez los recursos de la mayora de los exper-
mentadores. Por ejemplo, una rplica completa de un diseo 26 requiere 64 corridas. En este diseo, slo
6 de los 63 grados de libertad corresponden a los efectos principales, y slo 15 a las interacciones de dos
factores. Los 42 grados de libertad restantes se asocian con las interacciones de tres o ms factores.
Si el experimentador puede suponer razonablemente que ciertas interacciones de orden superior son
insignificantes, es posible obtener informacin de los efectos principales y las interacciones de orden infe-
rior corriendo nicamente una fraccin del experimento factorial completo. Estos diseos factoriales
fraccionados se encuentran entre los tipos de diseos de uso ms generalizado en el diseo de productos y
procesos y en el mejoramiento die procesos. .
Una de las principales aplicaciones de los diseos factoriales fraccionados es en los experimentos de
tamizado o exploracin. Se trata de experimentos en los que se consideran muchos factores y el objetivo
es identificar aquellos factores (en caso de haberlos) que tienen efectos grandes. Los experimentos de ta-
mizado suelen realizarse en las etapas iniciales de un proyecto, cuando es posible que muchos de los fac-
tores considerados en un principio tengan un efecto reducido o nulo sobre la respuesta. Entonces los
factores que se identifican como importantes se investigan con mayor detalle en experimentos subsecuentes.
El uso exitoso de los diseos factoriales fraccionados se basa en tres ideas clave:
1. Elprincipio t electos esJKUCidoso escasez de electos. Cuando hay varias variables, es posible que el
sistema o proceso est dominado principalmente por algunos de los efectos principales y las in-
teracciones de orden inferior.
2. La propiedad t proyeccwn. Los diseos factoriales fraccionados pueden proyectarse en diseos
ms fuertes (ms grandes) en el subconjunto de los factores significativos.
3. Experimenlacwn secuencial. Es posible combinar las corridas de dos (o ms) diseos factoriales
fraccionados para ensamblar secuencialmente un diseo ms grande para estimar los efectos de
los factores y las interacciones de inters.
303
304 CAPfTIJLO 8 DISEOS FACTORIALES FRACCIONAOOS DE DOS NNELES
Este captulo se enfoca en estos principios, los cuales se ilustran con varios ejemplos.
8..2 LA FRACCIN UN MEDIO DEL DISEO 21.
Considere una situacin en la que tres factores, cada uno con dos niveles, son de inters, pero los experi-
=
mentadores no estn en posicin de correr las 23 8 combinaciones de tratamientos. Sin embargo, pue-
den llevar a cabo cuatro corridas. Esto sugiere una fraccin un medio de un diseo 23 Puesto que el
=
diseo contiene 23-1 4 combinaciones de tratamientos, es comn llamar diseo 23 -1 a una fraccin un
medio del diseo 23
En la tabla 8-1 se muestra la agrupacin de signos positivos y negativos del diseo 23 Suponga que se
seleccionan las cuatro combinaciones de tratamientos a, b,e yabecomo la fraccin un medio con la que se
trabajar. Estas corridas se muestran en la parte superior de la tabla 8-1 y en la figura 8-la.
Observe que el diseo 23-1 se forma seleccionando slo las combinaciones de tratamientos que tienen
signo positivo en la columnaABC. Por lo tanto, aABC se le llama el generador de esta fraccin particular.
En ocasiones se har referencia a un generador, por ejemploABC, como una palabra. Adems, la colum-
na identidad I tambin es siempre positiva, por lo que a
I=ABC
se le llama la relaci6n de definici6n del diseo. En general, la relacin de definicin de un diseo factorial
fraccionado ser siempre el conjunto de todas las columnas que son iguales a la columna identidad l.
Las combinaciones de tratamientos del diseo 23-1 producen tres grados de libertad que pueden usar-
se para estimar los efectos principales. Con referencia a la tabla 8-1, se observa que las combinaciones li-
neales de las observaciones usadas para estimar los efectos principales de A, B y C son
lA =t(a-b-e+abc)
lB = t(-a+b-c+abc)
le = t(-a-b+c+abe)
Tambin es sencilJo verificar que las combinaciones lineales de las observaciones usadas para estimar las
interacciones de dos factores son
1Be = t(a-b-c+abc)
l Ae = t(-a+b- e+abc)
lAS =t(-a-b+c+abc)
Tabla 8-1 Signos positivosy negativos del diseo factoral Z'

tratamientos 1 A B C AB AC BC ABC
a + + + +
b + + + +
e + + + +
abe + + + + + + + +
ah + + + +
ae + + + +
he + + + +
(1) + + + +
82 LA FRACCiN UN MEDIO DEL DISEO 2k 305
alLa fraccin principal,l- +ABC

ctc
A
be
ah
(11
h) Lafraccin alterna, I - -ABC

Figura 8-1 Las dos fracciones un medio del di-
seo 2'.
Por lo tanto, lA = lBC'lB= fAc Yfe = fAB;por consiguiente, es imposible diferenciar entreA y BC, entre B y
AC y entre C y AB. De hecho, cuando se estiman A, By C, se estn estimando enrealidadA + BC, B + AC
ye + AB. A dos o ms efectos que tienen esta propiedad se les llama alias. En el ejemplo tratado aqu,A y
Be son alias, B yAC son alias y e yAB son alias. Esto se indica con la notacin fA...A + BC, fB...B + AC y
fe'" e + AB.
La estructura de los alias para este diseo puede determinarse con facilidad utilizando la relacin de
=
definicin 1 ABe. Al multiplicar cualquier columna (o efecto) por la relacin de definicin se obtienen
los alias de esa columna (o efecto). En el ejemplo tratado aqu se encuentra que el alias de A es
A/= A-ABC= A2BC
o, puesto que el cuadrado de cualquier columna es la identidad 1,
A=BC
De manera similar, se encuentra que los alias de B y e son
B-/=BABC
B=AB2C=AC
y
CI=CABC
C=ABC2 =AB
=
A esta fraccin un medio, con 1 +ABC, suele llamrsele la fraccin principal.
Suponga ahora que se eligi la otra fraccin un medio, es decir, las combinaciones de tratamientos de
la tabla 8-1 asociadas con los signos negativos de la columnaABC. Esta fraccin un medio alterna o com-
306 CAP11JLO 8 DISEOS FACTORIALESFRACCIONAOOS DE OOS NIVELES
plementaria (la cual se compone de las corridas (1), ab, ae y be) se ilustra en la figura 8-1b. La relacin de
definicin de este diseo es
I=-ABC
De la combinacin lineal de bis observaciones, por ejemplo l' A' t BY R.'o de la fraccin alterna se obtiene
c. -A-BC
l~ -B-AC
f~ -C-AB
Por 10 tanto, cuando se estiman A, B y C con esta fraccin particular, en realidad se estn estimando
A-BC, B-AC y C-AB.
En la prctica, no importa cul de las fracciones se usa. Ambas fracciones pertenecen a la misma fa-
milia; es decir, las dos fracciones un medio forman un diseo 23 completo. Esto puede observarse con fa-
cilidad con referencia a los incisos a y b de la figura 8-1.
Suponga que despus de correr una de las fracciones un medio del diseo 23, tambin se corri la
otra. Por lo tanto, se cuenta ahora con las ocho corridas asociadas con el diseo 23 completo. Pueden ob-
tenerse entonces las estimaciones sin alias de todos los efectos analizando las ocho corridas como un dise-
o 23 completo en dos bloques de cuatro corridas cada uno. Esto tambin podra hacerse sumando y
restando la combinacin lineal de los efectos de las dos fracciones individuales. Por ejemplo, considere
lA - A + BC y l'A - A - BC. Esto implica que
t(lA +l~)= t(A+BC+A- BC)- A
y que
tUA -f~)=HA+BC-A+BC)-BC
Por lo tanto, para los tres pares de combinaciones lineales se obtendra lo siguiente:
A A BC
B B AC
e C AB
Resolucin del diseo

Al diseo 23-1precedente se le llama diseo de resolucin m. En este diseo, los efectos principales son
alias de las interacciones de dos factores. Un disefio es de resolucin R cuando ningn efecto del factor p
es alias de otro efecto que contiene menos de R - P factores. Por lo general se emplea un subndice con un
numeral romano para denotar la resolucin del diseo; por lo tanto, la fraccin un medio del disefio 23
con la relacin de definicin 1 = ABe (o 1 = -ABe) es un diseo 2ii.
1
Los disefios de resolucin 111,IV YV son particularmente importantes. A continuacin se presentan

las definiciones de estos diseos y un ejemplo de cada uno:
1. Diseos de resolucin m. Se trata de diseos en los que ninguno de los efectos principales es alias
de ningn otro efecto principal, pero los efectos principales son alias de las interacciones de dos
factores, y algunas de las interacciones de dos factores pueden ser alias entre s. El diseo 23-1 de
la tabla 8-1 es un diseo de resolucin ID (2~1).
2. Diseos de resoluci6n W.Se trata de diseos en los que ninguno de los efectos principales es alias
de ningn otro efecto principal ni de las interacciones de dos factores, pero las interacciones de
8-2 LA FRACCIN UN MEDIO DEL DISEO 2~ 307
dos factores son alias entre si. Un diseo 24-1con 1 = ABCD es un diseo de resolucin IV
(2:;1).
3. Diseos de resolucin V.Se trata de diseos en los que ninguno de los efectos principales ni de las
interacciones de dos factores son alias de otro efecto principal o interaccin de dos factores, pero
las interacciones de dos factores son alias de las interacciones de tres factores. Un diseo 25-1 con
1 = ABCDE es un diseo de resolucin V (2~-1).
En general, la resolucin de un diseo factorial fraccionado de dos niveles es igual al menor nmero
de letras en cualquier palabra de la relacin de definicin. Por consiguiente, los diseos precedentes po-
dran denominarse diseos de tres, cuatro y cinco letras, respectivamente. Por lo comn, es preferible em-
plear diseos fraccionados que tengan la resolucin ms alta posible que sea consistente con el grado de
fraccionamiento requerido. Entre ms alta sea la resolucin, menos restrictivos sern los supuestos que
se requieren respecto de cules de las interacciones son insignificantes para obtener una interpretacin
nica de los datos.
Construccin de fracciones un medio
Una fraccin un medio del diseo 2k de la resolucin ms alta puede construirse apuntando el diseo b-
sico, que consta de las corridas de un diseo factorial 2"-1completo, y agregndole despus el factor k-si-
mo identificando sus niveles positivo y negativo con los signos positivo y negativo de la interaccinABC ...
(K -1) del orden ms alto. Por 10 tanto, el diseo factorial fraccionado 2~~1se obtiene apuntando el dise-
o 22 completo como diseo bsico e igualando despus el factor C con la interaccinAB. La fraccin al-
terna se obtendra igualando el factor C con la interaccin -AB. Este enfoque se ilustra en la tabla 8-2.
Observe que el diseo bsico siempre tiene el nmero correcto de corridas (renglones), pero le falta una
=
columna. El generador 1 ABe ...K se resuelve entonces para la columna faltante (K), de tal modo que K
=ABC ... (K - 1) define el producto de los signos positivos y negativos que deber usarse en cada rengln
para producir los niveles del factor k-simo.
Observe que podra usarse cualquier efecto de interaccin para generar la columna del factor k-si-
mo. Sin embargo, al utilizarse cualquier efecto que no seaABC ... (K -1), no se producir el diseo con la
resolucin ms alta posible.
Otra forma de visualizar la construccin de una fraccin un medio es mediante la particin de las co-
rridas en dos bloques con la interaccin de orden ms alto ABe ...K confundida. Cada bloque es un dise-
o factorial fraccionado 2"-1 con la resolucin ms alta.
Proyeccin de fracciones en diseos factoriales
Cualquier diseo factorial fraccionado de resolucin R contiene diseos factoriales completos (posible-
mente diseos factoriales con rplicas) en cualquier subconjunto de R - 1 factores. ste es un concepto
importante y til. Por ejemplo, si un experimentador tiene varios factores de inters potencial pero piensa
Tabla 8.2 Las dos fracciones un medio del diseo 23

Diseo factorial
22 completo
(diseo
bsico) 2~',I=ABC 2~l,I=-ABC
Corrida A B A B C=AB A B C=-AB
1 +
2 + + + +
1 + + + +
4 + + + + + + +
308 CAPTULO 8 DISEOS FACTORIALESFRACCIONAOOS DE DOS NIVELES
/ /
/ /
/ /
/ 1
b 1 /
1
/i 1: /
I abe _ /
J ___
'7'--
-7r--
e
la
,/
I
Figura 8-2 Proyeccinde un diseo

2~t en tres diseos22
que slo R - 1 de ellos tienen efectos importantes, entonces un diseo factorial fraccionado de resolucin
R es la eleccin de diseo apropiada. Si el experimentador est en lo correcto, el diseo factorial fraccio-
nado de resolucin R se proyectar en un diseo factorial completo en los R - 1 factores significativos.
Este proceso se ilustra en la figura 8-2 para el diseo 2~1, el cual se proyecta en un diseo 22 en cada sub-
conjunto de dos factores.
Puesto que la mxima resolucin posible de una fraccin un medio del diseo 2/ces R = k, todos los di-
seos 2k-l se proyectarn en un factorial completo en (k -1) cualquiera de los k factores originales. Adems,
un diseo 2k-l puede proyectarse en dos rplicas de un factorial completo en cualquier subconjunto de k - 2
factores, cuatro rplicas de un factorial completo en cualquier subconjunto de k - 3 factores, etctera.
EJEMPLO 8...1 .. 111 111 111 111 111 111 111 111
Considere el experimento del ndice de filtracin del ejemplo 6-2. El diseo original, ilustrado en la tabla
6-10, es una sola rplica del diseo 24 En ese ejemplo se encontr que los efectos principales deA, C yD Y
las interaccionesAC yAD eran diferentes de cero. Se retoma ahora este experimento y se simula lo que
habra ocurrido si se hubiera corrido una fraccin un medio del diseo 24 en vez del diseo factorial com-
pleto.
Se usar el diseo 24-1 con 1 =ABCD, ya que esta eleccin del generador dar como resultado un di-
seo con la resolucin ms alta posible (IV). Para construir el diseo, primero se apunta el diseo bsico,
el cual es un diseo 23, como se muestra en las tres primeras columnas de la tabla 8-3. Este diseo bsico
tiene el nmero necesario de corridas (ocho) pero slo tres columnas (factores). Para encontrar los nive-
les del cuarto factor, se resuelve 1 =ABCD paraD, oD =ABC. Por 10 tanto, el nivel deD de cada corrida
Tabla 8.3 El disefio zt 1 con la relacin de definicin r =ABCD

Diseo bsico Combinacin de ndice de
Corrida A B C D:o:ABC tratamientos filtracin
1 (1) 45
2 + + ad 100
3 + + bd 45
4 + + ab 65
5 + + cd 75
6 + + ac 60
7 + + be 80
8 + + + + abcd 96
82 lA FRACCIN UN MEDIO DEL DISEO z~ 309
ob=65
(1) =45 ad -100
Figura 8~3 El diseo 2~1 para el experimento del ndice de filtracin del ejemplo 8-1.
es el producto de los signos positivos y negativos de las columnas A, B y e. El proceso se ilustra en la tabla
83. Puesto que el generador ABCD es positivo, este diseo 2~1 es la fraccin principal. El diseo se iluso
tra grficamente en la figura 83.
Utilizando la relacin de definicin, se observa que cada uno de los efectos principales es alias de una
=
interaccin de tres factores; es decir, A =A2BCD BCD,B =AB2CD =ACD,C =ABC2D =ABDyD =
ABCD2 = ABe. Adems, cada interaccin de dos factores es alias de otra interaccin de dos factores.
=
Estas relaciones de los alias sonAB = CD,AC BD YBC = AD. Los cuatro efectos principales ms los
tres pares de alias de interacciones de dos factores representan los siete grados de libertad del diseo.
En este punto, normalmente se aleatorzaran las ocho corridas y se llevara a cabo el experimento.
Puesto que se ha corrido ya endiseo 24 completo, simplemente se seleccionan los ocho ndices de filtra-
cin observados del ejemplo 62 que corresponden a las corridas del diseo 2~1. Estas observaciones se
muestran en la ltima columna de la tabla 8-3, as como en la figura 83.
En la tabla 8-4se muestran las estimaciones de los efectos obtenidas de este diseo 2~1. Para ilustrar
los clculos, la combinacin lineal de las observaciones asociadas con el efecto de A es
lA = t(-45+100- 45+65-75+60- 80+96)= 19.00-+ A+ BCD
mientras que para el efecto AB se obtendra
l AB = t( 45-100- 45+65+75- 60- 80+96)= -l.OO~ AB+CD
Por la inspeccin de la informacin de la tabla 8-4, no es irrazonable concluir que los efectos principales
de A, C y D son grandes. Adems, si A, C YD son los efectos principales importantes, entonces es lgico
concluir que las dos cadenas de alias de interaccionesAC + BD Y AD + BC tienen efectos grandes, ya que
Tabla 8-4 Estimaciones de los efectos

y los alias del ejemplo 8.1 a
Estimacin Estructura de los alias
(. = 19.00 lA -A+BCD
lB = 1.50 lB-B+ACD
le = 14.00 le -C+ABD
ll) ;o 16.50 lD - D+ABC
lAS ;;; -1.00 lAS-AB+CD
(K = -18.50 lAC -AC+BD
(.AV = 19.00 l.AV-AD+BC
"Los efectos significativos se indican en negritas.
310 CAPTULO 8 DISEOS FACTORIALES FRACCIONADOS DE DOS NIVELES
75 96
Alta
I
I
I
I
I
---7~,o::~
145
100
~---
...-
...- ...-
:
.- ..-
Baja ...- ...- ~ Ud~v:9itaci6n)
4Sto'-------.......-S5 Baja
Baja A (temperatura) Alta
Figura 8-4 Proyeccindel diseo 2~1 en un diseo 23 enA, e

y D para el ejemplo 8-1.
las interaccionesAC yAD tambin son significativas. En otras palabras, siA, C y D son significativos, en-
tonces lo ms posible es que las interacciones significativas seanA C yAD. Se trata de una aplicacin de la
navaja de Ockham (en honor de Guillermo de Ockham), un principio cientfico que establece que cuan-
do uno se confronta con varias interpretaciones posibles de un fenmeno, la interpretacin ms simple
suele ser la correcta. Observe que esta interpretacin concuerda con las conclusiones del anlisis del dise-
o 24 completo del ejemplo 6-2.
Puesto que el factor B no es significativo, puede sacarse de consideracin. Por consiguiente, este dise-
o 2:;1 puede proyectarse en una sola rplica del diseo 23 en los factores A, C yD, como se muestra en la
figura 8-4. El examen visual de esta grfica de cubo nos hace sentimos ms cmodos con las conclusiones
a las que se lleg antes. Observe que si la temperatura (A) est en el nivel bajo, la concentracin (C) tiene
un efecto positivo grande, mientras que si la temperatura est en el nivel alto, la concentracin tiene un
efecto muy pequeo. Esto se debe probablemente a una interaccinAC. Adems, si la temperatura est
en el nivel bajo, el efecto de la velocidad de agitacin (D) es insignificante, mientras que si la temperatura
est en el nivel alto, la velocidad de agitacin tiene un efecto positivo grande. Esto se debe probablemente
a la interaccin AD que se identific de manera tentativa unos prrafos antes.
Con base en el anlisis anterior, puede obtenerse ahora un modelo para predecir el ndice de filtra-
cin en la regin experimental. Este modelo es
Y= 30 +31X1 +33X3 +34X4 +313X1X3 +314X1X4
dondex.,, YX4 son variables codificadas (-1 s XI S +1) que representan aA, Cy D, y las 3son coeficien-
tes de regresin que pueden obtenerse a partir de las estimaciones de los efectos como se hizo anterior-
mente. Por 10 tanto, la ecuacin de prediccin es
Recuerde que la ordenada al origen Po es el promedio de todas las respuestas en las ocho corridas del di-
seo. Este modelo es muy similar al que result del diseo factorial. 21c completo del ejemplo 6-2.
8-2 LA FRACCIN UN MEDIO DEL DISEO 2k 311
EJEMPLO 8...2 .... . . . "". . . . . """. . . . . . ". . . . . . . . """. . . . . ". ". . . . """. . . . . . """""
Un diseio 25-1 usado para mejorar un proceso
Se investigaron cinco factores en un proceso de manufactura de un circuito integrado en un diseo 25-1
con el objetivo de mejorar el rendimiento del proceso. Los cinco factores fueron A = ajuste de apertura
(pequea, grande), B = tiempo de exposicin (20% abajo del nominal, 20% arriba del nominal), C =
tiempo de desarrollo (30 s, 45 s), D = tamao de la mscara (pequea, grande) y E = tiempo de grabado
(14.5 min, 15.5 min). En la tabla 8-5 se muestra la construccin del diseo 25-1 Observe que el diseo se
construy apuntando el diseo bsico que tiene 16 corridas (un diseo 24 en A, B, Cy D), seleccionando
ABCDE como generador, y ajustando despus los niveles del quinto factor E = ABCD. En la figura 8-5 se
presenta una representacin geomtrica del diseo.
La relacin de definicin del diseo es 1 = ABCDE. Por consiguiente, todos los efectos principales
son alias de una interaccin de cuatro factores (por ejemplo, lA - A + BCDE), y cada una de las interac-
ciones de dos factores son alias de una interaccin de tres factores (por ejemplo, lAB - AB + CDE). Por lo
tanto, el diseo es de resolucin V. Se esperara que este diseo 2H proporcionara excelente informacin
respecto de los efectos principales y las interacciones de dos factores.
La tabla 8-6 contiene las estimaciones de los efectos, las sumas de cuadrados y los coeficientes del
modelo de regresin para los 15 efectos de este experimento. En la figura 8-6 se presenta la grfica de
probabilidad normal de las estimaciones de los efectos de este experimento. Los efectos principales deA,
By C y la interaccinAB son grandes. Recuerde que, debido a los alias, estos efectos son en realidad A +
BCDE, B + ACDE, C + ABDE YAB + CDE. Sin embargo, puesto que parece plausible que las interac-
ciones de tres factores y de rdenes superiores sean insignificantes, uno siente seguridad en concluir que
slo A, B, C y AB son los efectos importantes.
En la tabla 8-7 se resume el anlisis de varianza de este experimento. La suma de cuadrados del
=
modelo es SS Modelo SSA + SSB + SSc + SSAB = 5747.25, y esto explica ms de 99% de la variabilidad
total del rendimiento. En la figura 8-7 se presenta la grfica de probabilidad normal de los residuales
Tabla 85 Un diseo 2S-l para el ejemplo 8-2

Diseo bsico Combinacin de
Corrida A B C D E=ABCD tratamientos Rendimiento
1 + e 8
2 + a 9
3 + b 34
4 + + + abe 52
5 + e 16
6 + + + ace 22
7 + + + bce 45
8 + + + abe 60
9 + d 6
10 + + + ade 10
11 + + + bde 30
12 + + + abd 50
13 + + + cde 15
14 + + + acd 21
15 + + + bcd 44
16 + + + + + abcde 63
312 CAPfruLO 8 DISEOSFACTORIALESFRACCIONAOOS DE DOS NIVELES
ade -10
0'=9
ck A
B
Figura 8-5 El diseo 2~-' del ejemplo8-2.
Tabla8-6 Efectos. coeficientes de regresin y sumas de cuadrados del ejemplo 8-2

Variable Nombre Nivel-1 Nivel +1
A Apertura -1.000 1.000
B Tiempo de desarrollo -1.000 1.000
e Tiempo de exposicin -1.000 1.000
D Tamao de la mscara -1.000 1.000
E Tiempo de grabado -1.000 1.000
Variable Coeficientede regresin Efecto estimado Suma de cuadrados
Promedio global 30.3125
A 5.5625 11.1250 495.062
B 16.9375 33.8750 4590.062
C 5.4375 10.8750 473.062
D -0.4375 -0.8750 3.063
E 0.3125 0.6250 1.563
AB 3.4375 6.8750 189.063
AC 0.1875 0.3750 0.563
AD 0.5625 1.1250 5.063
AE 0.5625 1.1250 5.063
BC 0.3125 0.6250 1.563
BD -0.0625 -0.1250 0.063
BE -0.0625 -0.1250 0.063
CD 0.4375 0.8750 3.063
CE 0.1875 0.3750 0.563
DE -0.6875 -1.3750 7.563
99
e
5 B
o
~ 10 eA
x
eC
~ ...
20 e
I
AB
!: 30 C>
; C>
50 50';
~ ~...
..,c:..
.., 70 30
:5 80 20
~ 10
5
o 5 10 15 20 25 30
Estimaciones de los efectos
Figura 86 Grfica de probabilidad normal de los efectos del ejemplo 8-2.
Tabla 87 Anlisis de varianza del ejemplo8-2

A (Apertura) 495.0625 1 495.0625 193.20 <0.0001
B (Tiempo de exposicin) 4590.0625 1 4590.0625 1791.24 <0.0001
e (Tiempo de desarrollo) 473.0625 1 473.0625 184.61 <0.0001
AB 189.0625 1 189.0625 73.78 <0.0001
Error 28.1875 11 2.5625
Thtal 5775.4375 15
99
95
...
8
x
10 90
~ ...
20 80
I
!: 30 70
; 8
Eo 60 50';
c: ~...
""O
CII 70 JO
;g
:c 80 20
11
o
d: 90 10
96 5
99
-3 -2 -1 O 2
Residuales
Figura 87 Grficade probabilidadnormal de losresidualesdel ejemplo8-2.

313
314 CAPTULO 8 DISEOS FACTORIALES FRACCIONADOS DEDOS NIVELES
.,'"
Gj
-e O
;;;J

'!
a:

-1

10 20 30 40 50
Rendimientopredicho
Figura 8-8 Grfica de los residuales contra el rendimiento predicho

paca el ejemplo 8-2.
y la figura 8-8 es una grfica de los residuales contra los valores predichos. Ambas grficas son satis-
factorias.
Los tres factoresA, B y e tienen efectos positivos grandes. La interaccin apertura-tiempo de exposi-
cin oAB se grafica en la figura 8-9. Esta grfica confirma que el rendimiento es ms alto cuando tantoA .
como B estn en el nivel alto.
63
6~
B------------------~ A
Btljo Alto
Figura 8-9 Interaccin apertura-tiempo de exposicin del ejemplo 8-2.

8-2 LA FRACCIN UN MEDIO DEL DISENO Zk 315
61.5
~--..L1--___'51.0
I
I
B
/(~---~:/' 1'6.5 21.5
A
Figura 8-10 Proyeccin del diseo 2~-1del
ejemplo 82 en dos rplicas de un diseo 23 en
los factores A, B y C.
El diseo 25-1 se reducir a dos rplicas de un diseo 23 en tres cualesquiera de los cinco factores origi-
nales. (Observar la figura 8-5 ayuda a visualizar esto.) Lafigura 8-10 es una grfica de cubo en los factores
A, By C con los rendimientos promedio superpuestos en los ocho vrtices. Es evidente por la inspeccin
de la grfica de cubo que los rendimientos ms altos se consiguen conA, By C en el nivel alto. Los factores
D y E tienen un efecto pequeo sobre el rendimiento promedio del proceso y pueden ajustarse en los va-
lores que optimicen otros objetivos (como el costo) .
" " " " ,. ,. ID " " "
Secuencias de diseos factoriales fraccionados

El uso de los diseos factoriales fraccionados lleva con frecuencia a una gran economa y eficiencia en la
experimentacin, en particular si las corridas pueden hacerse secuencialmente. Por ejemplo, suponga
=
que se estn investigando k 4 factores (24 16 corridas). Casi siempre es preferible correr un diseo =
fraccionado 2~1 (ocho corridas), analizar los resultados y despus decidir cul es la mejor serie de corri-
das que deber correrse despus. Si es necesario resolver ambigedades, siempre puede correrse la frac-
cin alterna y completar el diseo 24 Cuando se usa este mtodo para completar el diseo, ambas
fracciones un medio representan bloques del diseo completo con las interacciones de orden superior
confundidas con los bloques (en este casoABCD estara confundida). Por lo tanto, la experimentacin se-
cuencial tiene como resultado la prdida de informacin slo en la interaccin de orden ms alto. Su ven-
taja es que en muchos casos se saca informacin suficiente de la fraccin un medio para proceder a la
siguiente etapa de la experimentacin, lo cual podra implicar la incorporacin o eliminacin de factores,
el cambio de las respuestas, o la variacin de algunos de los factores en nuevos rangos. Algunas de estas
posibilidades se ilustran grficamente en la figura 8-11.
Ej"EMPLO 81113 .......".. ID .. " .. .. " " " " " " " " " " .. " .. " " " " " " .. .. ..
Considere nuevamente el experimento del ejemplo 8-1. Se ha usado un diseo 2~1 y se ha hecho la identi-
ficacin tentativa de los tres efectos principales grandes: A, C y D. Hay dos efectos grandes asociados con
interacciones de dos factores,AC + BD YAD + Be. En el ejemplo 8-2 se utiliz el hecho de que el efecto
principal de B era insignificante para concluir de manera tentativa que las interacciones importantes eran
316 CAPiTuLo 8 DISEOS FACTORIALES FRACCIONADOS DE DOS NIVELES
I
I
I
---~ ,
,
al Moverse a una nueva bl Agragar otra fraccin
localizacin para explorar DiseO inicial pera resolver 'a&
una tendencia ambigedades de la
aparente a 'a respuesta fraccin original
/
;-.------
/
el Reesca'ar algunos factores

porque pueden haberse
hecho veriar en los
tI Hacer un aumento para' rengos inaproplados
modelar la curvatura
aparente
el Hacer una rplica para mejorar

las estimaciones de los efectos o d) Eliminar y agregar
porque algunas corridas se factores porque el factor
hicieron incorreclamenle original correspondiente
a la velocidad de alimentacin
del catalizador es insignificante
Flpl'll 8-11 Posibilidadespara el seguimiento de la experimentacindespus de un

experimentofactorialfraccionado[adaptado de Box("SequentialBxperimentationand
Sequential Assemblyof Designs") con permiso del editor].
AC y AD. En ocasiones el experimentador tendr que procesar conocimientos que puedan ayudarle a dis-
criminar entre las interacciones que probablemente sean importantes. Sin embargo, siempre es posible
aislar la interaccin significativa corriendo la fraccin alterna, dada por 1 -ABCD. Es directa la demos-=
tracin de que el diseo y las respuestas son los siguientes:
Diseo bsico Combinacin de ndice de

Corrida A B e D=-ABC tratamientos filtracin
1 + d 43
2 + a 71
3 + b 48
4 + + + abd 104
5 + e 68
6 + + + acd 86
7 + + + bcd 70
8 + + + abe 65
8-3 LA FRACCIN UN CUARTO DEL DlSElIO 2 317
Las combinaciones lineales de las observaciones obtenidas a partir de esta fraccin alterna son
l'A =
24.25 ....A - BCD
i', = 4.75 -+B-ACD
l~ = 5.75....C-ABD
l~ = 1275...,.D-ABC
l'AB = 1.25 AB- CD
l~c =-17.75 AC-BD
l'_w = 14.25 AD- BC
Estas estimaciones pueden combinarse con las que se obtuvieron de la fraccin un medio original para
obtener las siguientes estimaciones de los efectos:
A 21.63 -+A -2.63 ....BCD

B 3.13 -+B -1.63 -+ACD
C 9.SS ....C 4.13 -+ABD
D 14.63 -+D 1.SS ....ABC
AB 0.13 -+AB -1.13 -+ CD
AC -18.13 ... AC ~.38 -+BD
AD 16.63 -+AD 2.38 -+BC
Estas estimaciones concuerdan exactamente con las del anlisis original de los datos como una sola rpli-
ca de un diseo factorial 24, como se consigna en el ejemplo 6-2. Evidentemente, son las interaccionesAC
y AD las que son grandes .
.. 111
Agregar la fraccin alterna a la fraccin principal puede considerarse como un tipo de experimento
de confirmacin, por cuanto proporciona informacin que permitir fortalecer las conclusiones iniciales
acerca de los efectos de la interaccin de dos factores. En la seccin 8-S se investigarn otros aspectos de
la combinacin de diseos factoriales fraccionados para aislar las interacciones. En ocasiones un experi-
mento de confirmacin no es tan elaborado como ste. Por ejemplo, podra usarse la ecuacin del modelo
para predecir la respuesta en un punto de inters dentro del espacio del diseo (no uno de los puntos del
diseo actual), correr despus realmente ese ensayo (quiz varias veces) y usar la comparacin entre la
respuesta predicha y la observada para confirmar los resultados.
8..3 LA FRACCIN UN CUARTO DEL DISEO 2k
Para un nmero moderadamente grande de factores, con frecuencia son tiles fracciones menores del di-
seo .
Considere una fraccin un cuarto del diseo 't'. Este diseo contiene 't'-2 corridas y es comn lla-
marlo diseo factorial fraccionado 2A-l.
El diseo 2k-Z puede construirse apuntando primero un diseo bsico compuesto por las corridas aso-
ciadas con un diseo factorial completo en k - 2 factores y asociando despus las dos columnas adiciona-
les con las interacciones elegidas apropiadamente que incluyan los primeros k - 2 factores. Por lo tanto,
318 CAPfroLO 8 DISEOS FACTORIALES FRACCIONADOS DE DOS NIVELES
una fraccin un cuarto del diseo 2k tiene dos generadores. Si P y Q representan los generadores escogi-
= =
dos, entonces al P e 1 Q se les llama las relaciones generadoras del diseo. Los signos de P y Q ( +
o -) determinan cul de las fracciones un cuarto se produce. Las cuatro fracciones asociadas con la elec-
cin de los generadores P y Q pertenecen a la misma familia. La fraccin para la que tanto P como Q
son positivas es la fraccin principal.
La relacin de definicin completa del diseo est compuesta por todas las columnas que son iguales
a la columna identidadI. stas constarn de P, Q y su interaccin generalizadaPQ; es decir, la relacin de
=
definicin es 1 = P Q = PQ. A los elementos P, Q y PQ de la relacin de definicin se les denomina pa-
labras. Los alias de cualquier efecto se obtienen mediante la multiplicacin de la columna de ese efecto
por cada palabra de la relacin de definicin. Evidentemente, cada efecto tiene tres alias. El experimenta-
dor deber estar atento al elegir los generadores para que los efectos potencialmente importantes no
sean alias entre s.
Como un ejemplo, considere el diseo 26-2. Suponga que se escogen 1 = ABCE e 1 = BCDF como los
generadores del diseo. Entonces la interaccin generalizada de los generadores ABCE y BCDF es
ADEF; por lo tanto, la relacin de definicin completa de este diseo es
1= ABCE = BCDF = ADEF
Por consiguiente, se trata de un diseo de resolucin IV. Para encontrar los alias de cualquier efecto (por
ejemplo deA), se multiplica ese efecto por cada palabra de la relacin de definicin. ParaA, esto produce
A = BCE = ABCDF = DEF
Es sencillo verificar que todos los efectos principales son alias de interacciones de tres y cinco factores,
mientras que las interacciones de dos factores son alias entre s y de interacciones de rdenes superiores.
Por lo tanto, cuando se estimaA, por ejemplo, en realidad se est estimando A + BCE + DEF +ABCDF.
En la tabla 8-8 se muestra la estructura completa de los alias de este diseo. Si las interacciones de tres
factores y de rdenes superiores son insignificantes, este diseo produce estimaciones claras de los efec-
tos principales.
Para construir este diseo se anota primero el diseo bsico, el cual consiste en las 16 corridas para
un diseo completo 26-2 = 24 enA, B, C y D. Despus se aaden los dos factores E y F, asociando sus nive-
les ms y menos con los signos ms y menos de la interaccinABC y BCD, respectivamente. Este procedi-
miento se muestra en la tabla 8-9.
Otra forma de construir este diseo es deduciendo los cuatro bloques del diseo 26 con ABCE y
BCDF confundidas y eligiendo despus el bloque con las combinaciones de tratamientos que son positi-
vas paraABCE yBCDF. Se tratara de un diseo factorial fraccionado 26-2 con relaciones generadoras 1 =
ABCE el = BCDF, y puesto que los dos generadoresABCE y BCDF son positivos, se trata de la fraccin
principal.
Tabla 8.8 2;2

Estructura de los alias del diseo
con 1 = ABeE = BCDF = ADEF
A = BCE "" DEF = ABCDF AB = CE = ACDF = BDEF
B = ACE = CDF =ABDEF =
AC = BE ABDF = CDEF
C ;;;ABE = BDF = ACDEF AD = EF = BCDE = ABCF
D = BCF = AEF = ABCDE AE = BC = DF =ABCDEF
E =ABC = ADF = BCDEF AF = DE = BCEF = ABCD
F = BCD = ADE ABCEF = BD= CF:: ACDE = ABEF
ABD = CDE = ACF = BEF BF = CD = ACEF = ABDE
=
ACD = BDE ABF = CEF
8-3 LA FRACCIN UN CUARTO DEL DISEO 2" 319
Tabla 8-9 Construccin del diseo Zty"z con los generadores 1 = ABCE e 1 = BCDF
Diseo bsico
Corrida A B C D E=ABC F=BCD
1
2 + +
3 + + +
4 + + +
5 + + +
6 + + +
7 + +
8 + + + +
9 + +
10 + + + +
11 + + +
12 + + +
13 + + +
14 + + +
15 + + + +
16 + + + + + +
Hay, desde luego, tres fracciones alternas de este diseo 2~2 particular. Se trata de las fracciones
=
con las relaciones generadoras 1 ABCE el =
-BCDF; 1 = -ABCE el =
BCDF; el =
-ABCE el =
-BCDF. Es sencillo construir estas fracciones con el mtodo que se muestra en la tabla 8w9.Por ejemplo,
si quiere encontrarse la fraccin para la que 1 = ABCE el = -BCDF, entonces en la ltima columna de la
tabla 8-9 se hace F = -BCD, Y la columna de los niveles del factor F queda como
++----++--++++--
La relacin de definicin completa de esta fraccin alterna es 1 ABCE = =
-BCDF =
-ADEF. Ahora
ciertos signos en la estructura de los alias de la tabla 8-9 se han cambiado; por ejemplo, los alias deA son
= = =
A BCE -DEF -ABCDF. Por lo tanto, la combinacin lineal de las observaciones lA estima en reali-
dad A + BCE - DEF - ABCDF.
Por ltimo, observe que el diseo factorial fraccionado 2~2 se proyectar en una solarplica de un
diseo 24 en cualquier subconjunto de cuatro factores que no sea una palabra de la relacin de definicin.
Tambin se pliega en una fraccin un medio con una rplica de un diseo 24 en cualquier subconjunto de
cuatro factores que sea una palabra de la relacin de definicin. Por lo tanto, el diseo de la tabla 8-9 se
convierte en dos rplicas de un diseo 24-1 en los factoresABCE, BCDFy ADEF, porque stas son las pa-
labras de la relacin de definicin. Hay otras 12 combinaciones de los seis factores, comoABCD,ABCF,
etc., para las que el diseo se proyecta en una sola rplica del diseo 24 Este diseo tambin se pliega en
dos rplicas de un diseo 23 en cualquier subconjunto de tres de los seis factores o en cuatro rplicas de un
diseo 22 en cualquier subconjunto de dos factores.
En general, cualquier diseo factorial fraccionado ZC-2 puede plegarse en un diseo factorial comple-
to o bien en un diseo factorial fraccionado en algn subconjunto de r :S k - 2 de los factores originales.
Estos subconjuntos de variables que forman diseos factoriales completos no son palabras de la relacin
de definicin completa.
EJ'~W 8..4 " ". ". " " """ """"""" " "". """ """ """ "" ""
Las piezas fabricadas en un proceso de moldeo por inyeccin estn presentando una contraccin excesi-
va. Esto est ocasionando problemas en las operaciones de ensamblaje que se realizan despus del mol-
deo por inyeccin. Un equipo de mejoramiento de calidad ha decidido llevar a cabo un experimento
320 CAPITuLO 8 DISEOS FACfORIALES FRACCIONAOOS DE DOS NIVELES
diseado para estudiar el proceso de moldeo por inyeccin a fin de poder reducir la contraccin. El equi-
po decide investigar seis factores -la temperatura de moldeo (A), la velocidad del enroscado (B), el
tiempo de retencin (C), la duracin del ciclo (D), el tamao del vaciadero (E) y la presin de la retencin
(F)- con dos niveles cada uno, con el fin de saber cmo se afecta la contraccin debido a cada factor, as
como para obtener informacin preliminar acerca de la forma en que los factores interactan.
El equipo decide usar el diseo factorial fraccionado de 16 corridas con dos niveles de la tabla 89. El
diseo se muestra de nuevo en la tabla 810, junto con la contraccin observada (x 10) en la pieza de
prueba producida en cada una de las 16 corridas del diseo. En la tabla 8-11 se muestran las estimaciones
de los efectos, las sumas de cuadrados y los coeficientes de regresin de este experimento.
En la figura 8-12 se presenta la grfica de probabilidad normal de las estimaciones de los efectos de
este experimento; Los nicos efectos grandes sonA (temperatura de moldeo), B (velocidad del enrosca-
do) y la interaccinAB. A la luz de las relaciones de los alias de la tabla 8-8, parece razonable adoptar es-
tas conclusiones de manera tentativa. La grfica de la interaccin AB de la figura 813 indica que el
proceso muestra una alta insensibilidad a la temperatura si la velocidad del enroscado est en el nivel
bajo, pero que es muy sensible a la temperatura si la velocidad del enroscado est en el nivel alto. Con la",
velocidad del enroscado en el nivel bajo, el proceso deber producir una contraccin promedio de alrede-
dor de 10%, independientemente del nivel de temperatura elegido.
Con base en este anlisis inicial, el equipo decide hacer el ajuste de la temperatura de moldeo y la ve-
locidad del enroscado en el nivel bajo. Este conjunto de condiciones reducir la contraccin media de las
piezas en alrededor de 10%. Sin embargo, la variabilidad de la contraccin de una pieza a otra sigue sien-
do un problema potencial. De hecho, la contraccin media puede reducirse adecuadamente mediante las
modificaciones anteriores; sin embargo, la variabilidad de la contraccin de una pieza a otra en una corri-
da de produccin podra seguir causando problemas en el ensamblaje. Una manera de abordar esta cues-
tin es investigando si alguno de los factores del proceso afecta la variabilidad de la contraccin de las
piezas.
En la figura 8-14 se presenta la grfica de probabilidad normal de los residuales. Esta grfica parece
ser satisfactoria. Se construyeron despus las grficas de los residuales contra cada factor. En la figura
Tabla 8.10 Un disefioZ;2 para el experimento del moldeo por inyeccin del ejemplo 8-4
Diseo bsico Contraccin
Corrida A B e D E=ABC F=BCD observada (x 10)
1 6
2 + + 10
3 + + + 32
4 + + + 60
5 + + + 4
6 + + + 15
7 + + 26
8 + + + + 60
9 + + 8
10 + + + + 12
11 + + + 34
12 + + + 60
13 + + + 16
14 + + + 5
15 + + + + 37
16 + + + + + + 52
8J LA FRACCIN UN CUARTO DEL DISEO 2. 321
Tabla 8.11 Efectos, sumas de cuadrados y coeficientes de regresin del ejemplo 8-4
Variable Nombre Nivel-1 Nivel +1
A temperatura_moldeo -1.000 1.000
B velocidad enroscado -1.000 1.000
C duracin retencin -1.000 1.000
D duracin-ciclo -1.000 1.()()()
E tamao vaciadero -1.000 1.000
F presin=retencin -1.000 1.000
Variable" Coeficientede regresin Efecto estimado Suma de cuadrados
A 6.9375 13.8750 770.062
B 17.8125 35.6250 5076.562
C -0.4375 -0.8750 3.063
D 0.6875 1.3750 7.563
E 0.1875 0.3750 0.563
F 0.1875 0.3750 0.563
AB+CE 5.9375 11.8750 564.063
AC+BE -0.8125 -1.6250 10.562
AD+EF -2.6875 -5.3750 115.562
AE+BC+DF -0.9375 -1.8750 14.063
AF+DE 0.3125 0.6250 1.563
BD+CF -0.0625 -0.1250 0.063
BF+CD -0.0625 -0.1250 0.063
ABD 0.0625 0.1250 0.063
ABF -2.4375 -4.8750 95.063
Slo los efectos principales y las interacciones de dos factores.
-5 o 5 10 15 20 25 30 35 40
ElitimllCionesde 106~ect06
Figura 8-12 Grfica de probabilidad normal de los efectos del ejemplo 8-4.
322 CAPruLO 8 DISEOS FACfORIALES FRACCIONADOS DE DOS NIVELES
60
B+
~
2!
e
-Q
.:;
<J B+
~
eo
u
4L-
B_----------B- ___
Baja Alta
Temperaturade moldeo, A
Figura 8-13 Grfica de la interaccinAB (temperatura de mol-

deo-velocidad del enroscado) para el ejemplo 8-4.
e
8-15 se muestra una de estas grficas, la de los residuales contra el factor (tiempo de retencin). La gr-
fica revela que hay una dispersin sensiblemente menor en los residuales con el tiempo de retencin bajo
que con el tiempo de retencin alto. Estos residuales se obtuvieron de la manera usual a partir del modelo
de la contraccin predicha:
J= Po +PI+P2X2 +P12XIX2
Xl
= 27.3125+ 6.9375x1 +17.8125x2 +5.9375x1x2
5
o
...x
o 10
ii;'20
I
!:. 30
1ii
E
o
50
c:
"i 70
~
:c 80
..8o
d: 90
96
99
-6 -3 o 3 6
Residuales
Figura 8-14 Grficade probabilidadnormal de losresidualesdel ejemplo8-4.

8-3 LA FRACCiN UN CUARTO DEL DISEO 2k 323
..
2
CIl
II
.a 1:
'm
a:
O
I

Baja Alta
Tiempo de retencin (el
Figura 8-15 Residuales contra el tiempo de retencin (C) para el

ejemplo 8-4.
dondexbx2 y XX2 son las variables codificadas que corresponden a los factores A y B ya la interaccinAB.
Entonces los residuales son
e= y-y
El modelo de regresin usado para producir los residuales elimina, en esencia, los efectos de localizacin
deA, By AB de los datos; por lo tanto, los residuales contienen infamacin acerca de la variabilidad no
explicada. La figura 8-15 indica que existe un patrn en la variabilidad y que la variabilidad de la contrac-
cin de las piezas puede ser menor cuando el tiempo de retencin est en el nivel bajo (recuerde que en el
captulo 6 se seal que los residuales slo transmiten informacin acerca de los efectos de dispersin
cuando es correcto el modelo de localizacin o la media).
Lo anterior se observa con mayor claridad en el anlisis de los residuales que se presenta en la tabla
8-12. En esta tabla, los residuales se ordenan en los niveles bajo (-) y alto ( +) de cada factor, y se ha calcu-
lado la desviacin estndar de los residuales en los niveles bajo y alto de cada factor. Observe que la des-
viacin estndar de los residuales con C en el nivel bajo [S(C-) = 1.63] es considerablemente menor que la
desviacin estndar de los residuales con C en el nivel alto [S(C+) = 5.70].
En el ltimo rengln de la tabla 8-12 se presenta el estadstico
F' = In S2(i+)
I S2(i-)
Recuerde que si las varianzas de los residuales en los niveles alto ( +) y bajo (-) del factor i son iguales, en-
tonces este cociente sigue una distribucin aproximadamente normal con media cero, y puede usarse
para evaluar la diferencia en la variabilidad de la respuesta en los dos niveles del factor i. Puesto que el
cociente F~ es relativamente grande, se concluira que la aparente dispersin o efecto de variabilidad ob-
servado en la figura 8-15 es real. Por lo tanto, ajustar el tiempo de retencin en su nivel bajo contribuira a
reducir la variabilidad de una pieza a otra durante una corrida de produccin. En la figura 8-16 se presen-
ca
: ~~~8~0~8~~~8~~~g
~ ~99N'=~,?N9"";"';('h":'1...t'?
~
11 +11+1++11++1+11+
~
CO N ......
00 In <"l
11++++II++IIII++<"i"":'9
e
~
e ++++
11 11 1 1 1 1 1 1 ++++
~
"<1"0'> ......
1 1 1 1 1 1 1 1+ + + + + ++ + ~~d
~"""<I"
1++ 1+ 1 1+ 1++ 1+ 1 1+ ......NO
"":"":'9
++1111++++1111++<"i...t9 :G~~
1111++++1111++++
............
0\
0"<1"_
11++11++11++ 1++ "":"":'9
~~~
<"i...t9
324
83 LA FRACCIN UN CUARTO DEL DISEO 2k 325
99.9
99
95
80
o
~
50 x
~~
20
....().4 0.1 0.6 1.1 2.' 2.6

17
Figura 8-16 Grficade probabilidadnormal de losefectosde dispersin p,' del ejemplo8-4.
ta una grfica de probabilidad normal de los valores 1;. de la tabla 8-12; sta tambin indica que el factor
e tiene un efecto de dispersin grande.
En la figura 8-17 se muestran los datos de este experimento proyectados en un cubo en los factoresA,
By C. La contraccin promedio observada y el rango de la contraccin observada se indican en cada vrti-
ce del cubo. Por la inspeccin de la figura se observa que correr el proceso con la velocidad del enroscado
(B) en el nivel bajo es la clave para reducir la contraccin promedio de las piezas. Si B est en el nivel bajo,
virtualmente cualquier combinacin de la temperatura (A) Yel tiempo de retencin (e) resultar en valo-
res bajos de la contraccin promedio de las piezas. Sin embargo, al examinar los rangos de los valores de
la contraccin en cada vrtice del cubo, es claro de inmediato que ajustar el tiempo de retencin (e) en el
nivel bajo es la nica eleccin razonable si se quiere mantener baja la variabilidad de la contraccin de
una pieza a otra en una corrida de produccin .
..... . .............. .................................. ...................
..- ...,. ji", 56.0
I y'" 31.5 R",8
I R g 11
I
I
.Y e 33.0 I
R-2 I
I
I
Y~ 10.0 : y ~ 10.0
Rm ,z.a---- R -11
_Y 7_.0_/_/_/_/_y_-_,_, ......
0 .... - -_- ~- - - -C. tle:po de retencin
~ R",2 R",2 ~(,;.llel
_ +
A. temperaturade moldeo
Figura 8-17 Contraccin promedio y rango de la contraccin en los

factores A, B Y e para el ejemplo 8-4.
326 CAPTULO 8 DISEOSFACTORIALESFRACCIONADOS DE OOS NIVELES
8..4 EL DISEO FACTORIAL FRACCIONADO Zk-p GENERAL
A un diseo factorial fraccionado 2k que contiene 2k-p corridas se le llama fraccin 1/21' del diseo 2k o, de
manera ms simple, diseo factorial fraccionado 21-p. En estos diseos deben seleccionarse p generadores
independientes. La relacin de definicin de este diseo se compone de los p generadores elegidos ini-
cialmente y sus 21' - P - 1 interacciones generalizadas. En la presente seccin se estudia la construccin y el
anlisis de estos diseos.
La estructura de los alias puede encontrarse multiplicando la columna de cada efecto por la relacin
de definicin. Deber prestarse atencin al elegir los generadores para que los efectos de inters poten-
cial no sean alias entre s. Cada efecto tiene 21' - 1 alias. Para valores moderadamente grandes de k, es co-
mn suponer que las interacciones de rdenes superiores (por ejemplo, de tercero y cuarto orden y
superiores) son insignificantes, con lo cual se simplifica en gran medida la estructura de los alias.
Es importante seleccionar los p generadores de un diseo factorial fraccionado 2k-p de tal modo que
se obtengan las mejores relaciones de los alias posibles. Un criterio razonable es seleccionar los genera-
dores para que el diseo 2k-p resultante tenga la resolucin ms alta posible. Para ilustrar, considere el di-
seo 2~2 de la tabla 8-9, donde se usaron los generadores E =ABCy F = BCD, con lo cual se produce un
diseo de resolucin IV. ste es el diseo con la resolucin ms alta. Si se hubieran seleccionado E =
ABC y F = ABCD, la relacin de definicin completa hubiera sido 1 = ABCE = ABCDF = DEF, Yel dise-
o habra sido de resolucin 111.Se trata, evidentemente, de una eleccin inferior porque sacrifica de ma-
nera innecesaria informacin acerca de las interacciones.
En. ocasiones la resolucin por s sola no es suficiente para distinguir entre los diseos. Por ejemplo,
considere los tres diseos 2~2 de la tabla 8-13. Todos estos diseos son de resolucin IV; pero tienen es-
tructuras de los alias muy diferentes (se ha supuesto que las interacciones de tres factores y las de rdenes
superiores son insignificantes) con respecto a las interacciones de dos factores. Evidentemente, el diseo
A es el que tiene ms alias y el diseo C el que tiene menos, por lo que el diseo C sera una buena eleccin
para un diseo 2i~z.
Las tres palabras del diseo A tienen longitud 4; es decir, el patrn de la longitud de las palabras es
{4, 4, 4}. Para el diseo B es {4, 4, 6} y para el diseo Ces {4, 5, 5}. Observe que la relacin de definicin
del diseo C tiene una sola palabra de cuatro letras, mientras que los dems diseos tienen dos o tres. Por
10 tanto, el diseo C minimiza el nmero de palabras de la relacin de definicin que son de longitud m-
nima. A un diseo como ste se le llama diseo de aberracin mnima. Minimizar la aberracin en un di-
seo de resolucin R asegura que el diseo tiene el nmero mnimo de efectos principales que son alias de
Tabla 8-13 Tres elecciones de generadores para el diseo 2~2

Generadores del diseo A: Generadores del diseo B: Generadores del diseo C:
F =ABC, G = BCD F =ABC, G =ADE F = ABCn, G = ABDE
1 = ABCF = BCDG = ADFG 1 = ABCE = ADEG = BCDEFG 1 = ABCDF = ABDEG = CEFG
Alias (interacciones de dos factores) Alias (interacciones de dos factores) Alias (interacciones de dos factores)
AB=CF AB=CF CE=FG
AC=BF AC=BF CF=EG
AD=FG AD=EG CG=EF
AG=DE AE=DG
BD=CG AF=BC
BG=CD AG=DE
AF=BC=DG
8-4 EL DISEO FACTORIAL FRACCIONADO 2... GENERAL 327
interacciones de orden R -1, el nmero mnimo de interacciones de dos factores que son alias de interac-
ciones de orden R - 2, etctera. Referirse a Fries y Hunter [46] para mayores detalles.
En la tabla 8-14 se presenta una seleccin de diseos factoriales fraccionados 2k-p para k :S 15 factores
y hasta n :S 128 corridas. Los generadores sugeridos en esta tabla resultarn en un diseo con la resolu-
cin ms alta posible. Son tambin los diseos con aberracin mnima.
Las relaciones de los alias para todos los diseos de la tabla 8-14 para los que n :S 64 se presentan en
la tabla XII( a-w) del apndice. Las relaciones de los alias incluidas en esta tabla se enfocan en los efectos
principales y las interacciones de dos y tres factores. Se da la relacin de definicin completa para cada di-
seo. Esta tabla del apndice hace muy sencillo seleccionar un diseo con la resolucin suficiente para
asegurar que cualesquiera interacciones de inters potencial puedan estimarse.
E)'EMPLO 8..5 *.........tI....4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I4I
Para ilustrar el uso de la tabla 8-14, suponga que se tienen siete factores y que el inters se encuentra en
estimar los siete efectos principales y hacerse una idea aproximada de las interacciones de dos factores.
Estamos dispuestos a suponer que las interacciones de tres factores y de rdenes superiores son insignifi-
cantes. Esta informacin sugiere que un diseo de resolucin IV sera apropiado.
La tabla 8-14 muestra que se cuenta con dos fracciones de resolucin IV: la 2;~/ con 32 corridas y la
2;~3 con 16 corridas. La tabla XII del apndice contiene las relaciones de los alias completas para estos
dos diseos. Los alias para el diseo 2~3 de 16 corridas se encuentran en la tabla XII(i) del apndice.
Observe que los siete efectos principales son alias de interacciones de tres factores. Las interacciones
de dos factores son alias en grupos de tres. Por lo tanto, este diseo satisfar los objetivos del problema;
es decir, permitir la estimacin de los efectos principales y dar cierta idea respecto de las interacciones
de dos factores. No es necesario correr el diseo 2~2 , el cual requerira 32 corridas. La tabla XII(j) del
apndice indica que este diseo permitira la estimacin de los siete efectos principales y que 15 de las 21
interacciones de dos factores tambin podran estimarse de manera nica. (Recuerde que las interaccio-
nes de tres factores y de rdenes superiores son insignifcantes.) sta es ms de la informacin necesaria
acerca de las interacciones. El diseo completo se muestra en la tabla 8-15. Observe que se construy em-
pezando con la corrida 16 del diseo 24 enA, B, C y D como el diseo bsico y agregando despus las tres
columnas E = ABC, F = BCD YG = ACD. Los generadores son 1 = ABCE,l = BCDF e 1 = ACDG (tabla
8-14). La relacin de definicin completa es 1 ABCE = BCDF = ADEF ACDG = BDEG CEFG = = = =
ABFG .
.......................... ................... ............................
Anlisis de los diseos factoriales fraccionados 24

Hay varios programas de computadora que pueden usarse para analizar el diseo factorial fraccionado
2k-p. Por ejemplo, el programa Design-Expert ilustrado en el captulo 6 tiene esta capacidad.
E] diseo tambin puede analizarse recurriendo a los principios bsicos; el efecto z-simo se estima con
f. _= 2(Contraste) = Contraste
I N (N/~
donde el Contraste se encuer..tra utilizando los signos positivos y negativos de la columna i y donde
N = 2k-p es el nmero total de observaciones. El diseo 21c-p slo permite la estimacin de 2k-p -1efectos (y
sus alias).
Tabla 8.14 Diseos factoriales fraccionados 24 seleccionados
Nmero de Nmero de Generadores
factores, k Fraccin corridas del diseo
3 23-m1 4 C= AB
4 2~1 8 D= ABC
5 25-
v1 16 E= ABCD
25-1
m 8 D= AB
E= AC
6 26-VI1 32 F~ ABCDE
26-2
IV 16 E == ABC
F= BCD
2m
6-3 8 D= AB
E= AC
F= BC
7 27-Vil1 64 G ==ABCDEF
27-2
N 32 F= ABCD
G = ABDE
27-3
m 16 E= ABC
F= BCD
G= ACD
27-4
ID 8 D= AB
E= AC
F= BC
G= ABC
8 28-1
V 64 G== ABCD
H= ABEF
28-3
IV 32 F= ABC
G= ABD
H= BCDE
2S-
N
4 16 E= BCD
F= ACD
G= ABC
H= ABD
9 29-2
VI 128 H= ACDFG
J= BCEFG
29-3
IV 64 G= ABCD
H= ACEF
J= CDEF
29-4
N 32 F= BCDE
G == ACDE
H= ABDE
J= ABCE
29-5
ID 16 E= ABC
F= BCD
G = ACD
H= ABD
J= ABCD
10 210-3 128 H= ABCG
V
J= ACDE
K= ACDF
328
Tabla 8-14 (continuacin)
factores, k Fraccin corridas del diseo
2IV
10-4 64 G= BCDF
H= ACDF
1= ABDE
K= ARCE
zto-
IV
s 32 F= MECD
G=MECE
H= ABDE
J= ACDE
K= :!:.BCDE
210-6
m 16 E= ABC
F= BCD
G = ACD
H= ABD
1= ABCD
K= AB
11 211-5
IV 64 G= CDE
H= :!:ABCD
J= :!:ABF
K= BDEF
L =:!:AVEF
211-6
IV 32 F= :!:ABC
G= BCD
H= CDE
J= ACD
K= :!:AVE
L =BDE
211-7
111 16 E= ABC
F= BCD
G= ACD
H= ABD
J= ABCD
K=AB
L= AC
12 212-8
m 16 E= ABC
F= ABD
G= ACD
H= BCD
J= ABCn
K=AB
L= AC
M=AD
13 213-9
w 16 E= ABC
F= ABD
=
G :!:ACD
H= BCD
1= ABCD
K=AB
329
330 CAPTULO 8 DISEOS FACTORIALES FRACCIONAOOS DE DOS NIVELES
Tabla 8-14 (continuacin)

factores,k Fraccin corridas del diseo
L= AC
M=AD
N=BC
14 16 E= ABC
F= ABD
G = ACD
H= BCD
J= ABCD
K= AB
L= AC
M=AD
N=BC
0= BD
15 16 E= ABC
F:: :!:ABD
G = ACD
H= BCD
J= ABCD
K= AB
L= AC
M=AD
N=BC
0= BD
p= CD
Tabla 815 Un diseo factorial fraccionado 2;,,'

Diseo bsico
Corrida A B C D E=ABC F=BCD G=ACD
1
2 + + +
3 + + +
4 + + + +
5 + + + +
6 + + +
7 + + +
8 + + + +
9 + + +
10 + + + +
11 + + + +
12 + + +
13 + + +
14 + + + +
15 + + + +
16 + + + + + + +
84 EL DISEO FACTORIAL FRACCIONADO 2""' GENERAL 331
Proyeccin del diseo factorial fraccionado 210-1>
El diseo 2k-p se reduce a un factorial completo o bien a un factorial fraccionado en cualquier subconjunto
de r :S k - p de los factores originales. Esos subconjuntos de factores que producen diseos factoriales
fraccionados son subconjuntos que aparecen como palabras en la relacin de definicin completa. Esto
resulta de particular utilidad en los experimentos de tamizado cuando se sospecha desde el principio del
experimento que la mayora de los factores originales tendrn efectos pequeos. El diseo factorial frac-
cionado 2k-p puede proyectarse entonces en un factorial completo, por ejemplo, en los factores de mayor
inters. Las conclusiones a que se llegue con diseos de este tipo debern considerarse tentativas y some-
terse a anlisis adicional. Por lo general es posible encontrar explicaciones alternativas de los datos que
intervienen en interacciones de rdenes superiores.
Como un ejemplo, considere el diseo 2~3 del ejemplo 8-5. Se trata de un diseo con 16 corridas en
el que intervienen siete factores. Se proyectar en un factorial completo en cuatro cualesquiera de los sie-
te factores originales que no sean una palabra de la relacin de definicin. Hay 35 subconjuntos de cuatro
factores, siete de los cuales aparecen en la relacin de definicin completa (ver la tabla 8-15). Por lo tanto,
hay 28 subconjuntos de cuatro factores que formaran diseos 24 Una combinacin que es obvia al ins-
peccionar la tabla 8-15 es A, B, C y D.
Para ilustrar apropiadamente la utilidad de esta proyeccin, suponga que se realiza un experimento
para mejorar la eficiencia de un molino de bolas y los siete factores son los siguientes:
1. Velocidad del motor

2. Muesca
3. Modo de alimentacin
4. 'Iamao de la alimentacin
5. Tipo de material
6. ngulo de la criba
7. Nivel de vibracin de la criba
Se tiene una certeza razonable de que la velocidad del motor, el tamao de la alimentacin y el tipo de
material afectarn la eficiencia y que adems estos factores pueden interactuar. Se sabe menos del papel
de los otros tres factores, pero es probable que sean insignificantes. Una estrategia razonable sera asig-
nar la velocidad del motor, el modo de alimentacin, el tamao de la alimentacin y el tipo de material a
las columnas A, B, C y D, respectivamente, de la tabla 8-15. La muesca, el ngulo de la criba y el nivel de
vibracin de la criba se asignaran a las columnas E, F YG, respectivamente. Si se est en lo correcto y las
"variables menores" E, Fy G son insignificantes, quedar un diseo 24 completo en las variables clave del
proceso.
Separacin en bloques de diseos factoriales fraccionados
Ocasionalmente, un diseo factorial fraccionado requiere tantas corridas que no es posible realizarlas to-
das bajo condiciones homogneas. En estas situaciones, los diseos factoriales fraccionados pueden con-
fundirse o mezclarse en bloques. La tabla XII del apndice contiene los arreglos recomendados para la
separacin en bloques de varios de los diseos factoriales, fraccionados de la tabla 8-14. El tamao mni-
mo de los bloques para estos diseos es de ocho corridas.
Para ilustrar el procedimiento general, considere el diseo factorial fraccionado 2~2 con la relacin
de definicin 1 = ABCE = BCDF = ADEF que se muestra en la tabla 8-10. Este diseo fraccionado con-
tiene 16 combinaciones de tratamientos. Suponga que quiere correrse este diseo en dos bloques con
ocho combinaciones de tratamientos cada uno. Al seleccionar una interaccin para confundirla con los
bloques, se observa por el examen de la estructura de los alias de la tabla XII(f) del apndice que hay dos
332 CAPTULO 8 DISEOS FACTORIALESFRACCIONADOS DE DOS NIVELES
Bloque1 Bloque2
(1) ae
abf acf
cef bef
abce be
abef df
bde abd
aro cde
bcdf abcdef
Figura 8-18 El diseo 2~2

en dos bloques con ABD con-
fundida.
series de alias que incluyen nicamente interacciones de tres factores. La tabla sugiere seleccionar ABD
(y sus alias) para confundirla con los bloques. Se obtendran as los dos bloques que se muestran en la fi-
gura 8-18. Observe que el bloque principal contiene las combinaciones de tratamientos que tienen un n-
mero igual de letras en comn conABD. Son tambin las combinaciones de tratamientos para las que
L = Xl + X2 + X4 = O (mod 2).
'EJEMPLO 8.-6 ... . 111 111 111 111 111 111 111
Se usa una mquina CNC de cinco ejes para maquinar un propulsor utilizado en un motor de turbina. Los
perfiles de los labes son una caracterstica importante de la calidad. Especficamente, es de inters la
desviacin del perfil del labe del perfil especificado en el plano de ingeniera. Se corre un experimento
para determinar cules son los parmetros de la mquina que afectan la desviacin del perfil. Los ocho
factores seleccionados en el diseo son los siguientes:
Factor Nivel bajo H Nivel alto ( +)

A = desviacin en el eje x (0.001 pulg) o 15
B = desviacin en el eje y (0.001 pulg] O 15
e = desviacin en el eje z (0.001 pulg) O 15
D = fabricante de la herramienta 1 2
E = desviacin del eje a (0.001 grados) O 30
F = velocidad del aremetro (%) 90 110
G = altura de la plantilla sujetadora (0.001 pulg) O 15
H = velocidad de alimentacin (%) 90 110
Se selecciona un labe de prueba en cada pieza para inspeccionarlo. La desviacin del perfil se mide utili-
zando una mquina de medicin coordenada, y la desviacin estndar de la diferencia entre el perfil real y
el perfil especificado se usa como la variable de respuesta.
La mquina tiene cuatro aremetros. Puesto que puede haber diferencias en los aremetros, los in-
genieros del proceso piensan que stos debern tratarse como bloques.
Los ingenieros se sienten confiados de que las interacciones de tres o ms factores no son muy impor-
tantes, pero estn renuentes a ignorar las interacciones de dos factores. Por la tabla 8-14, inicialmente dos
8-4 EL DISEO FACTORIAL FRACCIONADO 2.....GENERAL 333
diseos parecen ser apropiados: el diseo 2~4 con 16 corridas y el diseo 2~3 con 32 corridas. La tabla
XII(I) del apndice indica que si se usa el diseo con 16 corridas, habr un nmero considerable de alias
con interacciones de dos factores. Adems, este diseo no puede correrse en cuatro bloques sin confundir
cuatro interacciones de dos factores con los bloques. Por lo tanto, los experimentadores deciden usar el
diseo 2~3 en cuatro bloques. En este diseo se confunden con los bloques una cadena de alias de in-
teracciones de tres factores y una interaccin de dos factores (EH) y sus alias de interacciones de tres fac-
tores. La interaccin EH es la interaccin entre la desviacin del eje a y la velocidad de alimentacin, y los
ingenieros consideran que una interaccin entre estas dos variables es altamente improbable.
La tabla 8-16 contiene el diseo y las respuestas resultantes en trminos de desviacin estndar x 1()3
pulg. Puesto que la variable de respuesta es una desviacin estndar, con frecuencia es mejor efectuar el
anlisis despus de una transformacin logartmica. En la tabla 8-17 se muestran las estimaciones, de los
efectos. La figura 8-19 es una grfica de probabilidad normal de las estimaciones de los efectos, utilizando
In (desviacin estndar x 1()3)como la variable de respuesta. Los nicos efectos grandes sonA :: desvia-
cin del eje x, B :: desviacin del eje y, y la cadena de alias que incluyeAD + BG.Ahora bien,AD es la in-
Tabla 8.16 El diseo ZS-3 en cuatro bloques del ejemplo 8-6

Diseo bsico Orden real Desviacin estndar
Corrida A B C D E F=ABC G =ABD H=BCDE Bloque de las corridas (x 103 pulg)
1 + 3 18 2.76
2 + + + + 2 16 6.18
3 + + + 4 29 2.43
4 + + 1 4 4.01
5 + + 1 6 2.48
6 + + + 4 26 5.91
7 + + + + 2 14 2.39
8 + + + + + 3 22 3.35
9 + + 1 8 4.40
10 + + + 4 32 4.10
11 + + + + 2 15 3.22
12 + + + + + 3 19 3.78
13 + + + + + 3 24 5.32
14 + + + + 2 11 3.87
15 + + + 4 27 3.03
16 + + + + + + 1 3 2.95
17 - + 2 10 2.64
18 + - + + + 3 21 5.50
19 + - + + + + 1 7 2.24
20 + + - + + 4 28 4.28
21 + - + + + 4 30 2.57
22 + + - + + + 1 2 5.37
23 + + - + + 3 17 2.11
24 + + + - + + 2 13 4.18
25 + + + + 4 25 3.96
26 + + + + + 1 1 3.27
27 + + + + 3 23 3.41
28 + + + + + 2 12 4.30
29 + + + + + 2 9 4.44
30 + + + + 3 20 3.65
31 + + + + + 1 5 4.41
32 + + + + + + + + 4 31 3.40
------------------_ .. ------------
334 CAPf11JLO 8 DISEOS FAcrORIALES FRACCIONADOS DE DOS NIVELES
Tabla 8-17 Estimaciones de los efectos, coeficientes de regresin y sumas de cuadrados del ejemplo 8-6
Variable Nombre Nivel-l Nivel +1
A Desviacin del eje x O 15
B Desviacin del eje y O 15
C Desviacin del eje z O 15
D Fabricante de la herramienta 1 2
E Desviacin del eje a O 30
F Velocidad del aremetro 90 110
G Altura de la plantilla sujetadora O 15
H Velocidad de alimentacin 90 110
Variable- Coeficiente de regresin Efecto estimado Suma de cuadrados
A 0.14513 0.29026 0.674020
B -0.10027 -0.20054 0.321729
C -0.01288 -0.02576 0.005310
D 0.05407 0.10813 0.093540
E -2531E-04 -5.063E-04 2.050E-06
F -0.01936 -0.03871 0.011988
G 0.05804 0.11608 0.107799
H 0.00708 0.01417 0.001606
AB + CF+DG -0.00294 -0.00588 2.767E-04
AC+BF -0.03103 -0.06206 0.030815
AD+BG -0.18706 -0.37412 1.119705
AE 0.00402 0.00804 5.170E-04
AF+BC -0.02251 -0.04502 0.016214
AG+BD 0.02644 0.05288 0.022370
AH -0.02521 -0.05042 0.020339
BE 0.04925 0.09851 0.077627
BH 0.00654 0.01309 0.001371
CD+FG 0.01726 0.03452 0.009535
CE 0.01991 0.03982 0.012685
CG+DF -0.00733 -0.01467 0.001721
CH 0.03040 0.06080 0.029568
DE 0.00854 0.01708 0.002334
DH 0.00784 0.01569 0.001969
EF -0.00904 -0.01808 0.002616
EG -0.02685 -0.05371 0.023078
EH -0.01767 -0.03534 0.009993
FH -0.01404 -0.02808 0.006308
GH 0.00245 0.00489 1.914E-04
ABE 0.01665 0.03331 -0.008874
ABH -0.00631 -0.01261 0.001273
ACD -0.02717 -0.05433 0.023617
S610 los efectos principales y las interacciones de dos factores.
8-4 EL DISEO FACTORIAL FRACCIONADO 2~ GENERAL 335
A 99

5 95
~ 10 90
x
;:-. 20 80
I
S 30 70
e
-; e
E 60 50';
o ~-.
...,c:
70 30
:2 20
80
~
e
11. 90 10
95 5
99
-.40 -.30 -.20 -.10 o .10 .20 .30

Estimaciones de los efectos
Figura 8-19 Grficade probabilidadnormalde las estimacionesde losefectos

del ejemplo 8-6.
teraccin desviacin del eje x-fabricante de la herramienta, y BG es la interaccin desviacin del eje
y-altura de la plantilla sujetadora, y como estas dos interacciones son alias es imposible separarlas con
base en los datos del experimento en curso. Puesto que ambas interacciones incluyen un efecto principal
grande, tambin es difcil aplicar cualquier simplificacin lgica "obvia" en esta situacin. Si se contara
con algn conocimiento de ingeniera o del proceso que arrojara luz sobre la situacin, entonces quiz po-
dra hacerse una eleccin entre las dos interacciones; en caso contrario, se necesitarn ms datos para se-
parar estos dos efectos (el problema de agregar corridas en un diseo factorial fraccionado para separar
los alias de las interacciones, se estudia en la seccin 8-5 y en el material suplementario de este captulo).
Suponga que el conocimiento del proceso sugiere que posiblemente la interaccin apropiada seaAD.
La tabla 8-18 es el anlisis de varianza resultante para el modelo con los factores A, B, D YAD (el factor D
se incluy para preservar el principio de jerarqua). Observe que el efecto del bloque es pequeo, lo cual
sugiere que los aremetros de la mquina no son muy diferentes.
La figura 8-20 es una grfica de probabilidad normal de los residuales de este experimento. Esta gr-
fica sugiere la presencia de colas ligeramente ms gruesas que las normales, por lo que posiblemente de-
Tabla 8.18 Anlisisde varianza del ejemplo 8-6

Fuente de variacin cuadrados libertad medio Fa ValorP
A 0.6740 1 0.6740 39.42 <0.0001
B 0.3217 1 0.3217 18.81 0.0002
D 0.0935 1 0.0935 5.47 0.0280
AD 1.1197 1 1.1197 65.48 <0.0001
Bloques 0.0201 3 0.0067
Error 0.4099 24 0.0171
'Iotal 2.6389 31
336 CAP1ULO 8 DISEOS FACTORIALESFRACCIONADOS DE OOS NIVELES
99
95
90
80
70
o
o
50 -;;
_;"'
-0.25 o 0.25
Residuales
Figura 8-20 Grficade probabilidadnormal de losresidualesdel ejemplo8-6.
1.825
0.75
Baja Alta
Desvlaci6n del eje x (A)
Figura 8-21 Grfica de la interaccin AV para el ejemplo 8-6.

8-5 DISEOS DE RESOLUCIN III 337
1.247 1.273
I
I
I
I
I 1.504 '.310
Desviacindel eje y-B
1'1'1'1'1'-------~tl2canteda
1'0.9595 1.745 ~ah;;;amlenta.D

O
1
O +15
Desviacindel eje x, A
Figura 8-22 El diseo 2~3 del ejemplo 8-6 proyectado en cuatro

rplicas de un diseo 23 en los factores A, B YD.
ban considerarse otras transformaciones. La grfica de la interaccinAD se presenta en la figura 8-21.

Observe que el fabricante de la herramienta (D) y la magnitud de la desviacin del ejex (A) tienen un im-
pacto profundo en la variabilidad, del perfil del labe, de las especificaciones de diseo. Correr A en el ni-
vel bajo (O desviacin) y comprar las herramientas al fabricante 1 produce los mejores resultados. En la
figura 8-22 se muestra la proyeccin de este diseo 2~3 en cuatro rplicas de un diseo 23 en los factores
A, By D. La mejor combinacin de las condiciones de operacin esA en el nivel bajo (O desviacin), B en
el nivel alto (0.015 en desviacin) y D en el nivel bajo (fabricante de herramientas 1).
8..5 DISEOS DE RESOLUCIN 111
Como se seal anteriormente, el uso secuencial de los diseos factoriales fraccionados es muy til, lle-
vando con frecuencia a una gran economa y eficiencia de la experimentacin. Se ilustran ahora estas
ideas utilizando la clase de los diseos de resolucin 111.
Es posible construir diseos de resolucin 111para investigar hasta k = N -1factores en slo N corri-
das, donde N es un mltiplo de 4. Con frecuencia estos diseos son tiles en la experimentacin indus-
triaL Los diseos en los que N es una potencia de 2 pueden construirse con los mtodos presentados
anteriormente en este captulo, y stos se presentan primero. De particular importancia son los diseos
que requieren 4 corridas para hasta 3 factores, 8 corridas para hasta 7 factores y 16 corridas para hasta 15
factores. Si k = N - 1, se dice que el diseo factorial fraccionado est saturado.
Un diseo para analizar hasta tres factores en cuatro corridas es el diseo 2~~1,el cual se present en
la seccin 8-2. Otro diseo factorial fraccionado saturado muy til es el diseo para estudiar siete factores
en ocho corridas, es decir, el diseo 2~4. Este diseo es una fraccin un dieciseisavo del diseo 27 Puede
construirse apuntando primero los niveles positivos y negativos de un diseo 23 completo en A, B Y C
como el diseo bsico, y asociando despus los niveles de cuatro factores adicionales con las interacciones
= = =
de los tres factores originales de la siguiente manera: D AB, E AC, F := BC y G ABe. Por lo tanto,
los generadores de este diseo son 1 = ABD,l = ACE,l =
BCF e 1 = ABCa. El diseo se muestra en la ta-
bla 8-19.
Tabla 8.19 El diseo 2~-4 con los generadores 1 = ABD, 1 = ACE, r = BCF e 1 == ABCG
Disefio bsico
Corrida A B C D=AB E=AC F=BC G=ABC
1 + + + def
2 + + + afg
3 + + + beg
4 + + + abd
5 + + + edg
6 + + + aee
7 + + + be!
8 + + + + + + + abcdefg
La relacin de definicin completa de este diseo se obtiene multiplicando entre s los cuatro genera-
doresABD,A CE,BCFy ABCG de dos en dos, de tres en tres y los cuatro a la vez, de donde se obtiene
1= ABD= ACE= BCF= ABCG= BCDE= ACDF= CDG
= ABEF= BEG= AFG= DEF= ADEG= CEFG"",BDFG= ABCDEFG
Para encontrar los alias de cualquier efecto, simplemente se multiplica el efecto por cada palabra de la re-
lacin de definicin. Por ejemplo, los alias de B son
B= AD= ABCE= CF= ACG==CDE= ABCDF= BCDG= AEF= EG
= ABFG= BDEF = ABDEG= BCEFG= DFG= ACDEFG
Este diseo es una fraccin un dieciseisavo, y como los signos elegidos para los generadores son posi-
tivos, se trata de la fraccin principal. Es tambin de resolucin III porque el nmero menor de letras de
cualquier palabra de la definicin de contraste es tres. Cualquiera de los 16 diferentes diseos 2il14 de esta
familia podra construirse utilizando los generadores con 1 de los 16 arreglos posibles de los signos en
1 = ABD,I = ACE,I = BCF,I = ABCG.
Los siete grados de libertad de este diseo pueden usarse para estimar los siete efectos principales.
Cada uno de estos efectos tiene 15 alias; sin embargo, si se supone que las interacciones de tres o ms fac-
tores son insignificantes, se consigue entonces una simplificacin considerable en la estructura de los alias.
Estableciendo este supuesto, cada una de las combinaciones lineales asociadas con los siete efectos
principales de este disefio es en realidad una estimacin del efecto principal y las tres interacciones de dos
factores:
RA -A+BD+CE+FG
RB -B+AD+CF+EG
Re -C+AE+BF+DG
RD -D+AB+CG+EF (8-1)
fE -E+AC+BG+DF
fF -F+BC+AG+DE
RG -G+CD+BE+AF
Estos alias se encuentran en la tabla XlI(h) del apndice, ignorando las interacciones de tres factores y de
rdenes superiores.
El diseo saturado 2ri~4 de la tabla 8-19 puede usarse para obtener diseos de resolucin III para es-
tudiar menos de siete factores en ocho corridas. Por ejemplo, para generar un diseo para seis factores en
ocho corridas, simplemente se elimina cualquiera de las columnas de la tabla 8-19, digamos la G. Se obtie-
ne as el diseo que se muestra en la tabla 8-20.
Es sencillo verificar que este diseo es tambin de resolucin III; de hecho es un diseo 2~[3, o una
fraccin un octavo, del diseo 26 La relacin de definicin del diseo 2~rr3es igual a la relacin de defini-
cin del diseo 2 ri4 original, con las palabras que incluyen la letra G eliminadas. Por lo tanto, la relacin
de definicin del nuevo diseo es
1 = ABD = ACE = BCF = BCDE = ACDF = ABEF = DEF

En general, cuando se eliminan d factores para producir un nuevo diseo, la nueva relacin de definicin
se obtiene de las palabras de la relacin de definicin original que no contienen ninguna de las letras eli-
minadas. Cuando se construyen diseos con este mtodo, deber prestarse atencin para obtener el me-
jor arreglo posible. Si se eliminan las columnas B, D, F YG de la tabla 8-19, se obtiene un diseo para tres
factores en ocho corridas, no obstante que las combinaciones de tratamientos corresponden a dos rpli-
cas de un diseo 23 Probablemente el experimentador preferira correr un diseo 23 completo enA, y E. e
'Iambin es posible obtener un diseo de resolucin III para estudiar hasta 15 factores en 16 corridas.
Este diseo 2~~-11saturado puede generarse apuntando primero las 16 combinaciones de tratamientos
asociadas con un diseo 24 enA,B, C y D e igualando despus 11 nuevos factores con las interacciones de
dos, tres y cuatro factores de los cuatro factores originales. En este diseo, cada uno de los 15 efectos prin-
cipales es alias de siete interacciones de dos factores. Puede usarse un procedimiento similar para el dise-
o 2~-26, lo cual permite el estudio de hasta 31 factores en 32 corridas.
Ensamblaje secuencial de fracciones para separar efectos

Mediante la combinacin de diseos factoriales fraccionados en los que se han intercambiado ciertos sig-
nos, es posible aislar de manera sistemtica los efectos de inters potencial. A este tipo de experimento
secuencial se le llama doblez 1() plegado (lold over) del diseo original. La estructura de los alias de cual-
quier fraccin con los signos de uno o ms de los factores invertidos se obtiene haciendo el cambio de sig-
no apropiado en los factores de la estructura de los alias de la fraccin original.
TablaS-20 El disefio2~13con los generadores I = AED, I = ACE e 1 = BCF

Diseo bsico
Corrida A B C D=AB E=AC F=BC
1 + + + def
2 + + af
3 + + be
4 + + + abd
5 + + ed
6 + + + aee
7 + + + bef
8 + + + + + + abcdef
340 CAPTULO 8 DISEOS FAcrORIALES FRACCIONADOS DE OOS NIVELES
Considere el diseo 2~~4de la tabla 8-19. Suponga que junto con esta fraccin principal se corre tam-
bin un segundo diseo fraccionado con los signos invertidos en la columna del factor D. Es decir, la co-
lumna de D de la segunda fraccin es
-++--++-
Los efectos que pueden estimarse a partir de la primera fraccin se muestran en la ecuacin 8-1, y a partir
de la segunda fraccin se obtiene
f~ -+A-BD+CE+FG
p.~ -+ B-
AD+CF+EG
p.~ - C+AE+BF- DG
p.~ - D- AB- CG- EF
es decir, (8-2)
r.; -+-D+AB+CG+EF
f~ -E+AC+BG-DF
p.~ -F+BC+AG-DE
r; -G-CD+BE+AF
suponiendo que no son significativas las interacciones de tres factores y de rdenes superiores. Ahora
bien, a partir de las dos combinaciones lineales de los efectos tef + f'i) Y tef - f';) se obtiene
A A+CE+FG BD
B B + CF+EG AD
C C+AE+BF DG
D D AB+CG +EF
E E+AC+BG DF
F F+BC+AG DE
G G +BE +AF CD
Por lo tanto, se ha aislado el efecto principal de D y todas sus interacciones de dos factores. En gene-
ral, si a un diseo fraccionado de resolucin III o mayor se le agrega una fraccin adicional con los signos
de un solofactor invertidos, entonces el diseo combinado producir las estimaciones del efecto principal
de ese factor y sus interacciones de dos factores.
Suponga ahora que a un diseo fraccionado de resolucin III se le agrega una segunda fraccin en la
que los signos de todos losfactores estn invertidos. Este tipo de doblez (llamado en ocasiones doblez com-
pleto o reflexin) rompe los vnculos de alias entre los efectos principales y las interacciones de dos facto-
res. Es decir, puede usarse el diseo combinado para estimar todos los efectos principales quitados de
todas las interacciones de dos factores. En el siguiente ejemplo se ilustra la tcnica.
Ej"EMPLO 8;7 ..
Un analista de desempeo humano conduce un experimento para estudiar el tiempo de enfoque del ojo y
ha construido un aparato en el que pueden controlarse varios factores durante la prueba. Los factores
que considera importantes inicialmente son la agudeza o claridad visual (A), la distancia del objetivo al
ojo (B), la forma del objetivo (C), el nivel de iluminacin (D), el tamao del objetivo (E), la densidad del
objetivo (F) y el sujeto (G). Se consideran dos niveles de cada factor. El analista sospecha que slo algu-
nos de estos siete factores son de importancia principal y que pueden omitirse las interacciones de rde-
Tabla 8,21 Diseo 2 ~~4 para el experimento del tiempo de enfoque del ojo
Diseo bsico
Corrida A B C D=AB E=AC F=BC G=ABC Tiempo
1 + + + de! 85.5
2 + + + afg 75.1
3 + + + beg 93.2
4 + + + abd 145.4
5 + + + edg 83.7
6 + + + aee 77.6
7 + + + be! 95.0
8 + + + + + + + abedefg 141.8
nes superiores entre los factores. Con base en este supuesto, el analista decide correr un experimento de
tamizado para identificar los factores ms importantes para despus enfocar el estudio en los mismos.
Para explorar estos siete factores, el experimentador corre las combinaciones de tratamientos del diseo
2Jit de la tabla 8-19 de manera aleatoria, obteniendo los tiempos de enfoque en milisegundos, como se
muestra en la tabla 8-21.
A partir de estos datos pueden estimarse siete efectos principales y sus alias. Por la ecuacin 8-1 se
observa que los efectos y sus alias son
lA = 20.63 -+A+BD+CE+FG
lB= 38.38-B+AD+CF+EG
le = -0.28-C+AE+BF+DG
iD = 28.88 -D+AB+CG+EF
lE = -0.28 - E+AC+BG+DF
lF = -0.63 -+F+BC+AG+DE
lG = -243 -+G+CD+BE+AF
Por ejemplo,
lA = i(-85.5+75.1- 93.2+145.4- 83.7+77.6- 95.0+141.8) = 20.63
Los tres efectos ms grandes son lA' lB YlD' La interpretacin ms simple de los datos es que los efectos
principales deA, B y D son todos significativos. Sin embargo, esta interpretacin no es nica, ya que otra
conclusin lgica sera que A ,B Yla interaccinAB, o quiz B, D Yla interaccin BD, o tal vezA, D y la in-
teraccin AD son los verdaderos efectos.
Observe queABD es una palabra en la relacin de definicin de este diseo. Por lo tanto, este diseo
2;;;4 no se proyecta en un factorial 23 enABD; en cambio, se proyecta en dos rplicas de un diseo 23-\
como se ilustra en la figura 8-23. Puesto que el diseo 23-1 es de resolucin I11,A ser alias de BD, B ser
alias deAD y D ser alias deAB, por lo que no es posible separar las interacciones de los efectos principa-
les. En este caso, quiz el analista haya tenido mala suerte. Si hubiera asignado el nivel de iluminacin a C
en lugar de aD, el diseo se habra proyectado en un diseo 23 completo, y la interpretacin podra haber
sido ms sencilla.
Para separar los efectos principales y las interacciones de dos factores, se corre una segunda fraccin
con todos los signos invertidos. Este doblez del diseo se muestra en la tabla 8-22, junto con las respuestas
observadas, Note que cuando se hace el doblez de un diseo de resolucin 111de esta manera, de hecho se
342' CAPTULo 8 DISEOS FACTORIALES FRACCIONADOS DE DOS NIVELES
I
I
I
D I
////.._
__0+
+
A
Figura 823 El diseo 2;;;4 proyectado en
dos rplicas de un diseo 2~' enA,B y D.
cambian los signos de los generadores que tienen un nmero impar de letras. Los efectos estimados por
esta fraccin son
E.~ =-17.68 ~A-BD-CE-FG
E.~= 37.73~B-AD-CF-EG
.e~= -3.33~C-AE-BF-DG
.e~ = 29.88~ D- AB- CG- EF
.e~ = 0.53 ~E-AC-BG-DF
E.~ = 1.63 ~ F- BC- AG- DE
.e~ = 2.68 ~ G- CD- BE- AF
Al combinar esta segunda fraccin con la original se obtienen las siguientes estimaciones de los efectos:
A A === 1.48 BD + CE + FG === 19.15

B B == 38.05 AD + CF + EG === 0.33
'c C == -1.80 AE + BF + DG = 1.53
D D === 29.38 AB + CG +EF = --0.50
E E = 0.13 AC + BG + DF = --0.40
F F = 0.50 BC +AG + DE = -1.53
G G === 0.13 CD + BE + AF = -2.55
Tabla 8-22 Un doblez del diseo 2i~ en el experimento del tiempo de enfoque del ojo
Diseo bsico
Corrida A B C D=-AB E=-AC F===-BC G=ABC Tiempo
1 + + + + abcg 91.3
2 + + + + bcde 136.7
3 + + + + acdf 82.4
4 + + + + cefg 73.4
5 + + + + abef 94.1
6 + + + + bdfg 143.8
7 + + + + adeg 87.3
8 (1) 71.9
Los dos efectos ms grandes son By D. Adems, el tercer efecto ms grande es BD + CE + FG, por lo
que parece razonable atribuir esto a la interaccin BD. El analista us los dos factores, distancia (B) y ni-
vel de iluminacin (D), en experimentos subsecuentes con los dems factores A, C, E y F en ajustes estn-
dar, y verific los resultados obtenidos aqu. Decidi usar los sujetos como bloques en estos nuevos
experimentos en lugar de ignorar el efecto potencial del sujeto debido a que fue necesario utilizar varios
sujetos diferentes para completar el experimento.
111 111 ,. -
La relacin de definicin para un diseo de doblez

La combinacin de diseos factoriales fraccionados por medio de un doblez, como la que se hizo en el
ejemplo 8-7, es una tcnica muy til. Con frecuencia es de inters conocer la relacin de definicin del di-
seo combinado. Puede determinarse con facilidad. Cada fraccin separada tendr L + U palabras usa-
das como generadores: L palabras con el mismo signo y U palabras con signos diferentes. En el diseo
combinado se usarnL + U -1palabras como generadores. stas sern lasL palabras con el mismo signo
y las U-1palabras que constan de productos pares independientes de las palabras que tienen signos dife-
rentes. (Los productos pares son las palabras tomadas de dos en dos, de cuatro en cuatro, etctera.)
Para ilustrar este procedimiento, considere el diseo del ejemplo 8-7. Para la primera fraccin, los ge-
neradores son
1= ABD, 1= ACE, 1= BCF e 1= ABCG
y para la segunda fraccin son

1 = -ABD, 1 = -ACE, 1 = -BCF e 1:= ABCG
Observe que en la segunda fraccin se han intercambiado los signos de los generadores con un nmero
impar de letras. Asimismo, observe que L + U = 1 + 3 = 4. El diseo combinado tendr! ABCG (la pa- =
labra con el mismo signo) como generador y dos palabras que son productos pares independientes de las
palabras con signos diferentes. Por ejemplo, tmese 1 = ABD el = ACE; entonces 1 = (ABD)(ACE) =
BCDE es un generador del diseo combinado. Asimismo, tmese 1 ABD e 1 = BCF; entonces =
1 = (ABD)(BCF) = ACDF es un generador del diseo combinado. La relacin de definicin completa
para el diseo combinado es
1= ABCG= BCDE= ACDF= ADEG= BDFG= ABEF= CEFG
Diseos de Plackett-Burman
Estos diseos, atribuidos a Plackett y Burman, son diseos factoriales fraccionados de dos niveles para es-
tudiar k = N -1variables en N corridas, donde N es un mltiplo de 4. Si N es una potencia de 2, estos dise-
os son idnticos a los que se presentaron anteriormente en esta seccin. Sin embargo, para N = 12, 20,
24,28 Y36, los diseos de Plackett-Burman en ocasiones son de inters. Puesto que estos diseos no pue-
den representarse como cubos, en ocasiones se les llama diseos no geomtricos.
En la mitad superior de la tabla 8-23 se presentan los renglones de signos positivos y negativos que se
usan para construir los diseos de Plackett-Burman para N = 12, 20, 24 y 36, mientras que en la mitad in-
ferior de la tabla se presentan los bloques de signos positivos y negativos para construir el diseo paraN =
28. Los diseos para N = 12, 20, 24 Y36 se obtienen escribiendo el rengln apropiado de la tabla 8-23
como una columna (o rengln). Entonces se genera una segunda columna (o rengln) a partir de la pri-
mera moviendo los elementos de la columna (o rengln) hacia abajo (o hacia la derecha) una posicin y
colocando el ltimo elemento en la primera posicin. Una tercera columna (o rengln) se produce a par-
tir de la segunda de manera similar, y el proceso se contina hasta que se genera la columna (o rengln) k.
344 CAPTIJLO 8 DISEOS FACTORIALES FRACCIONAOOS DE DOS NIVELES
Tabla 8-23 Signos positivos y negativos para los diseos de Plackett-Burman

k =11,N =12++-+++ ---+-
k =19,
N=20++--++++ -+ -+ ----++-
k = 23,
N = 24+++++-+ -++ --++ --+ -+ ----
k = 35, =
N 36-+ -+++ ---+++++ -+++ --+ ----+ -+ -++ --+-
k """27,N=28
+-++++--- -+---+--+ ++-+ -++-+
++-+++--- --++--+-- -++++-++-
-+++++--- +---+--+- +-+-++-++
---+-++++ --+-+---+ +-+++-+-+
---++-+++ +----++-- ++--++++-
----+++++ -+-+---+- -+++-+-++
+++---+-+ --+--+-+- +-++-+++-
+++---++- +--+----+ ++-++--++
+++----++ -+--+-+-- -++-+++-+
Despus se agrega un rengln de signos negativos, completndose as el diseo. ParaN = 28, los tres blo-
ques X; Y y Z se apuntan en el orden
XYZ
ZXY
YZX
y se agrega un rengln de signos negativos a estos 27 renglones. El diseo para N = 12 corridas y k = 11
factores se muestra en la tabla 8-24.
Los diseos no geomtricos de Plackett-Burman paraN = 12,20,24,28 Y36 tienen estructuras de los
alias muy intrincadas. Por ejemplo, en el diseo de 12 corridas, todos los efectos principales son alias par-
ciales de cada una de las interacciones de dos factores en los que no estn incluidos. Por ejemplo, la in-
teraccin AB es alias de los nueve efectos principales e, D, ..., K. Adems, cada uno de los efectos
principales son alias parciales de 45 interacciones de dos factores. En diseos ms grandes, la situacin es
todava ms compleja. Se recomienda al experimentador usar estos diseos con mucho cuidado.
Tabla 8-24 Diseo de Plackett-Burman para N = 12, k = 11

Corrida A B e D E F G H 1 J K
1 + + + + + +
2 + + + + + +
3 + + + + + +
4 + + + + + +
5 + + + + + +
6 + + + + + +
7 + + + + + +
8 + + + + + +
9 + + + + + +
10 + + + + + +
11 + + + + + +
12

I
I
I
..-_--
..- .;'

al Proyecci6nen tres factores
b I Proyecci6nen cuatro factores
Figura 8-24 Proyeccindel diseo de Plackett-Burmande 12corridas

en diseos de tres y cuatro factores.
Las propiedades proyectvas de los diseos no geomtricos de Plackett-Burman no son avasalladora-

mente atractivas. Por ejemplo, considere el diseo de 12 corridas de la tabla 8-24. Este diseo se proyecta-
r en tres rplicas de un diseo 22 completo en dos cualesquiera de los 11 factores originales. Sin embargo,
en tres factores, el diseo proyectado es un diseo 23 completo ms un factorial fraccionado 2~I~1(ver la fi-
gura 8-24a). Por lo tanto, el diseo de Plackett-Burman de resolucin Hl tiene proyectividad 3, lo cual sig-
nifica que se plegar en un diseo factorial completo en cualquier subconjunto de tres factores. El diseo
2~I?slo tiene proyectividad 2. Las proyecciones de cuatro dimensiones se muestran en la figura 8-24b.
Observe que estas proyecciones de tres y cuatro factores no son diseos balanceados.
'E)"EMPLO 8..8 .....................................

Se ilustrarn algunas de las dificultades potenciales asociadas con los diseos de Plackett-Burman util-
zando el diseo de 11 variables con 12 corridas y un conjunto de datos simulados. Se supondr que el pro-
ceso tiene tres efectos principales significativos (A, B, D) y dos interacciones significativas de dos factores
(AB y AD). El modelo es
y= 200+8x +10x2 + 12x4 -12xx2 +9X1X4 +e
donde cada x, es una variable codificada definida en el intervalo -1, + 1 y e es un trmino NID(O, 9) del
error aleatorio. Por lo tanto, tres de los k = 11 factores son grandes, y hay dos interacciones grandes; la si-
tuacin no est fuera de razn.
En la tabla 8-25 se presenta el diseo de Plackett-Burman con 12 corridas y las respuestas simuladas.
Este diseo luce diferente al diseo de 12 corridas de la tabla 8-24 porque se construy utilizando el ren-
---------------------- ---------- _ .. _---------
Tabla 8-25 Diseo de Plackett-Burman para el ejemplo 8-8

Corrida A B e D E F G H J K L Respuesta
1 + + + + + + 231
2 + + + + + + 207
3 + + + + + + 230
4 + + + + + + 217
5 + + + + + + 175
6 + + + + + + 176
7 + + + + + + 183
8 + + + + + + 185
9 + + + + + + 181
10 + + + + + + 220
11 + + + + + + 229
12 168
gln de signos para k = 11, N = 12 de la tabla 8-23 como rengln. En la tabla 8-26 se muestran las estima-
ciones de los efectos. Observe que hay siete efectos grandes:A, B, e, D, E, J YK (y, desde luego, sus alias).
No es evidente de inmediato que algunos de estos efectos podran ser interacciones. Parte de esta ambi-
gedad podra resolverse haciendo el doblez del diseo. Con esto por lo general se resolvern los efectos
principales, pero con frecuencia sigue dejando al experimentador con la incertidumbre acerca de los efec-
tos de las interacciones.
La dificultad para interpretar un diseo de Plackett-Burman, ilustrada en el ejemplo anterior, ocurre

con mucha frecuencia en la prctica. Si la eleccin est entre un diseo geomtrico 2~~7
con 16 corridas o
un diseo de Plackett-Burman con 12 corridas que quiz tenga que doblarse (para lo cual se requeriran
24 corridas), el diseo geomtrico puede resultar una mejor eleccin. Para mayores detalles ver Montgo-
mery, Borror y Stanley [81]. Bajo ciertas condiciones, los alias de un diseo no geomtrico de Plac-
Tabla 826 Estimaciones de los efectos, coeficientes de regresin y sumas de cuadrados del ejemplo 88
Variable" Coeficiente de regresin Efecto estimado Suma de cuadrados
A 6.333 12.667 481.333
B 6.667 13.333 533.333
e 6.833 12.667 560.333
D 17.000 34.000 3468.000
E 6.833 13.667 560.333
F 0.500 1.000 3.000
G -1.167 -2.333 ' 16.333
H 1.500 3.000 27.000
J -6.333 -12.667 481.333
K ~.833 -11.667 408.333
L -0.167 -0.333 0.333
"Iodos los efectosprincipalesson aliasparcialesde 45interaccionesde dosfactores.
86 DISEOS DE RESOLUCIN IV y V 347
kett-Burman pueden desenredarse utilizando tcnicas de construccin de modelos de regresin. Esto se
analiza en Hamada y Wu [53].
8..6 DISEOS DE RESOLUCIN IV Y V
Un diseo factorial fraccionado 2k-p es de resolucin IV si los efectos principales estn separados de las
interacciones de dos factores y algunas interacciones de dos factores son alias entre s. Por lo tanto, si se
suprimen las interacciones de tres factores y de rdenes superiores, los efectos principales pueden esti-
marse directamente en un diseo 2~~p. Un ejemplo es el diseo 2~2 de la tabla 8-10. Adems, las dos
fracciones combinadas del diseo 2;;;4 del ejemplo 8-7 producen un diseo 2~3.
Cualquier diseo 2~ P debe incluir al menos 2k corridas. A los diseos de resolucin IV que contie-
nen exactamente 2k corridas se les llama diseos mnimos. Los diseos de resolucin IV pueden obte-
nerse a partir de diseos de resolucin III por el proceso de doblado. Recuerde que para hacer el doblez
de un diseo 2;?, simplemente se agrega a la fraccin original una segunda fraccin con todos los sig-
nos invertidos. Entonces los signos positivos en la columna identidad 1de la primera fraccin podran
intercambiarse en la segunda fraccin, y el factor (k + l)-simo podra asociarse con esta columna. El
resultado es un diseo factorial fraccionado 2::1- P El proceso se muestra en la tabla 8-27 para el diseo
2~1. Es sencillo verificar que el diseo resultante es un diseo 2~1 con la relacin de definicin
1 =ABCD.
Tambin es posible hacer el doblez de diseos de resolucin IV para separar las interacciones de dos
factores que son alias entre s. Montgomery y Runger [83c] hacen notar que un experimentador puede te-
ner varios objetivos al hacer el doblez de un diseo de resolucin Iv,como 1) romper tantas cadenas de
alias de interacciones de dos factores como sea posible, 2) romper las interacciones de dos factores en una
cadena de alias especfica, o 3) romper las interacciones de dos factores que incluyen un factor especfico.
Una manera de hacer el doblez de un diseo de resolucin IV es corriendo una segunda fraccin en la que
se invierte el signo de todos los generadores del diseo que tienen un nmero impar de letras. Para ilus-
trar, considere el diseo 2~2 usado en el experimento del moldeo por inyeccin del ejemplo 8-4. Los ge-
neradores del diseo de la tabla 8-10 son 1 = ABCE el = BCDF.La segunda fraccin usara los
Tabla 8-27 Diseo 2~1obtenido por doblez

D
1 A B C
Diseo 2;1 orginal con 1 = ABC
+ +
+ +
+ +
+ + + +
Segundo disefio 2;1 con los signos intercambiados
+ +
+ +
+ +
348 CAPfTIJLO 8 DISEOS FACTORIALES FRACCIONADOS DE DOS NIVELES
generadores 1 = -ARCE e 1 = -BCDF, y el generador nico para el diseo combinado sera 1 = ADEF.
Por lo tanto, el diseo combinado sigue siendo un diseo factorial fraccionado de resolucin IV. Sin em-
bargo, las relaciones de los alias sern mucho ms sencillas que en el diseo 2;2 original. De hecho, las
nicas interacciones de dos factores que tendrn alias sonAD = EF, AE = DFy AF = DE. Todas las de-
ms interacciones de dos factores pueden estimarse a partir del diseo. combinado.
Como otro ejemplo, considere el diseo 2~3 con 32 corridas. La tabla 8-14 indica que el mejor con-
junto de generadores para este diseo es 1 = ABCE, 1 = ABDG el = BCDEH. En la tabla XII (m) del
apndice se muestran los alias para este diseo. Observe que hay seis pares de interacciones de dos facto-
res y un grupo de tres interacciones de dos factores que son alias. Si se hace el doblez de este diseo, la se-
gunda fraccin tendra los generadores 1 = -ABCE, 1 = -ABDG el = BCDEH. El diseo combinado tiene
los generadores 1 = CDFG e 1 = BCDEH, y la relacin de definicin completa es
1 = CDFG= BCDEH = BEFGH
El diseo combinado es de resolucin IV, pero las nicas interacciones de dos factores que siguen tenien-
do alias son CD = FG, CF = DG YCG = DF. Se trata de una simplificacin considerable de los alias de la
fraccin original.
Observe que cuando se empieza con un diseo de resolucin 111,el procedimiento de doblez garanti-
za que el diseo combinado ser de resolucin IV, con lo cual se asegura que todos los efectos principales
pueden separarse de sus alias en interacciones de dos factores. Cuando se hace el doblez de un diseo de
resolucin IV, no necesariamente se separarn todas las interacciones de dos factores. De hecho, si la
fraccin original tiene una estructura de los alias con ms de dos interacciones de dos factores en cual-
quier cadena de alias, el doblez no separar completamente todas las interacciones de dos factores.
Ambos ejemplos anteriores, el2~z y eI2~3, tienen al menos una de tales cadenas de alias de interaccio-
nes de dos factores. Montgomery y Runger [83c] dan una tabla de diseos hechos doblez recomendados
para fracciones de resolucin IV con 6 -s k :os; 10 factores.
Los diseos de resolucin V son factoriales fraccionados en los que los efectos principales y las in-
teracciones de dos factores no tienen como alias otros efectos principales u otras interacciones de dos fac-
tores. Estos diseos son muy poderosos, permitiendo la estimacin nica de todos los efectos principales
y las interacciones de dos factores, siempre que todas las interacciones de tres factores y de rdenes supe-
riores sean insignificantes. La palabra ms pequea de la relacin de definicin de tal diseo debe tener
cinco letras. El diseo 25-1 con la relacin de definicin 1 = ABCDE es de resolucin V. Otro ejemplo es el
diseo 2~-z con las relaciones de definicin 1 = ABCnG el = ABEFH. Ejemplos adicionales de estos di-
seos se presentan en Box y Hunter [17c].
Debido a que los diseos estndar de resolucin V son diseos grandes cuando el nmero de factores
es moderadamente grande, existe cierto inters prctico en los diseos factoriales fraccionados irregula-
res de resolucin V. Se cuenta con diseos tiles para 4:::;; k:::;; 9 factores. El diseo de 24 corridas para
k = 5 factores se muestra en la tabla 8-28. Puesto que se trata de un diseo de resolucin V, es posible esti-
mar los cinco efectos principales y las 10 interacciones de dos factores, suponiendo que las interacciones
de tres factores y rdenes superiores son insignificantes. El diseo para k = 4 factores tiene 12 corridas y
se comenta en el problema 8-22. Para k = 6, 7 Y8, estos diseos tienen 48 corridas, y el diseo de nueve
factores tiene 96 corridas. El paquete de software Design-Expert contiene todos estos diseos.
Por ltimo, cabe sealar que un doblez completo de un diseo de resolucin IV o V suele ser innece-
sario. En general, slo hay una o dos (o muy pocas) interacciones con alias que son de inters potencial.
Los alias de estas interacciones pueden por lo general separarse agregando un nmero pequeo de corri-
87 RESUMEN 349
TablaB-2B La fraccin irregular de
resolucin V para cinco factores
en 24 corridas
A B e D E
+
+ +
+
+ +
+ +
+
+ +
+ + +
+ + +
+ + +
+ + + +
+
+ +
+ + +
+ + +
+ + +
+ + + +
+ +
+ + +
+ + + +
+ + +
+ + + +
+ + + +
das a la fraccin originaL Esta tcnica se denomina en ocasiones doblez parcial. Para formarse una idea
de cmo se hace esto, referirse al ejemplo 10-5y al material suplementario del texto de este captulo.
8..7 RESUMEN
En este captulo se introdujo el diseo factorial fraccionado 2k-p. Se ha hecho hincapi en el uso de estos
diseos en experimentos de tamizado para identificar de manera rpida y eficaz el subconjunto de facto-
res que estn activos, as como para proporcionar cierta informacin sobre las interacciones. La propie-
dad de proyeccin de estos diseos hace posible en muchos casos examinar los factores activos con mayor
detalle. El ensamblaje secuencial de estos diseos por medio de un doblez es una manera muy eficaz de
obtener informacin adicional acerca de las interacciones que pueden identificarse como de posible im-
portancia en un experimento inicial.
En la prctica, los diseos factoriales fraccionados 2k-p con N = 4, 8, 16 Y32 corridas son muy tiles.
En la tabla 8-29 se resumen estos diseos, identificando cuntos factores pueden usarse con cada diseo
para obtener diferentes tipos de experimentos de tamizado. Por ejemplo, el diseo de 16 corridas es un
factorial completo para 4 factores, una fraccin un medio para 5 factores, una fraccin de resolucin IV
para 6 u 8 factores y una fraccin de resolucin 111para 9 a 15 factores. 'Iodos estos diseos pueden cons-
truirse utilizando los mtodos explicados en este captulo, y muchas de sus estructuras de los alias se
muestran en la tabla XII del apndice.
350 CAPTIJLO 8 DISEOS FACfORIALES FRACCIONADOS DE DOS NIVELES
Tabla 829 Diseos factoriales y factorialesfraccionadostiles del

sistema 24. Los nmeros en las celdas son el nmero
de factores del experimento
Nmero de corridas
Tipo de diseo 4 8 16 32
Factorial completo 2 3 4 5
Fraccin un medio. 3 4 5 6
Fraccin de resolucin IV 4 6--8 7-16
Fraccin de resolucin m 3 5-7 9-15 17-31
8~8 PROBLEMAS
8-1. Suponga que en el experimento del desarrollo del proceso qumico descrito en el problema 6-7 slo pudo co-
rrerse una fraccin un medio del diseo 24 Construir el diseo y llevar a cabo el anlisis estadstico utilizando
los datos de la rplica l.
8-2. Suponga que en el problema 6-15 slo pudo correrse una fraccin un medio del diseo 24 Construir el diseo
y llevar a cabo el anlisis utilizando los datos de la rplica 1.
8-3. ,Considere el experimento del grabado con plasma del problema 6-18. Suponga que slo pudo correrse una
fraccin un medio del diseo. Establecer el diseo y analizar los datos.
8-4. En el problema 6-21 se describe el estudio para mejorar un proceso durante la manufactura de un circuito in-
tegrado. Suponga que slo pudieron hacerse ocho corridas de este proceso. Establecer un diseo 25-2 apro-
piado y encontrar la estructura de los alias. Utilizar las observaciones apropiadas del problema 6-21 como las
observaciones de este diseo y estimar los efectos de los factores. Qu conclusiones pueden sacarse?
8-5. Continuaci6n del problema 84. Suponga que ha hecho las ocho corridas del diseo 25-2 del problema 8-4.
Qu corridas adicionales se necesitaran para identificar los efectos de los factores que son de inters?
Cules son las relaciones de los alias en el diseo combinado?
8-6. R.O. Snee ("Experimentacin con un nmero grande de variables", en Experiments in Industry: Design;
Analysis and Interpretation of Results, de R.O. Snee, L.B. Hare y J.B. Trout, editores, ASQC) describe un ex-
perimento en el que se us un diseo 25-1 con 1 =ABCDE para investigar los efectos de cinco factores sobre
el color de un producto qumico. Los factores sonA = solvente/reactivo, B = catalizador/reactivo, C == tem-
peratura, D = pureza del reactivo y E = pH del reactivo. Los resultados obtenidos fueron los siguientes:
e = -0.63 d =6.79
a= 2.51 ade = 5.47
b = -2.68 bde = 3.45
abe = 1.66 abd = 5.68
c= 2.06 cde = 5.22
ace = 1.22 acd = 4.38
bce = -2.09 bcd 4.30
abe = 1.93 abcde = 4.05
a) Construir una grfica de probabilidad normal de los efectos. Qu efectos parecen estar activos?
b) Calcular los residuales. Construir una grfica de probabilidad normal de los residuales y graficar los resi-
duales contra los valores ajustados. Comentar las grficas.
e) Si algunos de los factores son insignificantes, plegar el diseo 25-1 a un diseo factorial completo en los
factores activos. Comentar el diseo resultante e interpretar los resultados.
8-7. En un artculo de J.J. Pignatiello, Jr. y J.S. Ramberg delJoumal of Quality Technology (vol. 17, pp. 198-206) se
describe el uso de un diseo factorial fraccionado con rplicas para investigar el efecto de cinco factores so-
bre la altura libre de los resortes de hojas utilizados en una aplicacin automotriz. Los factores sanA = tem-
8-8 PROBLEMAS 351
peratura del horno, B = tiempo de calentamiento, e = tiempo de transferencia, D = tiempo de retencin y
E = temperatura del aceite de templado. Los datos se presentan a continuacin:
A B C D E Altura libre
7.78 7.78 7.81
+ + 8.15 8.18 7.88
+ + 7.50 7.56 7.50
+ + 7.59 7.56 7.75
+ + 7.54 8.00 7.88
+ + 7.69 8.09 8.06
+ + 7.56 7.52 7.44
+ + + + 7.56 7.81 7.69
+ 7.50 7.25 7.12
+ + + 7.88 7.88 7.44
+ + + 7.50 7.56 7.50
+ + + 7.63 7.75 7.56
+ + + 7.32 7.44 7.44
+ + + 7.56 7.69 7.62
+ + + 7.18 7.18 7.25
+ + + + + 7.81 7.50 7.59
a) Escribir la estructura de los alias de este diseo. Qu resolucin tiene este diseo?
b) Analizar los datos. Qu factores influyen en la altura libre promedio?
e) Calcularel rango y la desviacinestndar de la altura libre para cada corrida. Hay algnindicio de que
cualquiera de estos factores afecta la variabilidad de la altura libre?
d) Analizar los residuales de este experimento y comentar los resultados.
e) Este diseo es el mejor posiblepara cincofactores en 16corridas? Especficamente,es posible encon-
trar un diseo fraccionadopara cinco factores en 16corridas con una resolucin ms alta que la de este
diseo?
8-8. En un artculo de Industrial and Engineering Chemistry ("Informacin adicional acerca de la planeacin de
experimentospara aumentar la eficienciade la investigacin")se utilizaun diseo25-2para investigarel efec-
to deA "'"temperatura de condensacin,B = cantidad del material 1, C = volumendel solvente,D = tiempo
de condensacin y E = cantidad del material 2 sobre el rendimiento. Los resultados obtenidos son los si-
guientes:
e = 23.2 ad =16.9 cd = 23.8 bde = 16.8
ab =15.5 be =16.2 ace = 23.4 abede = 18.1
a) Verificar que los generadores que se utilizaron en el diseo fueron I = ACE e I = BDE.
b) Apuntar la relacin de definicin completa y los alias de este diseo.
e) Estimar los efectos principales.
d) Elaborar la tabla del anlisisde varianza.Verificarque las interaccionesAByAD estn disponiblespara
usarlas como error.
e) Graficar losresidualescontra losvaloresajustados.Construir tambin la grficade probabilidad normal
de los residuales. Comentar los resultados.
8-9. Considere el experimentocon el resorte de hojasdel problema 8-7.Supongaque el factor E (temperatura del
aceite de templado) es muy difcilde controlar durante la manufactura. Cul sera el ajuste de los factores
A, B, C YD para reducir la variabilidad de la altura libre tanto como sea posible, independientemente de la
temperatura del aceite de templado usada?
8-10. Construir un diseo 27-2 seleccionandodos interaccionesde dosfactores comolos generadores independien-
tes. Apuntar la estructura de los alias completa de este diseo. Delinear la tabla del anlisis de varianza.
Cul es la resolucin de este diseo?
----------------------------------_._---- _ .._ .
352 CAPTULO 8 DISEOSFACTORIALESFRACCIONAOOS DE DOS NIVELES
8-11. Considere el diseo 2s del problema 6-21. Suponga que slo pudo correrse una fraccin un medio. Adems
se requirieron dos das para hacer las 16 observaciones, y fue necesario confundir el diseo 25-1en dos blo-
ques. Construir el diseo y analzar los datos.
8-12. Analizar los datos del problema 6-23 como si provinieran de un diseo 2::;/ con 1 == ABCD. Proyectar el dise-
o en un factorial completo en el subconjunto de los cuatro factores originales que parecen ser significativos.
8-13. Repetir el problema 8-12 utilizando 1= -ABCD. El uso de la fraccin alterna modifica la interpretacin de
los datos?
8-14. Proyectar el diseo 2~1 del ejemplo 8-1 en dos rplicas de un diseo 22 en los factores A y B.Analizar los da-
tos y sacar conclusiones.
8-15. Construir un diseo 2;3. Determinar los efectos que pueden estimarse si se corre una segunda fraccin de
este diseo con todos los signos invertidos.
8-16. Considere el diseo 2;3 del problema 8-15. Determinar los efectos que pueden estimarse si se corre una se-
gunda fraccin de este diseo con los signos del factor A invertidos.
8-17. Hacer el doblez del diseo 2i4 de la tabla 8-19 para producir un diseo de ocho factores. Verificar que el di-
seo resultante sea 2~4. Se trata de un diseo mnimo?
8-18. Hacer el doblez de un diseo 2~2 para producir un diseo de seis factores. Verificar que el diseo resultante
sea 2~2. Comparar este diseo con el diseo 2~2 de la tabla 8-10.
8-19. Un ingeniero industrial realiza un experimento utilizando un modelo de simulacin Montecarlo de un siste-
ma de inventario. Las variables independientes de su modelo son la cantidad del pedido (A), el punto de un
nuevo pedido (B), el costo de organzacin (C), el costo del refrendo de pedidos (D) y la tarifa de transporta-
cin (E). La variable de respuesta es el costo anual promedio. Para ahorrar tiempo de computadora, el inge-
=
niero decide investigar estos factores utilizando un diseo 2~2 con 1 = ABD el BCE. Los resultados que
obtiene son de = 95, ae == 134, b = 158, abd = 190, cd = 92, ac = 187, bce = 155 y abcde = 185.
a) Verificar que las combinaciones de tratamientos dadas sean correctas. Estimar los efectos suponiendo
que las interacciones de tres factores y de rdenes superiores son insignificantes.
b) Suponga que se agrega una segunda fraccin a la primera, por ejemplo, ade "" 136, e = 93, ab = 187, bd =
=
153, acd = 139, c = 99, abce 191 y bcde = 150. Cmo se obtuvo esta segunda fraccin? Incorporar es-
tos datos a la fraccin original y estimar los efectos.
e) Suponga que se corri lafraccinabc == 189, ce = 96, bcd = 154, acde = 135, abe = 193, bde = 152, ad =
137 y (1) = 98. Cmo se obtuvo esta fraccin? Incorporar estos datos en la fraccin original y estimar
los efectos.
8-20. Construir un diseo 25--1.Indicar cmo puede correrse el diseo en dos bloques de ocho observaciones cada
uno. Alguno de los efectos principales o de las interacciones de dos factores estn confundidos con los blo-
ques?
8-21. Construir un diseo 27-2. Indicar cmo puede correrse el diseo en cuatro bloques de ocho observaciones
cada uno. Alguno de los efectos principales o de las interacciones de dos factores estn confundidos con los
bloques?
8-22. Fracciones irregulares del diseo 2k (John [61dJ). Considere un diseo 24 Tienen que estimarse los cuatro efec-
tos principales y las seis interacciones de dos factores, pero no puede correrse el factorial 24 completo. El ta-
mao del bloque ms grande posible contiene z corridas. Estas 12 corridas pueden obtenerse de las cuatro
rplicas un cuarto definidas por 1= AB = ACD = BCD omitiendo la fraccin principal. Indicar cmo
pueden combinarse las tres fracciones 24--2restantes para estimar los efectos requeridos, suponiendo que las
interacciones de tres factores y de rdenes superiores son insignificantes. Este diseo podra considerarse
como una fraccin tres cuartos.
8-23. Los nodos de carbono utilizados en un proceso de fundicin se fabrican en un horno anular. Se corre un ex-
perimento en el horno para determinar cules son los factores que influyen en el peso del material de empa-
que que se adhiere a los nodos despus de la coccin. Seis variables son de inters, cada una con dos niveles:
A = relacin paso/finos (0.45, 0.55),B = tipo de material de empaque (1, 2), C = temperatura del material de
empaque (ambiente, 325C), D := localizacin de la chimenea (adentro, afuera), E = temperatura del foso
(ambiente, 195C) y F = tiempo de retraso antes del empaque (cero, 24 horas). Se corre un diseo 26-3y se
8-8 PROBLEMAS 353
obtienen tres rplicas en cada uno de los puntos del diseo. El peso del material de empaque adherido a los
nodos se mide en gramos. Los datos en el orden de las corridas son los siguientes: abd ::::(984, 826, 936);
abcdef > (1275,976,1457); be = (1217,1201,890); af = (1474, 1164, 1541); def= (1320, 1156,913); ed =
(765,705,821); aee = (1338, 1254, 1294) Ybef = (1325, 1299, 1253). Se desea minimizar la cantidad de mate-
rial de empaque adherido.
a) Verificar que las ocho corridas correspondan a un diseo 2~U3.Cul es la estructura de los alias?
b) Usar el peso promedio como respuesta. Qu factores parecen tener influencia?
e) Usar el rango de los pesos como respuesta. Qu factores parecen tener influencia?
d) Qu recomendaciones podran hacerse a los ingenieros del proceso?
8-24. Se corri un experimento de 16 corridas en una planta de manufactura de semiconductores para estudiar los
efectos de seis factores sobre la curvatura o combadura de los dispositivos del sustrato producidos. Las seis
variables y sus niveles se presentan a continuacin:
Duracin Punto de
Temperatura de Tiempo de Presin de Temperatura del ciclo de roco de
laminacin laminacin laminacin de coccin coccin la coccin
Corrida eC) (s) (tn) eC) (h) eC)
1 55 10 5 1580 17.5 20
2 75 10 5 1580 29 26
3 55 25 5 1580 29 20
4 75 25 5 1580 17.5 26
5 55 10 10 1580 29 26
6 75 10 10 1580 17.5 20
7 55 25 10 1580 17.5 26
8 75 25 10 1580 29 20
9 55 10 5 1620 17.5 26
10 75 10 5 1620 29 20
11 55 25 5 1620 29 26
12 75 25 5 1620 17.5 20
13 55 10 10 1620 29 20
14 75 10 10 1620 17.5 26
15 55 25 10 1620 17.5 20
16 75 25 10 1620 29 26
Se hicieron cuatro rplicas de cada corrida, y se hizo una medicin de la combadura del sustrato. Los datos se
presentan enseguida:
Combadura por rplica (pulglpulg) lbtal Media Desviacin

Corrida 1 2 3 4 (11)-4pulg/pulg) (11)-4pulg/pulg) estndar
1 0.0167 0.0128 0.0149 0.0185 629 157.25 24.418
2 0.0062 0.0066 0.0044 0.0020 192 48.00 20.976
3 0.0041 0.0043 0.0042 0.0050 176 44.00 4.083
4 0.0073 0.0081 0.0039 0.0030 223 55.75 25.025
5 0.0047 0.0047 0.0040 0.0089 223 55.75 22.410
6 0.0219 0.0258 0.0147 0.0296 920 230.00 63.639
7 0.0121 0.0090 0.0092 0.0086 389 97.25 16.029
8 0.0255 0.0250 0.0226 0.0169 900 225.00 39.42
9 0.0032 0.0023 0.0077 0.0069 201 50.25 26.725
10 0.0078 0.0158 0.0060 0.0045 341 85.25 50.341
----------_ _--
..
354 CAPTULO 8 DISEOS FACfORIALES FRACCIONAOOS DE DOS NIVELES
Combadurapor rplica (puIg/pulg) Thtal Media Desviacin

Corrida 123 4 (1Q-4pulg/pulg) (1Q-4pulgfpulg) estndar
11 0.0043 0.0027 0.0028 0.0028 126 31.50 7.681
12 0.0186 0.0137 0.0158 0.0159 640 160.00 20.083
13 0.0110 0.0086 0.0101 0.0158 455 113.75 31.12
14 0.0065 0.0109 0.0126 0.0071 371 92.75 29.51
15 0.0155 0.0158 0.0145 0.0145 603 150.75 6.75
16 0.0093 0.0124 0.0110 0.0133 460 115.00 17.45
a) Qu tipo de diseo utilizaron los experimentadores?

b) Cules son las relaciones de los alias en este diseo?
e) Alguna de las variables del proceso afecta la combadura promedio?
d) Alguna de las variables del proceso afecta la variabilidad de las mediciones de la combadura?
Tabla 8-30 Datospara el problema 8-25

A B e D E F Espesordel recubrimientoprotector
Corrida Volumen Lote TIempo,s Velocidad Aceleracin Cubierta Izq. Centro DeL Prom. Rango
1 5 Lote Z 14 7350 5 Sin 4531 4531 4515 4525.7 16
2 5 Lote 1 6 7350 5 Sin 4446 4464 4428 4446 36
3 3 Lote 1 6 6650 5 Sin 4452 4490 4452 4464.7 38
4 3 LoteZ 14 7350 20 Sin 4316 4328 4308 4317.3 20
5 3 Lote 1 14 7350 5 Sin 4307 4295 4289 4297 18
6 5 Lote 1 6 6650 20 Sin 4470 4492 4495 4485.7 25
7 3 Lote 1 6 7350 5 Con 4496 4502 4482 4493.3 20
8 5 LoteZ 14 6650 20 Sin 4542 4547 4538 4542.3 9
9 5 Lote 1 14 6650 5 Sin 4621 4643 4613 4625.7 30
10 3 Lote 1 14 6650 5 Con 4653 4670 4645 4656 25
11 3 Lote 2 14 6650 20 Con 4480 4486 4470 4478.7 16
12 3 Lote 1 6 7350 20 Sin 4221 4233 4217 4223.7 16
13 5 Lote 1 6 6650 5 Con 4620 4641 4619 4626.7 22
14 3 Lote 1 6 6650 20 Con 4455 4480 4466 4467 25
15 5 LoteZ 14 7350 20 Con 4255 4288 4243 4262 45
16 5 Lote 2 6 7350 5 Con 4490 4534 4523 4515.7 44
17 3 LoteZ 14 7350 5 Con 4514 4551 4540 4535 37
18 3 Lote 1 14 6650 20 Sin 4494 4503 4496 4497.7 9
19 5 Lote 2 6 7350 20 Sin 4293 4306 4302 4300.3 13
20 3 LoteZ 6 7350 5 Sin 4534 4545 4512 4530.3 33
21 5 Lote 1 14 6650 20 Con 4460 4457 4436 4451 24
22 3 LoteZ 6 6650 5 Con 4650 4688 4656 4664.7 38
23 5 Lote 1 14 7350 20 Sin 4231 4244 4230 4235 14
24 3 Lote Z 6 7350 20 Con 4225 4228 4208 4220.3 20
25 5 Lote 1 14 7350 5 Con 4381 4391 4376 4382.7 15
26 3 Lote 2 6 6650 20 Sin 4533 45Z1 4511 4521.7 22
27 3 Lote 1 14 7350 20 Con 4194 4230 4172 4198.7 58
28 5 LoteZ 6 6650 5 Sin 4666 4695 4672 4677.7 29
29 5 Lote 1 6 7350 20 Con 4180 4213 4197 4196.7 33
30 5 Lote 2 6 6650 20 Con 4465 4496 4463 4474.7 33
31 5 Lote 2 14 6650 5 Con 4653 4685 4665 4667.7 32
32 3 Lote 2 14 6650 5 Sin 4683 4712 4677 4690.7. 35
8-8 PROBLEMAS 355
e) Si es importante reducir la combadura tanto como sea posible, qu recomendaciones se haran?
8-25. Se usa un revestimiento por centrifugado para aplicar un recubrimiento fotoprotector en una oblea de silicio
natural. Esta operacin suele hacerse en las fases iniciales del proceso de fabricacin de semiconductores, y
el espesor promedio del recubrimiento protector y la variabilidad del espesor del mismo tienen un impacto
importante en los pasos subsecuentes de manufactura. Seis variables se usan en el experimento. Las varia-
bles y sus niveles alto y bajo se presentan a continuacin:
Factor Nivel bajo Nivel alto

Velocidad de centrifugado final 7350 rpm 6650rpm
ndice de aceleracin 5 20
Volumen de recubrimiento protector aplicado 3cc 5 ce
Tiempo del centrifugado 14 s 6s
Variacin del lote del recubrimiento protector Lote 1 Lote 2
Presin de descarga Sin cubierta Con cubierta
El experimentador decide usar un diseo 26-1y hacer tres lecturas del espesor del recubrimiento protector en
cada oblea de prueba. Los datos se muestran en la tabla 8-30.
a) Verificar que se trata de un diseo 26-1.Discutir las relaciones de los alias de este diseo.
b) Qu factores parecen afectar el espesor promedio del recubrimiento protector?
e) Considerando que el volumen del recubrimiento protector aplicado tiene un efecto reducido sobre el es-
pesor promedio, tiene esto alguna implicacin prctica importante para los ingenieros del proceso?
d) Proyectar este diseo en un diseo menor que incluya nicamente los factores significativos. Presentar
los resultados grficamente. Ayuda esto en la interpretacin?
e) Usar el rango del espesor del recubrimiento protector como variable de respuesta. Hay algn indicio de
que alguno de estos factores afecte la variabilidad del espesor del recubrimiento protector?
f) Dnde se recomendara que corrieran el proceso los ingenieros?
8-26. Harry y Judy Peterson-Nedry (dos amigos del autor) son propietarios de un viedo y una fbrica vincola en
Newberg, Oregon. Cultivan varias variedades de uvas y fabrican vino. Harry y Judy han usado diseos facto-
riales para el desarrollo de procesos y productos en el segmento de fabricacin vincola de su negocio. Este
problema describe el experimento realizado para su Pinot Noir 1985. Originalmente se estudiaron ocho va-
riables, las cuales se muestran en este experimento:
Variable Nivel bajo (-) Nivel alto ( +)

A = Clon de Pinot Noir Pornmard Wadenswil
B = Tipo de roble Allier 'Ironcais
=
e Edad de la barrica Vieja Nueva
=
D Levadura/contacto con la piel Champagne Montrachet
=
E Vapores Ninguno Todos
=
F Tostado de las barricas Ligero Medio
G = Racimos completos Ninguno 10%
H = Temperatura de fermentacin Baja (75F mx.) Alta (92P mx.)
Harry y Judy decidieron usar un diseo 2~4 con 16 Corridas. El vino fue catado por un panel de expertos el8
de marzo de 1986. Cada experto calfic las 16 muestras de vino catadas, siendo la calificacin 11a mejor. El
diseo y los resultados del panel de catadores se muestra en la tabla 8-31.
a) Cules son las relaciones de los alias en el diseo seleccionado por Harry y Judy?
b) Usar las calificaciones promedio (Y) como variable de respuesta. Analizar los datos y sacar conclusiones.
Se encontrar til examinar una grfica de probabilidad normal de las estimaciones de los efectos.
s:::
~~~8~~~~~~~~~~~8~
(")(")~"";"";""';""';dd~(")""';(")""';"'""';
4)
J 'DOO'DNOOONNOOOOO\O-.:tN\O
~~d~~~~~~~~~~~~~~
'I'"""lT"""'t t"""'4 ~ ....-1
:t: 1++ 1 1++ 1+ 1 1++ 1 1+
Cj 1++ 1+ 1 1+ 1++ 1+ 1 1+
O
.~
Ol 1'1;, 1+ 1++ 1+ 1+ 1+ 1 1+ 1+
ro
'"
,.D
~
o. ~ f.l 1++++ 1 1++ 1 1 1 1++
..'l
11) ~
'Ll .~
O ;.>
~ Q 1 1 1 1 1 1 1++++++++
E
'':
~
11) CJ 1 1 1 1++++ 1 1 1++++
Ol
ro
g
'"O
f'l Q:: 1++ 1 1++ 1 1++ 1 1++
1
...
11)
p-,
o ~ 1+ 1+ 1+ 1+ 1+ 1+ 1+ 1+
,:::
11)
8
.....
!"'l
r;};
.!3
'"
'O
'E
,.Q
~ 8 N<'"l-.:tV'l'DI.""-OOO'l_O
...... ......
N <'"l-.:t
...........
__ V'l\O
............
356
8-8 PROBLEMAS 357
e) Usar la desviacin estndar de las calificaciones (o alguna transformacin apropiada tal como log s)
como variable de respuesta. Qu conclusiones pueden sacarse acerca de los efectos de las ocho varia-
bles sobre la variabilidad de la calidad del vino?
d) Despus de mirar los resultados, Rarry y Judy coincidieron en que uno de los miembros del panel
(DCM) saba ms de cerveza que de vino, por lo que decidieron eliminar su calificacin. Qu efecto
tendra esto en los resultados y las conclusiones de los incisos b y e?
e) Suponga que justo antes de empezar el experimento, Harry y Judy se enteraron de que las ocho nuevas
barricas que ordenaron de Francia para usarlas en el experimento no llegaran a tiempo, y que las 16 co-
rridas tendran que hacerse con las barricas viejas. Si Harry y Judy simplemente eliminan la columna e
de su diseo, Zqu ocurre con las relaciones de los alias? Es necesario que empiecen de nuevo y cons-
truyan otro diseo?
f) Harry y Judy saben por experiencia que es improbable que algunas de las combinaciones de tratamientos
produzcan buenos resultados. Por ejemplo, la corrida con las ocho variables en el nivel alto generalmen-
te resulta en un vino con una calificacin baja. Esto se confirm el 8 de marzo de 1986 en la prueba del
vino. Quieren establecer un nuevo diseo para su Pinot Noir 1986 utilizando estas mismas ocho varia-
bles, pero no quieren correr el experimento con los ocho factores en el nivel alto. Qu diseo sugerira
el lector?
8-27. En un artculo de Quality Engineering ("Una aplicacin de los diseos experimentales factoriales fracciona-
dos", vol. 1,pp. 19-23)M.B. Kilgo describe un experimento para determinar el efecto de la presin del CO2
(A), la temperatura del COz (B), la humedad del cacahuate (C), la velocidad de flujo del COz (D) Yel tamao
de las partculas de cacahuate (E) sobre el rendimiento total del aceite por lote de cacahuates (y). Los niveles
que us para estos factores son los siguientes:
A, B, e, D, E,
Nivel presin temperatura humedad flujo tamao de las
codificado (bar) ("C) (% por peso) (litros/min) partculas (mm)
-1 415 25 5 40 1.28
1 550 95 15 60 4.05
Kilgo realiz el experimento factorial fraccionado con 16 corridas que se muestra a continuacin.
A B e D E Y
415 25 5 40 1.28 63
550 25 5 40 4.05 21
415 95 5 40 4.05 36
550 95 5 40 1.28 99
415 25 15 40 4.05 24
550 25 15 40 1.28 66
415 95 15 40 1.28 71
550 95 15 40 4.05 54
415 25 5 60 4.05 23
550 25 5 60 1.28 74
415 95 5 60 1.28 80
550 95 5 60 4.05 33
415 25 15 60 1.28 63
550 25 15 60 4.05 21
415 95 15 60 4.05 44
550 95 15 60 1.28 96
358 CAPTULo 8 DISEOS FACTORIALES FRACCIONADOS DE DOS NIVELES
a) Qu tipo de diseo se ha utilizado? Identificar la relacin de definicin y las relaciones de los alias.
b) Estimar los efectos de los factores y usar una grfica de probabilidad normal para hacer la identificacin
tentativa de los factores importantes.
e) Efectuar el anlisis estadstico apropiado para probar las hiptesis de que los factores identificados en el
inciso b anterior tienen un efecto significativo sobre el rendimiento del aceite de .cacahuate .
.d) Ajustar un modelo que pueda usarse para predecir el rendimiento del aceite de cacahuate en trminos
de los factores que se han identificado como importantes.
e) Analizar los residuales de este experimento y comentar la adecuacin del modelo.
8-28. Los ingenieros de la planta Essex Aluminum de Ford Motor Company llevaron a cabo un experimento facto-
rial fraccionado en 10 factores con 16 corridas para el vaciado en arena de tubos mltiples para motor, el cual
se describe en el artculo "Estudio del proceso de vaciado evaporativo para mltiples de adnsin de 3.0 li-
tros 'Poor Sandfill''', de D. Becknell (Fourth Symposium on Taguchi Methods, American Supplier Institute,
Dearborn, MI, pp. 120-130). El objetivo fue determinar cules de los 10 factores tienen un efecto sobre la
proporcin de vaciados defectuosos. El diseo y la proporcin resultante de vaciados no defectuosos p que
se observaron en cada corrida se presentan enseguida. Se trata de una fraccin de resolucin III con genera-
dores E = CD, F =' BD, G = BC, H =AC, J = AB y K = ABC. Suponga que el nmero de vaciados hechos en
cada corrida del diseo es 1000.
Modificacin
Corrida A B C D E F G H J K P arcsen..JP deF&T
1 + + + + + 0.958 1.364 1.363
2 + + + + + 1.000 1.571 1.555
3 + + + + 0.977 1.419 1.417
4 + + + + 0.775 1.077 1.076
5 + + + + 0.958 1.364 1.363
6 + + + + 0.958 1.364 1.363
7 + + + 0.813 1.124 1.123
8 + + + + + + + 0.906 1.259 1.259
9 + + + + 0.679 0.969 0.968
10 + + + + 0.781 1.081 1.083
11 + + + + + 1.000 1.571 1.556
12 + + + + + 0.896 1.241 1.242
13 + + + + + 0.958 1.364 1.363
14 + + +. + + 0.818 1.130 1.130
15 + + + + + + 0.841 1.161 1.160
16 + + + + + + + + + + 0.955 1.357 1.356
a) Encontrar la relacin de definicin y las relaciones de los alias de este diseo.

e) Ajustar el modelo apropiado utilizando los factores identificados en el inciso b anterior.
d) Graficar los residuales de este modelo contra la proporcin predicha de vaciados no defectuosos. Cons-
truir tambin una grfica de probabilidad normal de los residuales. Comentar la adecuacin de estas gr-
ficas.
e) El lector habr notado en el inciso d un indicio de que la varianza de la respuesta no es constante (consi-
derando que la respuesta es una proporcin, esto debera haberse anticipado). La tabla anterior tambin
muestra una transformacin de p, arcsen de la raz cuadrada de p, que es de uso generalizado como
transjormacin para estabilizar la varianza de los datos de la proporcin (referirse a la discusin de las
transformaciones para estabilizar la varianza del capitulo 3). Repetir los incisos a al d anteriores utilizan-
8-8 PROBLEMAS 359
do la respuesta transformada y comentar los resultados. Especficamente, son mejores ahora las grfi-
cas de los residuales?
{) Hay una modificacin de la transformacin arcsen de la raz cuadrada, propuesta por Freeman y Thkey
("1l:ansformaciones relacionadas con ngulos y la raz cuadrada", Annals of Mathematical Statistics, vol.
21, pp. 607-611) que mejora su desempeo en las colas. La modificacin de F&T es:
[arcsen.Jnft / (n+ 1) + arcsen.J(nft+ 1)1 (n+ 1)]/2
Resolver de nuevo los incisos a al d utilizando esta transformacin y comentar los resultados. (Para una
interesante discusin y anlisis de este experimento, referirse a "Anlisis de experimentos factoriales con
defectos o partes defectuosas como respuesta", de S. Bisgaard y H.T. Fuller, Quality Engineering, vol. 7,
pp. 429-443.)
8-29. Un experimento factorial fraccionado en nueve factores y 16 corridas fue conducido por el departamento
Chrysler Motors Engineering y se describe en el artculo "Mejoramiento del proceso compuesto de moldeo
de planchas", de P.1. Hsieh y O.E. Goodwin (FOUTthSymposium on Taguchi Methods, American Supplier
Institute, Dearborn, MI, pp. 13-21). El objetivo era reducir el nmero de defectos en el acabado de rejillas de
planchas moldeadas de recuadros abiertos. El diseo y el nmero resultante de defectos, e, observados en
cada corrida se muestran a continuacin. Se trata de una fraccin de resolucin 111con generadores E = BD,
F == BCD, G = AC, H = ACD y J = AB.
Modificacin
Corrida A B C D E F G H J e JC deF&T
1 + + + 56 7.48 7.52
2 + + + 17 4.12 4.18
3 + + + 2 1.41 1.57
4 + + + + + 4 2.00 2.12
5 + + + + + 3 1.73 1.87
6 + + + + + 4 2.00 2.12
7 + + + 50 7.07 7.12
8 + + + + + 2 1.41 1.57
9 + + + + + 1 1.00 1.21
10 + + + O 0.00 0.50
11 + + + + + 3 1.73 1.87
12 + + + + + 12 3.46 3.54
13 + + + 3 1.73 1.87
14 + + + + + 4 2.00 2.12
15 + + + + + O 0.00 0.50
16 + + + + + + + + + O 0.00 0.50
a) Encontrar la relacin de definicin y las relaciones de los alias de este diseo.

e) Ajustar un modelo apropiado utilizando los factores identificados en el inciso b anterior.
d) Graficar los residuales de este modelo contra el nmero predicho de defectos. Asimismo, construir una
grfica de probabilidlad normal de los residuales. Comentar la adecuacin de estas grficas.
360 CAPTULO 8 DISEOS FACTORIALESFRACCIONADOS DE DOS NIVELES
e) El lector habr notado en el inciso d un indicio de que la varianza de la respuesta no es constante (consi-
derando que la respuesta es un conteo, esto debera haberse anticipado). La tabla anterior tambin in-
cluye una transformacin de e, la raz cuadrada, que es una transformacin para estabilizar la varianza de
uso generalizado con datos de conteos (referirse a la exposicin de las transformaciones para estabilizar
la varianza del captulo 3). Repetir los incisos a al d utilizando la respuesta transformada y comentar los
resultados. Especficamente, Zhan mejorado ahora las grficas de los residuales?
[) Hay una modificacin de la transformacin de la raz cuadrada, propuesta por Freeman y Tukey
("'fransformaciones relacionadas con ngulos y raz cuadrada", Annals of Mathematical Statistics, vol.
21, pp. 607-611) que mejora su desempeo. La modificacin de F&T de la transformacin de la raz
cuadrada es:
[.JC +.J(c+l)/ 2
Resolver de nuevo los incisos a al d utilizando esta transformacin y comentar los resultados. (Para una
interesante discusin y anlisis de este experimento, referirse a 'Anlisis de experimentos factoriales con
defectos o partes defectuosas como respuesta", de S. Bisgaard y H.T. Fuller, Quality Engineering, vol. 7,
pp. 429-443.)
8-30. Se corre un experimento en una fbrica de semiconductores para investigar el efecto de seis factores sobre la
amplificacin del transistor. El diseo seleccionado es el 2~;;;2que se muestra a continuacin:
Orden Orden de
estndar las corridas A B e D E F Amplificacin
1 2 - - - - - - 1455
2 8 + - - - +.- 1511
3 5 - + - - + + 1487
4 9 + + - - - + 1596
5 3 - - + - + + 1430
6 14 + - + - - + 1481
7 11 - + + - 1458
8 10 + + + - + - 1549
9 15 - + - + 1454
10 13 + - - + + + 1517
11 1 - + - + + - 1487
12 6 + + - + 1596
13 12 - - + + + - 1446
14 4 + - + + 1473
15 7 - + + + - + 1461
16 16 + + + + + + 1563
a) Usar una grfica normal de los efectos para identificar los factores significativos.
b) Conducir las pruebas estadsticas apropiadas para el modelo identificado en el inciso a.
c) Analizar los residuales y comentar los resultados.
d) Es posible encontrar un conjunto de condiciones de operacin que produzca una amplificacin de 1500
25?
8-31. El tratamiento trmico es de uso comn para carbonizar piezas metlicas, como engranes. El espesor de la
capa carbonizada es una variable de salida crtica de este proceso, y suele medirse realizando un anlisis de
carbono del paso del engrane (la cara superior del diente del engrane). Se estudiaron seis factores en un dise-
o 2~;;;2:A= temperatura del horno, B = duracin del ciclo, e = concentracin de carbono, D = duracin del
8-8 PROBLEMAS 361
ciclo de carbonizacin, E '= concentracin de carbono del ciclo difuso y F = duracin del ciclo difuso. El ex-
perimento se presenta a continuacin:
Orden Orden de
estndar las corridas A B e D E F Paso
1 5 74
2 7 + + 190
3 8 - + + + 133
4 2 + + + 127
5 10 + + + 115
6 12 + + + 101
7 16 + + 54
8 1 +.+ + + 144
9 6 + + 121
10 9 + + + + 188
11 14 + + + 135
12 13 + + + 170
13 11 + + + 126
14 3 + + + 175
15 15 + + + + 126
16 4 + + + + + + 193
a) Estimar los efectos de los factores y representarlos en una grfica de probabilidad normal. Seleccionar
un modelo tentativo.
b) Efectuar las pruebas estadsticas apropiadas en el modelo.
e) Analizar los residuales y comentar la adecuacin del modelo.
d) Interpretar los resultados de este experimento. Suponer que es deseable un espesor de la capa de entre
140 y 160.
8-32. Se estudian cinco factores en el diseo factorial fraccionado irregular de resolucin V mostrado enseguida:
Orden Orden de
estndar las corridas A B e D E y
1 1 16.33
2 10 + 18.43
3 5 + + 27.07
4 4 + 16.95
5 15 + + 14.58
6 19 + + 19.12
7 16 + 18.96
8 7 + + 23.56
9 8 + + + 29.15
10 3 + + + 15.74
11 13 + + + 20.73
12 11 + + + + 21.52
13 12 + 15.58
14 20 + + 21.03
15 9 + + + 26.78
362 CAPTIJLO 8 DISENOS FACTORIALES FRACCIONADOS DE DOS NNELES
Orden Orden de
estndar las corridas A B e D E y
16 22 + + + 13.39
17 21 + + + 18.63
18 6 + + + + 19.01
19 23 + + 17.96
20 18 + + + 20.49
21 24 + + + + 29.31
22 17 + + + 17.62
23 2 + + + + 16.03
24 14 + + + + 21.42
a) Analizar los datos de este experimento. Qu factores influyen en la respuesta y?

b) Analizar los residuales. Comentar la adecuacin del modelo. .
Diseos factoriales y
factoriales fraccionados
con tres niveles y con
niveles mixtos
Las series con dos niveles de los diseos factoriales y factoriales fraccionados que se comentaron en los
captulos 6, 7 Y8 son de uso generalizado en la investigacin y el desarrollo industrial. Hay algunas exten-
siones y variantes de estos diseos que en ocasiones son tiles, como los diseos para los casos en que to-
dos los factores estn presentes con tres niveles. Estos diseos 3k se analizan en este captulo. Se
consideran tambin los casos en que algunos de los factores tienen dos niveles y otros factores tienen ya
sea tres o cuatro niveles.
9..1 DISEO FACTORIAL 3k
9..1.1 Notacin y motivacin del diseo 3k

Se estudia ahora el diseo factorial 3k; es decir, un arreglo factorial de k factores que tienen tres niveles
cada uno. Se usarn letras maysculas para denotar los factores y las interacciones. Se har referencia a
los tres niveles de los factores como bajo, intermedio y alto. Hay varias notaciones diferentes que se usan
para representar estos niveles de los factores; una posibilidad es representar los niveles de los factores
con los dgitos O(bajo), 1 (intermedio) y 2 (alto). Cada combinacin de tratamientos del diseo 3k se de-
notar por k dgitos, donde el primer dgito indica el nivel del factorA, el segundo dgito indica el nivel del
factor B, ..., Yel dgito k-simo indica el nivel del factor K. Por ejemplo, en un diseo 32, 00 denota la com-
binacin de tratamientos correspondiente aA y B ambos en el nivel bajo, y 01 denota la combinacin de
tratamientos correspondiente aA en el nivel bajo y B en el nivel intermedio. En las figuras 9-1 y 9-2 se
muestra la representacin geomtrica de los diseos 32 y 33, respectivamente, utilizando esta notacin.
Este sistema de notacin pudo haberse usado en los diseos 2k presentados anteriormente, utilizando
Oy 1 en lugar del 1negativo y el! positivo, respectivamente. En el diseo 2k se prefiri la notacin 1 por-
que facilita la vista geomtrica del diseo y porque puede aplicarse directamente al modelado de regre-
sin, la separacin en bloques y la construccin de factoriales fraccionados.
En el sistema de los diseos 3\ cuando los factores son cuantitativos, es comn denotar los niveles
bajo, intermedio y alto con -1, OY + 1,respectivamente. Con esto se facilita el ajuste de un modelo de re-
363
364 CAPTULO 9 DISEOS FACTORIALESY FACTORIALESFRACCIONADOS CON TRES NIVELES
02 12 22
01 11 21
00 10 20
O
Factor A
Figura 9-1 Combinaciones de tratamientos en un

diseo 3'.
gresi6n que relaciona la respuesta con los niveles de los factores. Por ejemplo, considere el diseo 32 de la
figura 9-1, y sea que Xl represente al factorA y que r, represente al factor B. Un modelo de regresin que
relaciona la respuesta y con Xl y x2 que se basa en este diseo es
(9-1)
Observe que la adicin de un tercer nivel de los factores permite que la relacin entre la respuesta y los
factores del diseo se modele como un modelo cuadrtico.
El diseo 3k es ciertamente una eleccin posible para un experimentador que se preocupa por la cur-
vatura en la funcin de respuesta. Sin embargo, es necesario tomar en consideracin dos puntos:
1. El diseo 3k no es la forma ms eficiente de modelar una relacin cuadrtica; los diseos de su-
perficie de respuesta que se exponen en el captulo 11 son alternativas superiores.
022 122
tl
..
~
... 1
o
000 100
Factor A
Fipra 9-2 Combinaciones de tratamientos en un diseo 33

9-1 D1SEOFAcrORIAL3~ 365
2. El diseo 2k aumentado con los puntos centrales, como se analiz en el captulo 6, es una forma
excelente de obtener una indicacin de la curvatura. Permite cons_ervarreducido el tamao y la
complejidad del diseo y al mismo tiempo permite obtener cierta proteccin contra la curvatura.
Entonces, si la curvatura es importante, el diseo de dos niveles puede aumentarse con corridas
axiales para obtener un diseo central compuesto, como se ilustra en la figura 6-36. Esta estrate-
gia secuencial de experimentacin es ms eficiente, por mucho, que correr un diseo factorial J"
con factores cuantitativos.
9..1.2 El diseo 32
El diseo ms simple del sistema 3k es el diseo 32, el cual tiene dos factores, cada uno con tres niveles. Las
combinaciones de tratamientos de este diseo se mostraron en la figura 9-1. Puesto que estn presentes
=
32 9 combinaciones de tratamientos, hay ocho grados de libertad entre estas combinaciones de trata-
mientos. Los efectos principales deA yB tienen dos grados de libertad cada uno, y la interaccinAB tiene
cuatro grados de libertad. Si hay n rplicas, habr n32 -1 grados de libertad totales y 32(n -1) grados de li-
bertad del error.
Las sumas de cuadrados deA, By AB pueden calcularse mediante los mtodos usuales para los dise-
os factoriales analizados en el captulo 5. Cada efecto principal puede representarse con un componente
lineal y uno cuadrtico, cada uno con un solo grado de libertad, como se observa en la ecuacin 9-1. Desde
luego, esto slo tiene sentido si el factor es cuantitativo.
La particin de la interaccin de dos factores AB puede hacerse de dos maneras. El primer mtodo
consiste en subdividir AB en los cuatro componentes con un solo grado de libertad que corresponden a
ABL x L,ABL x Q,ABQ x LyABQ)( Q' Esto puede hacerse ajustando los trminosPlrjX2'Pl~lXi, Pll~;X2Y
Pl1~; xi,
respectivamente, como se indic en el ejemplo 5-5. Para los datos de la vida de la herramienta
de ese ejemplo se obtiene SSABL x t: = 8.00, SSABL)(Q = 42.67,SSABQXL =
2.67ySSABQ)(Q = 8.00. Puesto que
se trata de una particin ortogonal deAB, observe que SSAB = SSABL t. + SSABL)( Q + SSABQ)(L + SSABQXQ
= 61.34.
El segundo mtodo se basa en los cuadrados latinos ortogonales. Considere los totales de las combi-
naciones de los tratamientos para los datos del ejemplo 5-5. Estos totales se muestran en la figura 9-3
como los nmeros encerrados en crculos dentro de los cuadrados. Los dos factores A y B corresponden a
los renglones y las columnas, respectivamente, de un cuadrado latino 3 x 3. En la figura 9-3 se muestran
dos cuadrados latinos 3 x 3 particulares, superpuestos en los totales de las celdas.
Estos dos cuadrados latinos son ortogonales; es decir, si uno de los cuadrados se superpone en el otro,
cada letra del primer cuadrado aparecer exactamente una vez con cada letra del segundo cuadrado. Los
=
totales de las letras en el cuadrado a son Q 18,R = -2 YS = 8, y la suma de cuadrados entre estos totales
o
Factor B
1 2 o ,
Factor B
2
-e
o
Q
0 e e R S
o
Q
e e 0 R S
.. 0 s 0 G
~ 1
u, R Q S
0Q0 G R
s 8
2 G e Q R
2
R
e s
(0
Q
e
al bl
Figura 93 lbtales de las combinacionesde los tratamientos del ejemplo5-5
con dos cuadrados latinos superpuestos.
366 CAPTULO 9 DISEOS FACTORIALES Y FACTORIALES FRACCIONADOS CON TRES NIVELES
=
es [182 + (_2)2 + 82]/(3)(2) - [242/(9)(2)] 33.34, con dos grados de libertad. De manera similar, los tota-
les de las letras en el cuadrado b son Q = O,R = 6 Y S = 18,Y la suma de cuadrados entre estos totales es [02
+ 62 + 182]/(3)(2) - [242/(9)(2)] = 28.00, con dos grados de libertad. Observe que la suma de estos dos
componentes es
33.34+ 28.00 = 61.34 = SS AB
con 2 + 2 = 4 grados de libertad.

En general, a la suma de cuadrados calculada con elcuadrado a se le llama el componenteAB de la in-
teraccin, ya la suma de cuadrados calculada con el cuadrado b se le llama el componente z? de la inte-
raccin. Cada uno de los componentesAB y AB2 tiene dos grados de libertad. Se usa esta terminologa
porque si los niveles (O, 1, 2) de A y B se denotan por Xl y X2, respectivamente, entonces se encuentra que
las letras ocupan celdas de acuerdo con el siguiente patrn:
Cuadrado a Cuadradob
Q:XI+X2 =
O(mod 3) Q: XI + 2x2 = O(mod 3)
R: Xl + X2 =: 1 (mod 3) S: Xl + 2x, == 1 (mod 3)
S: Xl +X2 = 2 (mod 3) Ri x + 2x2 = 2 (mod 3)
Por ejemplo, en el cuadrado b se observa que la celda de en medio corresponde aXI = 1 y X2 ",; 1; por lo
tanto.z + 2x2 = 1 + (2)(1) = 3 = O(mod 3), yQ ocupara la celda de en medio. Cuando se consideran ex-
presiones de la formaAPBq, se establece la convencin de que el nico exponente permitido en la primera
letra es L Si el exponente de la primera letra no es 1, la expresin completa se eleva al cuadrado y los ex-
ponentes se reducen al mdulo 3. Por ejemplo, A2B es lo mismo que AB2 porque
Los componentesAB yAB2 de la interaccinAB no tienen significado real y por 10 general no se in-
cluyen en la tabla del anlisis de varianza. Sin embargo, esta particin en gran medida arbitraria de la
interaccinAB en dos componentes ortogonales con dos grados de libertad es muy til para construir di-
seos ms complicados. Adems, no hay relacin entre los componentesAB yAB2 de la interaccin y las
sumas de cuadrados de ABL x.L ABL x Q' ABQ x L Y ABQ x Q'
Los componentesAB yAB2 de la interaccin pueden calcularse de otra manera. Considere los totales
de las combinaciones de los tratamientos en cualquiera de los cuadrados de la figura 9-3. Si se hace la
suma de los datos en las diagonales hacia abajo de izquierda a derecha, se obtienen los totales -3 + 4 -1 =
O,-3 + 10 -1 = 6 y 5 + 11 + 2 = 18. La suma de cuadrados entre estos totales es 28.00 (AB2).En forma si-
milar, los totales de la diagonal hacia abajo de derecha a izquierda son 5 + 4-1 = 8, -3 + 2-1 = -2 y -3 +
11 + 10 = 18. La suma de cuadrados entre estos totales es 33.34 (AB). Yates llam a estos componentes
de la interaccin los componentes 1yJ de la interaccin, respectivamente. Se usarn aqu indistintamente
las dos notaciones; es decir,
I(AB) = AB2
J(AB)= AB
9-1 DISEO FACTORlAL3k 367
9~1.3 El diseo 33
Suponga ahora que hay tres factores (A, B YC) bajo estudio, y que cada factor tiene tres niveles dispuestos
en un experimento factorial. Se trata de un diseo factorial 33, y la disposicin experimental y la notacin
de las combinaciones de los tratamientos se presentaron anteriormente en la figura 9-2. Las 27 combina-
ciones de tratamientos tienen 26 grados de libertad. Cada efecto principal tiene 2 grados de libertad, cada
interaccin de dos factores tiene 4 grados de libertad y la interaccin de tres factores tiene 8 grados de li-
bertad. Si se hacen n rplicas, hay n33 -1 grados de libertad totales y 33(n -1)grados de libertad del error.
Las sumas de cuadrados pueden calcularse utilizando los mtodos estndares para los diseos facto-
riales. Adems, si los factores son cuantitativos, es posible hacer la particin de los efectos principales en
un componente lineal y uno cuadrtico, cada uno con un solo grado de libertad. Las interacciones de dos
factores pueden descomponerse en efectos lineal x lineal, lineal x cuadrtico, cuadrtico x lineal y cua-
drtico x cuadrtico. Por ltimo, puede hacerse la particin de la interaccin de tres factores ABC en
ocho componentes con un solo grado de libertad que corresponden a lineal x lineal x lineal, lineal x li-
neal x cuadrtico, etctera. Esta descomposicin de la interaccin de tres factores no es por lo general de
gran utilidad.
Tambin es posible hacer la particin de las interacciones de dos factores en sus componentes 1y J.
stos se designaran AB, AB2, AC, A("!, BC y B("!, y cada componente tendra dos grados de libertad.
Como en el diseo 32, estos componentes no tienen significacin fsica.
Es posible hacer la particin de la interaccin de tres factoresABC en cuatro componentes ortogona-
les con dos grados de libertad, a los que suele denominarse los componentes W,X, y y Z de la interaccin.
Tambin se hace referencia a ellos como los componentes AB2("!, AB2C, ABC'l y ABC de la interaccin
ABC, respectivamente. Las dos notaciones se usan indistintamente; es decir,
W(ABC) = AB2C2
X(ABC) = AB2C
Y(ABC)= ABC2
Z(ABC)=ABC
Observe que ninguna de las primeras letras puede tener un exponente diferente de 1. Al igual que los
componentes 1y J, los componentes W,X, y y Z no tienen ninguna interpretacin prctica. Sin embargo,
son tiles para construir diseos ms complejos.
EJEMPLO 9-1 .
Se usa una mquina para llenar contenedores metlicos de 5 galones con jarabe para una bebida gaseosa.
La variable de inters es la cantidad de jarabe perdida debido al espumeo. Se piensa que tres factores in-
fluyen en el espumeo: el diseo de la boquilla (A), la velocidad del llenado (B) y la presin de operacin
(C). Se seleccionan tres boquillas, tres velocidades de llenado y tres presiones, y se corren dos rplicas de
un experimento factorial 33 En la tabla 9-1 se muestran los datos codificados.
El anlisis de varianza de los datos de la prdida de jarabe se muestra en la tabla 9-2: Las sumas de
cuadrados se calcularon con los mtodos usuales. Se observa que la velocidad de llenado y la presin de
operacin son estadsticamente significativas. Las tres interacciones de dos factores tambin son signifi-
cativas. En la figura 9-4 se analizan grficamente las interacciones de dos factores. El nivel intermedio de
la velocidad produce el mejor desempeo, mientras que las boquinas tipo 2 y 3, Yla presin baja (10 psi) o
bien alta (20 psi) parecen ser las ms efectivas para reducir la prdida de jarabe. .
.................................... ' .
368 CAPTULo 9 DISEOS FACTORIALES y FACTORIALES FRACCIONADOS CON TRES NIVELES
Tabla 91 Daros de la prdida de jarabe del ejemplo 9-1 (las unidades son centmetros cbicos - 70)
Tipo de boquilla (A)
1 2 3
Velocidad (en rpm) (B)
Presin (en psi) (C) 100 120 140 100 120 140 100 120 140
10 -35 -45 -40 17 -65 20 -39 -55 15
-25 -60 15 24 -58 4 -35 -67 -30
15 110 -10 80 55 -55 110 90 -28 110
75 30 54 120 --44 44 113 -26 135
20 4 --40 31 -23 -64 -20 -30 -61 54
5 -30 36 -5 -62 -31 -55 -52 4
El ejemplo 9-1 ilustra una situacin en la que el diseo de tres niveles suele encontrar cierta aplica-
cin; uno o ms de los factores es cualitativo, asumiendo desde luego tres niveles, y los dems factores son
cuantitativos. En este ejemplo, suponga que slo hay tres diseos de la boquilla que son de inters. Se tra-
ta evidentemente, entonces, de un factor cualitativo que requiere tres niveles. La velocidad de llenado y la
presin de operacin son factores cuantitativos. Por lo tanto, podra ajustarse un modelo cuadrtico
como el de la ecuacin 9-1 en los dos factores, velocidad y presin, con cada nivel del factor boquilla.
En la tabla 9-3 se muestran estos modelos de regresin cuadrticos. Las P de estos modelos se estima-
ron usando un programa de computadora de regresin lineal estndar. (En el captulo 10 se analizar con
mayor detalle la regresin de mnimos cuadrados.) En estos modelos, las variablesx, y X2 estn codificadas
en los niveles -1, O, + 1, como se estudi anteriormente, y se supusieron los siguientes niveles naturales
para la presin y la velocidad:
Nivelcodificado Velocidad(rpm) Presin (psi)

-1 100 10
O 120 15
+1 140 20
En la tabla 9-3 se presentan estos modelos tanto en trminos de estas variables codificadas como en tr-
minos de los niveles naturales de la velocidad y la presin.
Tabla 9.2 Anlisis de varianza de los datos de la prdida de jarabe

variacin cuadrados libertad medio Fo Valor P
A,boquilla 993.77 2 496.89 1.17 0.3256
B, velocidad 61,190.33 2 30,595.17 71.74 <0.0001
e, presin 69,105.33 2 34,552.67 81.01 <0.0001
AB 6,300.90 4 1,575.22 3.69 0.0383
AC 7,513.90 4 1,878.47 4.40 0.0222
BC 12,854.34 4 3,213.58 7.53 0.0025
ABC 4,628.76 8 578.60 1.36 0.2737
Error 11,515.50 27 426.50
Thtal 174,102.83 53
9.1 DISEO FACTORIAL3 369
Tipo de boquilla (A)
a) bl
e- 15
t;,
x
~
~ e~20
~III e .. 10
.!!
ID
1;1
Velocidad en rpm (B)
el
Figura 9-4 Interacciones de dos factores del ejemplo 9-1.
Tabla 9.3 Modelos de regresin para el ejemplo 9-1

TIpo de boquilla X = velocidad (S), x2 =
Presin (P) en unidades codificadas
~ = 22.1+ 3.5%) + 16.3x2 + 51.7x2-71.8xi + 2.9xx2
1
~ = 1217.3- 31.256S+ 86.017P+ 0.1291782 - 2.8733p2 + 0.02875S'P
~ = 25.6-22.8X -12.3x + 14.1x{ -56.9xi -0.7xx
2 2
2
v= 180.1-9.47iH 66.75P+ 0.03SS -2.2767p -O.0075SP
2 2
~ = 15.1+ 20.3x + 5.9x 2 + 75.8x2- 94.9xi + 10.5%x2

3
~ ""1940.1-40.058S+ 102.48P+ 0.1895SS2 -17967p2 + 0.105S'P
370 CAPTULO 9 DISEOS FACTORIALES Y FACTORIALES FRACCIONADOS CON TRES NIVELES
En la figura 9-5 se muestran las grficas de contorno de las superficies de respuesta de la prdida de
jarabe constante, como una funcin de la velocidad y la presin para cada tipo de boquilla. Estas grficas
revelan informacin de considerable utilidad acerca del desempeo de este sistema de llenado. Puesto
que el objetivo es minimizar la prdida de jarabe, se preferira la boquilla tipo 3, ya que los contornos ob-
servados ms pequeos (-60) slo aparecen en esta grfica. Debern usarse la velocidad de llenado cerca
del nivel intermedio de 120 rpm y el nivel de presin ya sea bajo o alto.
Cuando se construyen grficas de contorno para un experimento que tiene una mezcla de factores
cuantitativos y cualitativos, no es raro encontrar que las formas de las superficies de respuesta de los fac-
tores cuantitativos son muy diferentes en cada nivel de los factores cualitativos. Esto puede observarse en
cierta medida en la figura 9-5, donde la forma de la superficie para la boquilla tipo 2 es considerablemente
alargada en comparacin con las superficies de las boquillas tipo 1 y 3. Cuando esto ocurre, implica que
las condiciones de operacin ptimas (y otras conclusiones importantes) en trminos de los factores
cuantitativos son muy diferentes en cada nivel de los factores cualitativos.
Es sencillo mostrar la particin numrica de la interaccin ABe en sus cuatro componentes ortogo-
nales con dos grados de libertad utilizando los datos del ejemplo 9-1. El procedimiento general ha sido
descrito por Cochran y Cox [26] y Davies [36]. Primero se seleccionan dos cualesquiera de los tres facto-
res, por ejemplo AB, y se calculan los totales I y J de la interaccin AB en cada nivel del tercer factor C.
Estos clculos se presentan a continuacin:
A 'Ibtales
e B 1 2 3. 1 J
100 -60 41 -74 -198 -222
10 120 -105 -123 -122 -106 -79
140 -25 24 -15 -155 -158
100 185 175 203 331 238
15 120 20 -99 -54 255 440
140 134 154 245 377 285
100 9 -28 -85 -59 -144
20 120 -70 -126 -113 -74 -40
140 67 -51 58 -206 -155
Despus, los totales I(AB) yI(AB) se arreglan en una tabla de dos vas con el factor e, y se calculan los to-
tales de las diagonales I y I de esta nueva disposicin: .
Thtales Totales
e I(AB) 1 J e J(AB) 1 J
10 -198 -106 -155 -149 41 10 -222 -79 -158 63 138
15 331 255 377 212 19 15 238 440 285 62 4
20 -59 -74 -206 102 105 20 -144 -40 -155 40 23
Los totales de las diagonales IyJ calculados arriba son en realidad los totales que representan las cantida-
des I[/(AE) x C] = AB2C2, I[/(AB) x C] = AB2C, I[I(AB) x C] = ABC2 Y J[J(AB) x C] = ABe, o los
componentes W,X; Yy Z deABC. Las sumas de cuadrados se encuentran de la manera usual; es decir,
9-1 DISEO FACTORIAL3 371
Velocidad
(JI Boquilla tipo 1
140.0
Velocidad
bl Boquillatipo 2
.
.,
.;
el:
Velocidad
el Boquillatipo 3
Figura 95 Contornos de la prdida de jarabe constante

(unidades: ce - 70) como una funcin de la velocidad y la
presin para las boquillas tipo 1, 2 y 3, ejemplo 9-1.
372 CAPTULO 9 DISEOS FAcrORIALES y FAcrORIALES FRACCIONADOS CON TRES NIVELES
I[I(AB)xC]= AB2C2 = W(ABC)

= (-149)2 +(212)2 +(102)2 (165)2 = 3804.11
18 54
J[I(AB)xC]= AB2C = X(ABC)
(41)2 +(19)2 +(105)2 (165)2 = 221.77
18 54
I[J(AB)xC]= ABCl = Y(ABC)
(63)2 +(62)2 +(40)2 (165)2 = 18.77
18 54
J(J(AB)xC]= ABC= Z(ABC)
= (138)2 +(4)2
18
+(23)2
(1~il= 584.11
Aun cuando se trata de una particin ortogonal de SSABC, se seala de nuevo que no se acostumbra pre-
sentarla en la tabla del anlisis de varianza. En secciones subsecuentes se analiza la necesidad ocasional
de calcular uno o ms de estos componentes.
9..1.4 El diseogeneral3k
Los conceptos utilizados en los diseos 32 y 33 pueden extenderse de inmediato al caso de k factores, cada
uno con tres niveles, es decir, a un diseo factorial S". Se emplea la notacin digital usual para las combi-
naciones de tratamientos, por 10 que 0120 representa una combinacin de tratamientos en un diseo 34
conA yD en los niveles bajos, B en el nivel intermedio y C en el nivel alto. Hay 3k combinaciones de trata-
mientos, con 3k -1 grados de libertad entre ellas. Estas combinaciones de tratamientos permiten deter-
minar las sumas de cuadrados de k efectos principales, cada uno con dos grados de libertad; (~)
interacciones de dos factores, cada una con cuatro grados de libertad; ...; y una interaccin de k factores
con 2k grados de libertad. En general, una interaccin de h factores tiene 2h grados de libertad. Si se ha-
cen n rplicas, hay n3k - 1 grados de libertad totales y 3k(n - 1) grados de libertad del error.
Las sumas de cuadrados de los efectos y las interacciones se calculan con los mtodos usuales para los
diseos factoriales. De manera tpica, no se hace ninguna descomposicin adicional de las interacciones
de tres factores y de rdenes superiores. Sin embargo, cualquier interaccin de h factores tiene 2h-1 com-
ponentes ortogonales con dos grados de libertad. Por ejemplo, la interaccin de cuatro factores ABCD
tiene 24-1 = 8 componentes ortogonales con dos grados de libertad, denotados por ABCD2, ABCZD,
AB2CD,ABCD,ABC2D2,AB2CZD,AB2CD2 y AB2C2D2 Al escribirse estos componentes, observe que el
nico exponente permitido en la primera letra es 1. Si el exponente de la primera letra no es 1, entonces la
expresin completa debe elevarse al cuadrado y los exponentes deben reducirse al mdulo 3. Para ilustrar
lo anterior, considere
Estos componentes de la interaccin no tienen ninguna interpretacin fsica, pero son tiles para cons-
truir diseos ms complejos.
El tamao del diseo se incrementa rpidamente con k. Por ejemplo, un diseo 33 tiene 27 combina-
ciones de tratamientos por rplica, un diseo 34 tiene 81, un diseo 35 tiene 243, etctera. Por 10 tanto, con
frecuencia slo se considera una sola rplica del diseo 3\ y las interacciones de rdenes superiores se
combinan para proporcionar una estimacin del error. Como una ilustracin, si las interacciones de tres
9-2 CONFUSIN EN EL DISEO FACTORIAL3k 373
factores y de rdenes superiores son insignificantes, entonces una sola rplica del diseo 33 proporciona 8
grados de libertad del error, y una sola rplica del diseo 34 proporciona 48 grados de libertad del error.
Estos diseos siguen siendo grandes para k ~ 3 y, por consiguiente, son de escasa utilidad.
9..2 CONFUSIN EN El DISEO FACTORIAL 3k
Incluso cuando se considera una sola rplica del diseo 3\ sta requiere tantas corridas que es improba-
ble que puedan hacerse las 3k corridas bajo condiciones uniformes. Por lo tanto, con frecuencia es necesa-
rio hacer la confusin (o mezclado) en bloques. El diseo 3k puede confundirse en JI' bloques
incompletos, donde p < k. Por lo tanto, estos diseos pueden confundirse en tres bloques, nueve bloques,
etctera.
9 ..2.1 El diseo factorial P en tres bloques

Suponga que se quere confundir el diseo 3k en tres bloques incompletos. Estos tres bloques tienen dos
grados de libertad entre ellos; por lo tanto, debe haber dos grados de libertad confundidos con los blo-
ques. Recuerde que en la serie factorial 3k cada efecto principal tiene dos grados de libertad. Adems,
cada interaccin de dos factores tiene cuatro grados de 1ibertad y puede descomponerse en dos compo-
nentes de la interaccin (por ejemplo, AB yAB2), cada uno con dos grados de libertad; cada interaccin
de tres factores tiene ocho grados de libertad y puede descomponerse en cuatro componentes de la in-
teraccin (por ejemplo,ABC,ABC2,AB2C yAB2C2), cada uno con dos grados de libertad; y as sucesiva-
mente. Por lo tanto, es conveniente confundir un componente de interaccin con los bloques.
El procedimiento general consiste en construir una definicin de contrastes
(9-2)
donde a representa el exponente del factor i-simo en el efecto que va a confundirse y X es el nivel del fac-
tor i-simo en una combinacin de tratamientos particular. Para la serie 3k se tiene a = O,1o 2, donde la
primera a diferente de cero es la unidad, y Xi =: O(nivel bajo), 1(nivel intermedio) o 2 (nivel alto). Las
combinaciones de tratamientos del diseo 3k se asignan a los bloques con base en el valor de L (mod 3).
Puesto queL (mod 3) slo puede asumir los valores 0,10 2, tres bloques estn definidos de manera nica.
Las combinaciones de tratamientos que satisfacen L = O(mod 3) constituyen el bloque principal. Este
bloque incluir siempre la combinacin de tratamientos 00 ...0.
Por ejemplo, suponga que quiere construirse un diseo factorial 32 en tres bloques. Cualquiera de los
componentes de la interaccinAB,AB oAB2, puede confundirse con los bloques. Al elegir arbitrariamen-
te AB2, se obtiene la definicin de contrastes '
El valor de L (mod 3) de cada combinacin de tratamientos puede encontrarse de la siguiente manera:
00: L= 1(0)+2(0)= 0= O (mod 3) 11: L= 1(1)+2(1)= 3= O(mad 3)

01: L= 1(0)+2(1)= 2= 2 (mod 3) 21: L= 1(2)+2(1) = 4 = 1 (rnod 3)
02: L=1(0)+2(2)=4=1 (mod3) 12: L= 1(1)+2(2)=5= 2 (mod 3)
10: L=1(1)+2(0)=1=1(mod3) 22: L=1(2)+2(2)=6=0(mod3)
20: L= 1(2)+2(0) = 2= 2 (mod 3)
En la figura 9-6 se muestran los bloques.
L __
374 CAPTIJLO 9 DISEOS FACfORIALES y FACfORIALES FRACCIONADOS CON TRES NIVELES
Bloque 1 Bloque 2 Bloque J
~ Gl 8
~ ~ ~
al Asignacinde lascombinaciones
de tratamiento a los bloques
02 12 22
01 '1 21
- Bloque 1
O - Bloque 2
(1 - Bloque3
00 lO 20
Fac10rA
b) Vistageomtrica
Figura 96 El diseo 32en tres bloques conAB2 con-

fundida.
Los elementos del bloque principal forman un grupo con respecto a la adicin mdulo 3. Con refe-
rencia a la figura 9-6, se observa que 11 + 11 :: 22 y 11 + 22 :: OO.Las combinaciones de tratamientos de
los otros dos bloques pueden generarse sumando, en mdulo 3, cualquier elemento del nuevo bloque con
los elementos del bloque principal. Por lo tanto, para el bloque 2 se usa 10 para obtener
10+00= 10 10+11 = 21 Y 10+22= 02
Para generar el bloque 3, al utilizar 01, se encuentra
01 + 00 = 01 01 + 11 = 12 Y 01 + 22 = 20
EJEMPLO 9-2 . . . ....... ... . 111 111 .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ...
El anlisis estadstico del diseo 32 confundido en tres bloques se ilustra empleando los datos siguientes,
los cuales provienen de la rplica nica del diseo 32 que se muestra en la figura 9-6.
Bloque 2 Bloque 3
'Iotales de los bloques =

[] O
10=-2
21 = 1
02 = 8
7
01 = 5
12 =-5
20= O
O
Al aplicar los mtodos convencionales para el anlisis de factoriales, se encuentra que SSA = 131.56 Y
SSB = 0.22.
9-2 CONFUSIN EN EL DISEO FACTORIAL 3k 375
Tabla 9-4 Anlisis de varianza de los datos del
ejemplo 9-2
Fuente de Suma de Grados de
variacin cuadrados libertad
Bloques (AlP) 10.89 2
A 131.56 2
B 0.22 2
AB 2.89 2
Thtal 145.56 8
Se encuentra tambin que
( 0)2 +(7)2 +(0)2 (7)2

SS Bloque. = 3 -9- = 10.89
Sin embargo, SSBloqueses exactamente igual al componentezff de la interaccin. Para ver esto, las obser-
vaciones se escriben de la siguiente manera:
Factor B
O 1 2
O 4 5 8
Factor A 1 -2 -4 -5
2 O 1 O
Recuerde, por la seccin 9-1.2, que el componente 1 oAB2 de la interaccinAB puede encontrarse calcu-
lando la suma de cuadrados entre los totales de la diagonal de izquierda a derecha de la representacin
anterior. Se obtiene as
( 0)2 +(0)2 +(7)2 (7)2

SS AB =2 3 -9-= 10.89
valor que es idntico a SSBloques'

El anlisis de varianza se presenta en la tabla 9-4. Puesto que hay una sola rplica, no puede hacerse
una prueba formal. No es una buena idea utilizar el componenteAB de la interaccin como una estima-
cin del error.
Se considera ahora un diseo un poco ms complicado; un diseo factorial 33 confundido en tres blo-
ques con nueve corridas cada uno. El componentez'C' de la interaccin de tres factores se confundir
con los bloques. La definicin de contrastes es
L= Xl +2x2 +2x3
Es sencillo verificar que las combinaciones de tratamientos 000, 012 Y 101 se encuentran en el bloque
principal. Las corridas restantes del bloque principal se generan de la siguiente manera:
(1) 000 (4)101+101= 202 (7) 101+ 021 = 122
(2) 012 (5) 012+012= 021 (8) 012+202= 211
(3) 101 (6) 101+012= 110 (9) 021 + 202 = 220
376 CAPTULO 9 DISENOS FAcrORIALES y FACTORIALES FRACCIONADOS CON TRES NIVELES
Para encontrar las corridas de otro bloque se observa que la combinacinde tratamientos 200no est en
el bloque principal. Por lo tanto, los elementos del bloque 2 son
(1) 200+ 000 == 200 (4) 200+202=102 (7) 200+122= 022
(2) 200+012= 212 (5) 200+021"'"221 (8) 200+211 = 111
(3) 200+101 = 001 (6) 200+110=010 (9) 200+220= 120
Observeque todas estas corridas satisfacenL = 2 (mod 3).El ltimo bloque se encuentra observandoque
100 no pertenece al bloque 1 ni al bloque 2. Al usar 100 como arriba, se obtiene
(1) 100+000= 100 (4) 100+202= 002 (7) 100+122= 222
(2) 100+012= 112 (5) 100+021 == 121 (8) 100+211= 011
(3) 100+101= 201 (6) 100+110== 210 (9) 100+220= 020
Los bloques se ilustran en la figura 9-7.

000 200 100

012 212 112
101 001 201
202 102 002
021 221 121
110 010 210
122 022 222
211 111 0'1
220 120 020
a) Asignacin de Ias combinaciones de

tratamientos a los bloques
~ Bloque 1
O ~ Bloque 2
() - Bloque 3
o
000 100 200
Factor A
b) Vista geomtrica
Figura 97 El diseno 3' en tres bloques con AB20 confundida.

9-2 CONFUSIN EN EL DISEO FACTORIAL 3k 377
Tabla 9-5 Anlisis de varianza de un diseo 33
con ABzCZ confundida
Grados de
Bloques (AIPCZ) 2
A 2
B 2
C 2
AB 4
AC 4
BC 4
Error (ABC +ABzC +ABCZ) 6
Total 26
En la tabla 9-5 se presenta el anlisis de varianza de este diseo. Al utilizar este esquema de confusin
(o mezclado), se cuenta con informacin acerca de todos los efectos principales y las interacciones de dos
factores. Los componentes restantes de la interaccin de tres factores (ABC,AB2C y ABC2) se combinan
como una estimacin del error. La suma de cuadrados de esos tres componentes podra obtenerse por
sustraccin. En general, para el diseo 3k en tres bloques se seleccionara siempre un componente de la
interaccin de orden ms alto para confundirlo con los bloques. Los dems componentes de esta interac-
cin que no estn confundidos pueden obtenerse calculando la interaccin de k factores de la manera
usual y restando de esta cantidad la suma de cuadrados de los bloques.
9..2.2 El diseo factoral P en nueve bloques

En algunas situaciones experimentales puede ser necesario confundir el diseo 3k en nueve bloques. Por
lo tanto, ocho grados de libertad se confundirn con los bloques. Para construir estos diseos se eligen dos
componentes de interaccin y, como resultado, dos ms se confundirn automticamente, produciendo
los ocho grados de libertad requeridos. Estos dos son las interacciones generalizadas de los dos efectos
elegidos originalmente. En el sistema 3\ las interacciones generalizadas de dos efectos (es decir, P y Q) se
definen como PQ y PQ2 (o FQ).
Los dos componentes de interaccin elegidos inicialmente producen dos definiciones de contrastes
L = a1x1+a2xZ + +akxk = u (mod 3) u= O, 1, 2

(9-3)
L2 = f31Xl +f3zxz + +t,, = h (mod 3) h= 0,1, 2
donde {al} y {{3} son los exponentes de la primera y la segunda interacciones generalizadas, respectiva-
mente, con la convencin de que las primeras al YPj diferentes de cero son la unidad. Las definiciones de
contrastes de la ecuacin 9-3 implican nueve ecuaciones simultneas especificadas por el par de valores
para L, y Lz. Las combinaciones de tratamientos que tienen el mismo par de valores para (Ll, L2) se asig-
nan al mismo bloque.
El bloque principal consta de las combinaciones de tratamientos que satisfacen L, = Lz = O(mod 3).
Los elementos de este bloque forman un grupo con respecto a la adicin mdulo 3; por lo tanto, el esque-
ma presentado en la seccin 9-2.1 puede usarse para generar los bloques.
378 CAPTULo 9 DISEOSFACTORIALESY FACTORlALESFRACCIONADOS CON TRES NIVELES
Como un ejemplo, considere el diseo factorial 34 confundido en nueve bloques con nueve corridas
cada uno. Suponga que se elige confundir ABC y AB2D2. Sus interacciones generalizadas
(ABC)(AB2 D2)= A2 B3CD2 = (A2 B3CD1)1 = AC2 D

(ABC)(AB2 D2)2 =A 3 B5CD4 = B CD=
2 (B2CD)2 = BC 2 D2
tambin estn confundidas con los bloques. Las definiciones de contrastes de ABC y AB2D2 son
L = Xl +X1 +X3 (9-4)
L2 = Xl +2x2 +2x4
Los nueve bloques pueden construirse utilizando las definiciones de contrastes (ecuacin 9-4) Yla propie-
dad de la teora de grupos del bloque principal. El diseo se muestra en la figura 9-8.
Para el diseo 3k en nueve bloques habr cuatro componentes de interaccin confundidos. Los dems
componentes de estas interacciones que no estn confundidos pueden determinarse restando la suma de
cuadrados del componente confundido de la suma de cuadrados de la interaccin completa. El mtodo
descrito en la seccin 9-1.3 puede ser til para calcular los componentes de interaccin.
9-2.3 El diseo factorial 3k en 3P bloques

El diseo factorial 3" puede confundirse en Y' bloques con 3k-p observaciones cada uno, donde p < k. El
procedimiento consiste en seleccionar p efectos independientes que habrn de confundirse con los blo-
ques. Como resultado, exactamente otros (Y' - 2p - 1)/2 efectos se confunden de manera automtica.
Estos efectos son las interacciones generalizadas de los efectos elegidos originalmente.
Como una ilustracin, considere un diseo 37 que va a confundirse en 27 bloques. Puesto que p = 3, se
seleccionaran tres componentes de interaccin independientes y se confundiran automticamente otros
[33 - 2(3) -1]12 = 10. Suponga que se eligenABCZDG, BCE2p2G y BDEFG. A partir de estos efectos pue-
Bloque1 .Bloque2 Bloque3 Bloque4 Bloque5 Bloque 6 Bloque7 Bloque8 Bloque9
0000 0001 2(100 0200 0020 0010 1000 0100 0002

0122 0120 2122 0022 0112 0102 1122 0222 0121
0211 0212 2211 0111 0201 0221 1211 0011 0210
1021 1022 0021 0221 1011 1001 2021 1121 1020
1"0 1111 0110 1010 1100' 1120 2110 1210 1112
1202 1200 0202 1102 1222 1212 2202 1002 1201
2012 2010 1012 2212 2002 2022 0012 2112 20'1
2101 2012 1101 2001 2121 2111 0101 2201 2100
2220 2221 1220 2120 2210 2200 0220 2020 2222
(Ll' L~) ~ (0,0) (0.1) (2,2) (2,0) (2,1) (1,2) (1,1) (1,0) (0,2)
Figura 9-8 El diseo 34 en nueve bloques con ABe, AB2])2,AOD y BOD2 confundidas.
9-3 RPLICAS FRACCIONADAS DEL DISEO FACTORIAL 3i 379
den construirse tres definiciones de contrastes, y los 27 bloques pueden generarse con los mtodos descri-
tos anteriormente. Los otros 10 efectos confundidos con los bloques son
(ABC2 DG)(BCE2 F2G)= AB2 DE2 F2G2

(ABC2 DG)(BCE2 F2G)2 = ABlC4 DE4 F4G3 = ACDEF
(ABC2 DG)(BDEFG)= AB2C2 D2 EFG2
(ABC2 DG)(BDEFG)2 = AB3C2 D3 E2 F2Gl = AC2 E2 F2
(BCE2 F2G)(BDEFG)= B2CDEl FlG2 = BC2D2G
(BCE2 F2G)(BDEFG)2 = B CD
3 2 E4 F4G3 = CD EF
2
(ABC2 DG)(BCE2 F2G)(BDEFG) = AB3C3 D2 E3 F3G3 = AD2

(ABC2 DG)2(BCE2 F2G)(BDEFG)= A2 B4CS D3G4 = AB2CG2
(ABC2 DG)(BCE2 F2G)2(BDEFG)= ABCD2 E2F2G
(ABC2 DG)(BCE2 F2G)(BDEFG)2 = ABC3 D3 E4 F4G4 = ABEFG
Se trata de un diseo enorme que requiere 37 = 2187 observaciones dispuestas en 27 bloques con 81 ob-
servaciones cada uno.
9..3 RPLICAS FRACCIONADAS DEL DISEO FACIORIAL 3"
El concepto de rplica fraccionada puede extenderse a los diseos factoriales 3k Debido a que una rplica
completa del diseo 3k puede requerir un nmero bastante grande de corridas incluso para valores mode-
rados de k, las rplicas fraccionadas de estos diseos son de inters. Sin embargo, como se ver ms ade-
lante, algunos de estos diseos tienen estructuras de alias complicadas.
9..3.1 La fraccin un tercio del diseo factorial 3"

La fraccin ms grande del diseo 3k es la fraccin un tercio que contiene 3k-1 corridas. Por consiguiente,
se hace referencia a l como el diseo factorial fraccionado 3k-1 Para construir un diseo factorial fraccio-
nado 3k-1 se selecciona un componente de interaccin con dos grados de libertad (generalmente, la in-
teraccin de orden ms alto) y se hace la particin del diseo 3k completo en tres bloques. Cada uno de los
tres bloques resultantes es un diseo fraccionado 3k-1 y puede seleccionarse cualquiera de los bloques
para usarlo. Si ABa, ca, ...
Ka, es el componente de interaccin utilizado para definir los bloques, enton-
ces a 1 = ABa, ca, ...Ka, se le llama la relacin de definicin del diseo factorial fraccionado. Cada efec-
to principal o componente de interaccin estimado a partir del diseo 3k-1 tiene dos alias, los cuales
pueden encontrarse multiplicando el efecto tanto por 1 como por [2 mdulo 3.
Como un ejemplo, considere una fraccin un tercio del diseo 33 Puede seleccionarse cualquiera de
los componentes de la interaccinABC para construir el diseo, es decir,ABC,AB2C,ABCZ oAB2CZ. Por
lo tanto, hay en realidad 12 fracciones un tercio diferentes del diseo 33 definidas por
Xl +a2x2 +a3x3 = u (mod 3)

= =
donde a 1 o 2 Yu 0, 1 o 2. Suponga que se selecciona el componente deAB2CZ. Cada fraccin del dise-
o 33-1 resultante contendr exactamente 32 = 9 combinaciones de tratamientos que deben satisfacer
380 CAPTULO 9 DISEOS FACTORIALESY FACTORIALESFRACCIONADOS CON TRESNIVELES
donde u = O, 1 o 2. Es sencillo verificar que las tres fracciones un tercio son las que se muestran en la figu-
ra 9-9.
Si se corre cualquiera de los diseos 33-1 de la figura 9-9, la estructura de los alias resultante es
A= A(AB2C2)= = ABC
A2 B2C2
A= A(AB2C2)2 = A3 B4C4 = BC
B= B(AB2C2)= AB3C2 = AC2
B = B(AB2C2)2 = A2 B5 C4 = ABC2
C= C(AB2C2)= AB2C3 = AB2
C= C(AB2C2)2 = A2 B4C5 = AB2C
AB= AB(AB2C2)= A2 B3C2 = AC
AB= AB(AB2C2)2 = A3 B5C4 = BC2
Por consiguiente, los cuatro efectos que en realidad se estiman a partir de los ocho grados de libertad
del diseo sanA + BC + ABC, B + ACZ + ABC2, C + AB2 + AB2C yAB + AC + BC2 Este diseo slo
tendra valor prctico si todas las interacciones fueran pequeas en comparacin con los efectos principa-
les. Puesto que los efectos principales son alias de las interacciones de dos factores, se trata de un diseo
de resolucin Ill, Observe lo complejas que son las relaciones de los alias en este diseo. Cada efecto
principal es alias de un componente de interaccin. Si, por ejemplo, la interaccin de dos factores BC es
grande, esto distorsionar potencialmente la estimacin del efecto principal de A y har que sea muy
complicada la interpretacin del efecto deAB + AC + BC2 Es muy difcil ver cmo este diseo podra ser
de utilidad, a menos que se suponga que todas las interacciones son insignificantes.
Disel'\ol Dlseli01 Dlseo 1

u~O um1 u-2
000 100 200
012 112 212
101 201 001
202 002 102
021 121 221
110 210 010
122 222 022
211 011 111
220 020 120
a) Combinacionesde tratamientos
~A
u .. O u~1
b) Vista geomtrica
Figura 9-9 Las tres fracciones un tercio del diseo 33 con la relacin de definicin! ;AB2C2.
9-3 RPUCAS FRACCIONADAS DEL DISEO FAcrORIAL 3 381
=
Antes de dejar el diseo 3~ll, observe que para el diseo con u O(ver la figura 9-9), si se hace queA
denote el rengln y B la columna, entonces el diseo puede escribirse como
000 012 021

101 110 122
202 211 220
que es un cuadrado latino 3 x 3. El supuesto de las interacciones insignificantes requerido para la inter-
pretacin nica del diseo 3:111tiene su paralelo en el diseo del cuadrado latino. Sin embargo, los dos di-
seos surgen por motivos diferentes, uno como consecuencia de la rplica fraccionada y el otro de las
restricciones sobre la aleatorizacin. Por la tabla 4-13se observa que slo hay 3 x 3 cuadrados latinos y
que cada uno corresponde a uno de los doce diferentes diseos factoriales fraccionados 33-1.
Las combinaciones de tratamientos en un diseo 3k-1 con la relacin de definicin
1 = ABa 2 ca,=-K'" pueden construirse utilizando un mtodo similar al que se emple en la serie 2k-p.
Primero se escriben las 3k-1corridas para un diseo factorial de tres niveles completo en k - 1factores, con
la notacin comn O, 1,2. ste es el diseo hsico en la terminologa del captulo 8. Despus se introduce
el factor k-simo igualando sus Xk niveles con el componente apropiado de la interaccin de orden ms
alto, por ejemplo ABa, Ca,.. (K -ltk-' , mediante la relacin
(9-5)
dondeji, =
(3-ak)a (mod 3) para 1:S i :S k -1. Se obtiene as un diseo con la resolucin ms alta posible.
Como una ilustracin, se usa este mtodo para generar el diseo 3~1 con la relacin de definicin
1 = AB2eD que se muestra en la tabla 9-6. Es sencillo verificar que los tres primeros dgitos de cada com-
binacin de tratamientos de esta tabla son las 27 corridas de un diseo 33 completo. Se trata del diseo b-
=
sico. ParaAB2eD se tiene al a3 = a4 1ya2= = = =
2. Esto implica que PI (3 -1 )a1(mod 3) (3 -1 )(1) =
=
2,P2 = (3 -1)a2 (mod 3) = (3 -1)(2) = 4 = 1 (mod 3) y P3 = (3-1)a3 (mod 3) = (3 -1)(1) 2_Por lo tan-
to, la ecuacin 9-5 queda como
(9-6)
Los niveles del cuarto factor satisfacen la ecuacin 9-6. Por ejemplo, se tiene 2(0) + 1(0) + 2(0) = O,2(0)
+ 1(1) + 2(0) = 1, 2(1) + 1(1) + 2(0) = 3 = 0, etctera.
El diseo 3:~1resultante tiene 26 grados de libertad que pueden usarse para calcular las sumas de
cuadrados de los 13 efectos principales y los componentes de las interacciones (y sus alias). Los alias
Tabla 9-6 Un diseo 3:;1 con

1=AB2CD
0000 0012 2221
0101 0110 0021
1100 0211 0122
1002 1011 0220
0202 1112 1020
1201 1210 1121
2001 2010 1222
2102 2111 2022
2200 2212 2120
382 CAP11JLo 9 DISEOS FACTORIALES Y FACTORIALES FRACCIONADOS CON TRES NIVELES
de cualquier efecto se encuentran de la manera usual; por ejemplo, los alias de A son A (AB2CD) =
AB~D2 YA (AB2CD? = B~D2. Puede verificarse que los cuatro efectos principales estn separados de
cualquier componente de interacciones de dos factores, pero que algunos componentes de interacciones
de dos factores son alias entre s. Una vez ms se observa la complejidad de la estructura de los alias. Si
cualquiera de las interacciones de dos factores es grande, probablemente ser muy difcil aislarla con este
diseo.
El anlisis estadstico de un diseo 3k-1 se lleva a cabo con los procedimientos usuales del anlisis de
varianza para experimentos factoriales. Las sumas de cuadrados de los componentes de interacciones
pueden calcularse como en la seccin 9-1. Cuando interprete los resultados, recuerde que los componen-
tes de las interacciones no tienen ninguna interpretacin prctica.
9~3.2 Otros diseos factoriales fraccionados 3k-1'

Para moderar los valores grandes de k, es deseable un fraccionamiento todava mayor del diseo 3k En
general, puede construirse una fraccin (tf del diseo 3k parap < k, donde la fraccin contiene 3k-p corri-
das. A este diseo se le llama el diseo factorial fraccionado 3k-p. Por lo tanto, un diseo 3k-Z es una frac-
cin un noveno, un diseo 3k-3 es una fraccin un veintisieteavo, etctera.
El procedimiento para construir un diseo factorial fraccionado 3k-p consiste en seleccionar p compo-
nentes de interacciones y usar estos efectos para hacer la particin de las 3k combinaciones de tratamien-
tos en 3P bloques. Entonces cada bloque es un diseo factorial fraccionado 3k-p. La relacin de definicin 1
de cualquier fraccin consta de losp efectos elegidos inicialmente y sus (31' - 2p - 1)/2 interacciones gene-
ralizadas. El alias de cualquier efecto principal o componente de interaccin se obtiene con la multiplica-
cin mdulo 3 del efecto por 1 e P.
Las corridas que definen un diseo factorial fraccionado 3k-p tambin pueden generarse anotando
primero las combinaciones de tratamientos de un diseo factorial Pv completo e introduciendo despus
los p factores adicionales igualndolos con los componentes de las interacciones, como se hizo en la sec-
cin 9-3.1.
El procedimiento se ilustrar construyendo un diseo 34-2, es decir, una fraccin un noveno del dise-
o 34 SeanAB2Cy BCD los dos componentes de interacciones elegidos para construir el diseo. Sus in-
teracciones generalizadas son (AB2C)(BCD) = A~D Y(AB2C)(BCD)2 = ABD2 Por lo tanto, la relacin
de definicin de este diseo es 1 :: AB2C = BCD = AC2n = ABD2, Yel diseo es de resolucin III. Las
nueve combinaciones de tratamientos del diseo se encuentran apuntando un diseo 32 en losfactoresz
y B, Y agregando despus dos nuevos factores haciendo
X3 =2x1+xZ
x4 = 2xz +2x3
Tabla 9-7 Un disefio 3~~2

conI =AB2C
e l = BCD
0000 0111 0222
1021 1102 1210
2012 2120 2201
9-4 DISEOS FACfORIALES CON NIVELES MIXTOS 383
Tabla 9-8 Estructura de los alias del diseo 3~;2de la tabla 9-7
Efecto Alias
[ [2
A ABC2 ABCD ACDz AB2D BC2 AB2C2D2 CD2 BD2

B AC BC2 IJ2 ABCl D AB2D2 ABC CD ABzC2D AD2
C AB2C2 BC2D AD ABCd AB2 BD ACD ABC2D2
D AB2CD BCD2 Ac2d AB AB2CD1 BC AC2 ABD
Esto es equivalente a usar AB2C y BCD para hacer la particin del diseo 34 completo en nueve bloques y
luego seleccionar uno de estos bloques como la fraccin deseada. El diseo completo se muestra en la ta-
bla 9-7.
Este diseo tiene ocho grados de libertad que pueden usarse para estimar cuatro efectos principa-
les y sus alias. Los alias de cualquier efecto pueden encontrarse multiplicando el efecto mdulo 3 por
AB2C, BCD, AC2D, ABD2 y sus cuadrados. En la tabla 9-8 se presenta la estructura de los alias completa
del diseo.
Por la estructura de los alias se observa que este diseo slo es til en ausencia de interacciones. Ade-
ms, siA denota los renglones y B las columnas, entonces al examinar la tabla 9-7 se observa que el diseo
3:1;2 tambin es un cuadrado grecolatino.
El escrito de Connory Zelen [28]contiene una extensa seleccin de diseos para 4 :S k :S 10. Este escri-
to se elabor para la National Bureau of Standards y es la tabla ms completa disponible de los planes 3k"1'.
En esta seccin se ha hecho notar en varias ocasiones la complejidad de las relaciones de los alias de
los diseos factoriales fraccionados 3k"1'. En general, si k es moderadamente grande, por ejemplo k ~ 4 o
5, el tamao del diseo 3k llevar a muchos experimentadores a considerar fracciones bastante pequeas.
Desafortunadamente, estos diseos tienen relaciones de alias que incluyen alias parciales de componen-
tes de interacciones con dos grados de libertad. Esto, a su vez, resulta en un diseo cuya interpretacin
ser difcil, si no imposible, si las interacciones no son insignificantes. Adems, no hay esquemas de au-
mento simples (como el doblez) que puedan usarse para combinar dos o ms fracciones a fin de aislar las
interacciones significativas. El uso del diseo 3k suele sugerirse cuando hay curvatura presente. Sin em-
bargo, hay alternativas ms eficientes (ver el captulo 11). Por estas razones, se puede concluir que los di-
seos factoriales fraccionados 3k"1' son soluciones que causan problemas; no son, en general, buenos
diseos.
9..4 DISEOS FACTORllALESCON NIVELESMIXTOS
Se han resaltado los diseos factoriales y factoriales fraccionados en los que todos los factores tienen el
mismo nmero de niveles. El sistema con dos niveles revisado en los captulos 6, 7 Y8 es de particular utili-
dad. El sistema de tres niveles presentado en este captulo es de utilidad mucho menor debido a que los
diseos son relativamente grandes incluso para un nmero modesto de factores, y la mayora de las frac-
ciones pequeas tienen relaciones de alias complejas que requeriran supuestos muy restrictivos respecto
de las interacciones para ser tiles.
Estamos convencidos de que los diseos factoriales y factoriales fraccionados de dos niveles debern
ser la piedra angular de la experimentacin industrial para el desarrollo de productos y procesos, detec-
cin de defectos y mejoramiento. Sin embargo, existen situaciones en las que es necesario incluir un fac-
tor (o algunos factores) que tiene ms de dos niveles. Esto suele ocurrir cuando hay factores tanto
cuantitativos como cualitativos en el experimento, y el factor cualitativo tiene (por ejemplo) tres niveles.
384 CAPITuLO 9 DISEOS FACTORIALESY FACTORIALESFRACCIONADOS CON TRES NIVELES
Tabla 9-9 Uso de factores con dos niveles para formar

un factor con tres niveles
Factores con dos niveles Factores con tres niveles
B e x
XI
+ Xz
+ Xz
+ + X3
Si todos los factores son cuantitativos, entonces debern usarse diseos de dos niveles con puntos centra-
les. En esta seccin se indica cmo pueden incorporarse factores con tres y cuatro niveles en un diseo r:
9..4.1 Factores con dos y tres niveles

Los diseos en los que algunos factores tienen dos niveles y otros tres niveles pueden derivarse de la tabla
de signos positivos y negativos del diseo 2k usual. El procedimiento general se ilustra mejor con un ejem-
plo. Suponga que se tienen dos variables, dondeA tiene dos niveles y X tres. Considere la tabla de signos
positivos y negativos del diseo 23 usual con ocho corridas. Los signos de las columnas B y e tienen el pa-
trn que se muestra en el lado izquierdo de la tabla 9-9. Sea que los niveles deX estn representados por
Xl,X2 YX3 En el lado derecho de la tabla 9-9 se muestra cmo se combinan los patrones de los signos de B y
e para formar los niveles del factor con tres niveles.
Entonces el factor X tiene dos grados de libertad, y si el factor es cuantitativo, es posible hacer su par-
ticin en un componente lineal y uno cuadrtico, con cada componente teniendo un grado de libertad. En
la tabla 9-10 se muestra un diseo 23 con las columnas rotuladas para indicar los efectos reales que esti-
man, donde XL yXQ denotan los efectos lineal y cuadrtico, respectivamente, deX. Observe que el efecto
lineal de X es la suma de las estimaciones de los dos efectos calculadas a partir de las columnas asociadas
generalmente conB y e, y que el efecto deA slo puede calcularse a partir de las corridas donde X est en
el nivel bajo o bien en el alto, es decir, las corridas 1, 2, 7 Y8. De manera similar, el efecto A x XL es la
suma de los dos efectos que se habran calculado a partir de las columnas rotuladas generalmente AB y
Tabla 9-10 Un factor con dos niveles y un factor con rres niveles en un diseo 23
Combinaciones de
A XL XL A xXL A xXL XQ A XXQ tratamientos reales
Corrida A B C AB AC Be ABe A X
1 + + + Bajo Bajo
2 + + + Alto Bajo
3 + + + Bajo Intermedio
4 + + + Alto Intermedio
5 + + + Bajo Intermedio
6 + + + Alto Intermedio
7 + + + Bajo Alto
8 + + + + + + + Alto Alto
94 DISEOS FAcrORlALES CON NIVELES MIXTOS 385
Tabla 9-11 Anlisis de varianza del diseo de la tabla 9-10
A SSA 1 MSA
X(XL +XQ) SSx 2 MSB
AX (A X XL + A x XQ) SSAX 2 MSAX
Error (a partir de las corridas 3 y 5 SSE 2 MSE
y de las corridas 4 y 6)
Total 7
AC. Adems, observe que las corridas 3 y 5 son rplicas. Por lo tanto, puede hacerse una estimacin del
error con un grado delibertad del error utilizando estas dos corridas. De manera similar, las corridas 4 y 6
son rplicas, y esto llevara a una segunda estimacin del error con un grado de libertad. Lavarianza pro-
medio de estos dos pares de corridas podra usarse como cuadrado medio del error con dos grados de li-
bertad. En la tabla 9-11 se resume el anlisis de varianza completo.
Si se est dispuesto a suponer que las interacciones de dos factores y de rdenes superiores son insig-
nificantes, el diseo de la tabla 9-10 puede convertirse en una fraccin de resolucin III con hasta cuatro
factores con dos niveles y un solo factor con tres niveles. Esto se conseguira asociando los factores de dos
niveles con las columnasA,AB,AC yABC. La columnaBC no puede usarse para un factor de dos niveles
porque contiene el efecto cuadrtico del factor X de tres niveles.
Puede aplicarse el mismo procedimiento en los diseos 2k de 16, 32 y 64 corridas. Para 16 corridas es
posible construir factoriales fraccionados de resolucin V con dos factores de dos niveles y con dos o tres
factores de tres niveles. Thmbin puede obtenerse una fraccin con 16 corridas de resolucin V con 3 fac-
tores de dos niveles y un factor de tres niveles. Si se incluyen cuatro factores de dos niveles y un solo factor
de tres niveles en 16 corridas, el diseo ser de resolucin III. Los diseos de 32 y 64 corridas permiten
arreglos similares. Para un estudio adicional de algunos de estos diseos, ver Addleman [lb).
94.2 Factores con dos y cuatro niveles

Es muy sencillo incorporar un factor con cuatro niveles en un diseo 2k El procedimiento para hacerlo
implica el uso de dos factores con dos niveles para representar el factor con cuatro niveles. Por ejemplo,
suponga queA es un factor de cuatro niveles con los niveles al' a2, a3 ya4. Considere dos columnas de la ta-
bla usual de signos positivos y negativos, por ejemplo las columnas P y Q. El patrn de los signos de estas
dos columnas se muestra en el lado izquierdo de la tabla 9-12. El lado derecho de esta tabla muestra cmo
estos cuatro patrones de signos corresponderan con los cuatro niveles del factor A. Los efectos represen-
Tabla 9-12 El factor A con cuatro niveles expresado como dos

factores con dos niveles
Factores con dos niveles Factores con cuatro niveles
Corrida P Q A
1 al
2 + a2
3 + a3
4 + + a4
11++++11++1111++
1+1++1+1+1+11+1+
e ++++ 11111111 ++++
~ 1++11++1+11++11+
~ ++11++1111++11++
~ +1+1+1+11+1+1+1+
1++1+11+1++1+11+
~ ++ 1 1 1 1 ++++ 1 1 1 1 ++
+11++11++11++11+
11111111++++++++
II11 ++++ 11 1 1 ++++
~ 11++11++11++11++
sS
u
1+1+1+1+1+1+1+1+
~
:5
386
9-5 PROBLEMAS 387
tados por las columnas Py Q y la interaccin PQ son mutuamente ortogonales y corresponden al efecto de
A con tres grados de libertad.
Para ilustrar esta idea con mayor detalle, suponga que se tiene un factor de cuatro niveles y dos facto-
res de dos niveles y que es necesario estimar todos los efectos principales y las interacciones en las que in-
tervienen estos factores. Esto puede hacerse con un diseo de 16 corridas. En la tabla 9-13 se presenta la
tabla usual de signos positivos y negativos del diseo 24 con 16 corridas, donde las columnas A y B se usan
para formar el factor de cuatro niveles. por ejemploX, con los nivelesx1.x2,x3 y x4 Se calcularan las sumas
de cuadrados de cada columnaz, B...ABCD exactamente igual que en el sistema 2"usual. Despus las
sumas de cuadrados de todos los factoresX. C, D y sus interacciones se forman de la manera siguiente:
SSx = SSA +SSB +SSAB (3 grados de libertad)

SSc = SSc (1 grado de libertad)
= SSD
SSD (1 grado de libertad)
SSCD = SSCD (1 grado de libertad)
SS xc = SSAC +SSBC +SS ABC(3 grados de libertad)
SS XD = SS AV +SSBD +SS ABD (3 grados de libertad)
SS XCD = SS ACD+ SSBCD+ SS ABCD (3 grados de libertad)
A este diseo podra llamrsele 4 x 22 Si uno est dispuesto a ignorar las interacciones de dos factores.
pueden asociarse hasta nueve factores adicionales de dos niveles con la columna de la interaccin de dos
factores (exceptoAB), la columna de la interaccin de tres factores y la columna de la interaccin de cua-
tro factores.
9..5 PROBLEMAS
9-1. Se estudian los efectos de la fuerza del revelador (A) yel tiempo de revelado (B) sobre la densidad de la pel-
cula de placa fotogrfica. Se usan tres fuerzas y tres tiempos, y se corren cuatro rplicas de un experimento
factorial 32 Los datos de este experimento se presentan a continuacin. Analizar los datos utilizando los m-
todos estndares para experimentos factoriales.
Tiempo de revelado (minutos)

Fuerza del revelador 10 14 18
1 O 2 1 3 2 5
5 4 4 2 4 6
2 4 6 6 8 9 10
7 5 7 7 8 5
3 7 10 10 10 12 10
8 7 8 7 9 8
9-2. Calcular los componentes 1y J de la interaccin de dos factores del problema 9-1.
9-3. Se llev a cabo un experimento para estudiar el efecto de tres tipos diferentes de botellas de 32 onzas (A) y
tres tipos diferentes de aparadores de venta (B) -anaqueles permanentes lisos. aparadores al final del pasi-
llo con anaqueles enrejados y refrigeradores para refrescos- sobre el tiempo que toma acomodar diez cajas
de 12 botellas en los aparadores. Se usaron tres empleados (factor C) en el experimento. y se corrieron dos
rplicas de un diseo factorial 33. Los datos del tiempo observado se muestran en la tabla siguiente. Analizar
los datos y sacar conclusiones.
- ..._-- _._._-----------------------------------
388 CAPTULO 9 DISENOS FACTORIALES y FACTORIALES FRACCIONADOS CON TRES NIVELES
Rplica 1 Rplica II
Tipo de Final del Final del
Empleado botella Permanente pasillo Refrigerador Permanente pasillo Refrigerador
Plstico 3.45 4.14 5.80 3.36 4.19 5.23
1 Vidrio de 28 mm 4.07 4.38 5.48 3.52 4.26 4.85
Vidrio de 38 mm 4.20 4.26 5.67 3.68 4.37 5.58
Plstico 4.80 5.22 6.21 4.40 4.70 5.88
2 Vidrio de 28 mm 4.52 5.15 6.25 4.44 4.65 6.20
Vidrio de 38 mm 4.96 5.17 6.03 4.39 4.75 6.38
Plstico 4.08 3.94 5.14 3.65 4.08 4.49
3 Vidrio de 28 mm 4.30 4.53 4.99 4.04 4.08 4.59
Vidrio de 38 mm 4.17 4.86 4.85 3.88 4.48 4.90
9-4. Un investigador mdico estudia el efecto de la lidocana sobre el nivel de enzimas en el msculo cardiaco de
perros beagle. En el experimento se usan tres marcas comerciales de lidocana (A), tres dosis (B) y tres perros
(C), y se corren dos rplicas de un diseo factorial 33. Los niveles de enzimas observados se presentan a conti-
nuacin. Analizar los datos de este experimento.
Rplica 1 Rplica 11
Marca de Fuerza de Perro Perro

lidocana la dosis 1 2 3 1 2 3
1 96 84 85 84 85 86
1 2 94 99 98. 95 97 90
3 101 106 98 105 104 103
1 85 84 86 80 82 84
2 2 95 98 97 93 99 95
3 108 114 109 110 102 100
1 84 83 81 83 80 79
3 2 95 97 93 92 96 93
3 105 lOO 106 102 111 108
9-5. Calcular los componentes 1y J de las interacciones de dos factores del ejemplo 10-1.
9-6. Se realiza un experimento en un proceso qumico utilizando un diseo factorial 32 Los factores del diseo
son la temperatura y la presin, y la variable de respuesta es el rendimiento. Los datos que resultan de este
experimento se presentan a continuacin:
Presin, psig
'Iemperatura, -c 100 120 . 140
80 47.58, 48.77 64.97, 69.22 80.92, 72.60
90 51.86, 82.43 88.47, 84.23 93.95, 88.54
100 71.18, 92.77 96.57, 88.72 76.58, 83.04
a) Analizar los datos de este experimento conduciendo un anlisis de varianza. Qu conclusiones pueden
sacarse?
b) Analizar grficamente los residuales. Hay algn motivo de preocupacin respecto de los supuestos sub-
yacentes o de la adecuacin del modelo?
9-5 PROBLEMAS 389
e) Verificar que si se hace que los niveles bajo, intermedio y alto de ambos factores de este diseo asuman
los niveles -1, Oy + 1, entonces un ajuste de mnimos cuadrados de un modelo de segundo orden del ren-
dimiento es
y= 86.81 + 1O.4x1+8.42x2 -7.17x; -7.86xi -7.69xx2
d) Confirmar que el modelo del inciso e puede escribirse en trminos de las variables naturales -la tempe-
ratura (1) y la presin (P)- como
y= -1335.63+ 18.56T+8.59P- O.072T2 - O.0196p2 - O.0384TP
e) Construir una grfica de contorno del rendimiento como una funcin de la presin y la temperatura.
Con base en el examen de esta grfica, dnde se recomendara operar este proceso?
9-7. a) Confundir un diseo 33 en tres bloques utilizando el componenteABC2 de la interaccin de tres factores,
Comparar los resultados obtenidos con el diseo de la figura 9-7.
b) Confundir un diseo 33 en tres bloques utilizando el componente.d-C de la interaccin de tres factores.
Comparar los resultados con el diseo de la figura 9-7.
e) Confundir un diseo 33 en tres bloques utilizando el componenteABC de la interaccin de tres factores.
Comparar los resultados obtenidos con el diseo de la figura 9-7.
d) Despus de observar los diseos de los incisos a, b yc y la figura 9-7, Zqu conclusiones pueden sacarse?
9-8. Confundir un diseo 34 en tres bloques utilizando el componenteAB2CD de la interaccin de cuatro factores.
9-9. Considere los datos de la primera rplica del problema 9-3. Suponiendo que no fue posible hacer las 27 ob-
servaciones el mismo da, establecer un diseo para conducir el experimento en tres das conAB2C confundi-
da con los bloques. Analizar los datos.
9-10. Delinear la tabla del anlisis de varianza del diseo 34 en nueve bloques. Se trata de un diseo prctico?
9-11. Considere los datos del problema 9-3. SiABC est confundida en la rplica 1yABCz est confundida en la r-
plica 11, realizar el anlisis de varianza.
9-12. Considere los datos de la rplica 1del problema 9-3. Suponga que slo se corre una fraccin un tercio de este
diseo con I = ABe. Construir el diseo, determinar la estructura de los alias y analizar los datos.
9-13. Por el examen de la figura 9-9, qu tipo de diseo quedara si despus de completar las nueve primeras co-
rridas pudiera eliminarse uno de los tres factores?
9-14. Construir un diseo 3~ con I = ABCD. Escribir la estructura de los alias de este diseo.
9-15. Verificar que el diseo del problema 9-14 es un diseo de resolucin IV.
9-16. Construir un diseo 35-2 conl =ABC el = CDE. Escribir la estructura de los alias de este diseo. Cul es la
resolucin de este diseo?
9-17. Construir un diseo 39-6 y verificar que es un diseo de resolucin 111.
9-18. Construir un diseo 4 x 23 confundido en dos bloques con 16 observaciones cada uno. Delinear el anlisis de
varianza de este diseo.
9-19. Delinear la tabla del anlisis de varianza de un diseo factorial 2232.Comentar la manera en que este diseo
puede confundirse en bloques.
9-20. Empezando con un diseo 24 de 16 corridas, indicar cmo pueden incorporarse dos factores de tres niveles
en este experimento. Cuntos factores de dos niveles pueden incluirse si se quiere cierta informacin sobre
las interacciones de dos factores?
9-21. Empezando con un diseo 24 de 16 corridas, indicar cmo pueden incorporarse un factor con tres niveles y
tres factores con dos niveles, de tal modo que siga siendo posible la estimacin de las interacciones de dos
factores.
9-22. En el problema 8-26 el lector conoci a Harryy Judy Peterson-Nedry, dos amigos del autor que son propieta-
rios de un viedo y una fbrica vincola en Newberg, Oregon. En ese problema se describi la aplicacin de
diseos factoriales fraccionados de dos niveles en su producto Pinot Noir 1985. En 1987 quisieron conducir
otro experimento Pinot Noir. Las variables de este experimento fueron
390 CAPTuLo 9 DISEOS FACfORIALES y FACfORIALES FRACCIONADOS CON TRES NIVELES
Variable Niveles
Clan de Pinot Noir Wadenswil, Pommard
Tamao de la uva Pequeo, grande
Temperatura de fermentacin 80QF, 85F, 90/80F, 90F
Uva completa Ninguno, 10%
Tiempo de maceracin 10 das, 21 das
Tipo de levadura Assmanhau, Champagne
Tipo de roble Troncis, Allier
Harry y Judy decidieron usar un diseo factorial fraccionado de dos niveles con 16 corridas, tratando los cua-
tro niveles de la temperatura de fermentacin como dos variables de dos niveles. Como en el problema 8-26,
utilizaron las calificaciones de un panel de catadores como variable de respuesta. El diseo y las calificacio-
nes promedio resultantes se presentan enseguida:
Tamao Temperatura de Uva Tiempo de Tipo de Tipo de Calificacin
Corrida Clon de la uva fermentacin completa maceracin levadura roble promedio
1 4
2 + + + + 10
3 + + + + 6
4 + + + + 9
5 + + + + 11
6 + + + + 1
7 + + + + 15
8 + + + + 5
9 + + + + 12
10 + + + + 2
11 + + + + 16
12 + + + + 3
13 + + + + 8
14 + + + + 14
15 + + + + 7
16 + + + + + + + + 13
a) Describir los alias de este diseo.

b) Analizar los datos y sacar conclusiones.
e) Qu comparaciones pueden hacerse entre este experimento y el experimento del Pinot Noir 1985 del
problema 8-26?
9-23. En un artculo de w'D. Baten publicado en el volumen de 1956 de Industrial Quality Control se describe un
experimento para estudiar el efecto de tres factores sobre la longitud de unas barras de acero. Cada barra se
someti a uno de dos procesos de tratamiento trmico y se cort en una de cuatro mquinas en una de tres
horas durante el da (8 a.m., 11 a.m, o 3 p.m.), Los datos de la longitud codificada son los siguientes:
Hora del Proceso de Mquina

da tratamiento trmico 1 2 3 4
1
6 9 7 9 1 2 6 6
1 3 5 5 O 4 7 3
8 a.m. 2
4 6 6 5 -1 O 4 5
O 1 3 4 O 1 5 4
9-5 PROBLEMAS 391
Hora del Proceso de Mquina

da tratamiento trmico 1 2 3 4
6 3 8 7 3 2 7 9
1
1 -1 4 8 1 O 11 6
Ha.m. 2
3 1 6 4 2 O 9 4
1 -2 1 3 -1 1 6 3
1 5 4 10 H -1 2 10 5
9 6 6 4 6 1 4 8
3 p.m. 6 O 8 7 O -2 4 3
2 4
3 7 10 O -4 7 O
Q) Analizar los datos de este experimento suponiendo que las cuatro observaciones de cada celda son rpli-
cas.
b) Analizar los residuales de este experimento. Existe algn indicio de que hay un punto atpico en una de
las celdas? Si se encuentra un punto atpico, eliminarlo y repetir el anlisis del inciso Q. lA qu conclusio-
nes se llega?
e) Suponga que las observaciones de las celdas son las longitudes (codificadas) de barras que se procesaron
conjuntamente en el tratamiento trmico y despus se cortaron secuencialmente (es decir, en orden) en
las cuatro mquinas. Analizar los datos y determinar los efectos de los tres factores sobre la longitud pro-
medio.
d) Calcular la varianza logartmica de las observaciones de cada celda. Analizar esta respuesta. Qu con-
clusiones pueden sacarse?
e) Suponga que la hora en que se corta una barra en realidad no puede controlarse durante la produccin
rutinaria. Analizar la longitud promedio y la varianza logartmica de la longitud de cada una de las 12 ba-
rras cortadas en cada combinacin mquina/proceso de tratamiento trmico. Qu conclusiones pueden
sacarse?
---------------------------------------- --
Ajuste de
modelos de
."
regresion
10~1 INTRODUCCIN
En muchos problemas hay dos o ms variables relacionadas, y el inters se centra en modelar y explorar
esta relacin. Por ejemplo, en un proceso qumico el rendimiento del producto est relacionado con la
temperatura de operacin. Quiz el ingeniero qumico quiera construir un modelo que relacione el rendi-
miento con la temperatura para usarlo despus como herramienta de prediccin o bien de optimizacin o
control del proceso.
En general, suponga que hay una sola variable dependiente o de respuesta y que depende de k varia-
bles independientes o regresores, por ejemplo, Xl> X2, , Xk La relacin que existe entre estas variables se
caracteriza por un modelo matemtico llamado modelo de regresin. Dicho modelo se ajusta a un con-
junto de datos muestrales. En ocasiones el experimentador conoce la forma exacta de la verdadera rela-
cin funcional entreyyx1,x2, ,Xk, por ejemploy = </J(X1,X2, ,xk). Sin embargo, en la mayora de los casos
no se conoce la verdadera relacin funcional, y el experimentador elige una funcin apropiada para apro-
ximar </J. Los modelos polinomiales de orden inferior son de uso generalizado como funciones de aproxi-
macin.
Existe una fuerte relacin recproca entre el diseo de experimentos y el anlisis de regresin. A lo
largo de este libro se ha destacado la importancia de expresar cuantitativamente los resultados de un ex-
perimento, en trminos del modelo emprico, a fin de facilitar su comprensin, interpretacin e imple-
mentacin. Los modelos de regresin constituyen la base para conseguirlo. Se ha presentado en mltiples
ocasiones el modelo de regresin que representaba los resultados de un experimento. En este captulo se
presentan algunos aspectos del ajuste de estos modelos. Presentaciones ms completas de la regresin se
encuentran en Montgomery y Peck [82] y Myers [84].
Los mtodos de regresin se utilizan con frecuencia para analizar datos de experimentos no planea-
dos, como podra ser el caso de la observacin de fenmenos no controlados o de registros histricos. Los
mtodos de regresin tambin son muy tiles en experimentos diseados cuando algo "sali mal". En
este captulo se ilustran algunas de estas situaciones.
392
102 MODELOS DE REGRESIN UNEAL 393
10..2 MODELOSDE REGRESIN LINEAL
La atencin se centrar en el ajuste de modelos de regresin lineal. Para ilustrar, suponga que quiere de-
sarrollarse un modelo emprico que relacione la viscosidad de un polmero con la temperatura y la veloci-
dad de alimentacin del catalizador. Un modelo que podra describir esta relacin es
(10-1)
donde y representa la viscosidad, Xl la temperatura y X2 la velocidad de alimentacin del catalizador. Se

trata de un modelo de regresin lineal mltiple con dos variables independientes. Es comn llamar a las
variables independientes variables predictoras o regresores (variables de regresin). Se utiliza el trmi-
no lineal porque la ecuacin 10-1 es una funcin lineal de los parmetros desconocidos {Jo, {J y {J2' El mo-
delo describe un plano en el espacio bidimensional X}> x2 El parmetro {Jo define la interseccin del plano
con el eje de las ordenadas. En ocasiones {JI y {J2 se denominan los coeficientes de regresinparcial, porque
{JI mide el cambio esperado en y para cada cambio unitario de X cuando X2 se mantiene constante, y {J2
mide el cambio esperado en y para cada cambio unitario de X2 cuando X se mantiene constante.
En general, la variable de respuesta y puede relacionarse con k regresares. Al modelo
(10-2)
se le llama modelo de regresinlineal mltiple con k regresares. A los parmetros {Jj,j = O,1, ..., k se les lla-
ma los coeficientes de regresin.Este modelo describe un hiperplano en el espacio de k dimensiones de los
regresares {x). El parmetro {Jj representa el cambio esperado en la respuesta y para un cambio unitario
en xj cuando las variables independientes restantes x, (i =;:. j) se mantienen constantes.
Con frecuencia los modelos cuya apariencia es ms compleja que la ecuacin 10-2 pueden tambin
analizarse mediante tcnicas de regresin lineal mltiple. Por ejemplo, considere la incorporacin de un
trmino de interaccin en el modelo de primer orden en dos variables, por ejemplo
(10-3)
Si se hace X3 = XX2 Y{J3 = {J12' entonces la ecuacin 10-3 puede escribirse como
y= {Jo + {Jx +{J2X2 +{J3X3 +E (10-4)
que es un modelo de regresin lineal mltiple estndar con tres regresares. Recuerde que en algunos
ejemplos de los captulos 6, 7 Y8 se presentaron varios modelos empricos similares a las ecuaciones 10-2y
10-4 para expresar cuantitativamente los resultados de un diseo factorial de dos niveles. Como otro
ejemplo, considere el modelo de superficie de respuesta de segundo orden en dos variables:
(10-5)
Si se hacex, = x; ,X4 = xi 'X 5 =XX2,{J3 = {Jll,{J4 = {J22y{J5 = {J12, entonces esta expresin queda como
(10-6)
que es un modelo de regresin lineal. Este modelo se ha visto tambin en ejemplos anteriores de este li-
bro. En general, cualquier modelo de regresin que es lineal en los parmetros (los valores {J) es un mode-
lo de regresin lineal, independientemente de la forma de la superficie de respuesta que genera.
En este captulo se resumirn los mtodos para estimar los parmetros de los modelos de regresin li-
neal mltiple. A este procedimiento suele llamrsele el ajuste del modelo. Se analizarn tambin los m-
todos para probar hiptesis y para construir intervalos de confianza para estos modelos, as como para
394 CAPTIJLO 10 AJUSTEDE MODELOSDE REGRESIN
verificar la adecuacin del ajuste del modelo. La atencin se centra en los aspectos del anlisis de regre-
sin que son tiles en los experimentos diseados. Para presentaciones ms completas de la regresin, re-
ferirse a Montgomery y Peck [82] y Myers [84].
10..3 ESTIMACIN DE LOS PARMETROS EN MODELOS

DE REGRESIN LINEAL
El mtodo de mnimos cuadrados se usa de manera tpica para estimar los coeficientes de regresin de un
modelo de regresin lineal mltiple. Suponga que se cuenta con n > k observaciones de la variable de res-
puesta, por ejemplo'Y'Y2' ""Yn' Junto con cada respuesta observaday, se tendr una observacin de cada
uno de los regresares, y sea que xi denote la observacin o nivel z-simo de la variable Xj' Los datos apare-
cern como en la tabla 10-1. Se supone que el trmino del error e del modelo tiene E( E) = OY V(e) = al y
que las {E} son variables aleatorias no correlacionadas.
La ecuacin del modelo (ecuacin 10-2) puede escribirse en trminos de las observaciones de la tabla
10-1 como
Yi = fJo +fJlxn +fJ2Xi2 + ... +fJkxik +E
k (10-7)
=fJo+ L fJjXij+E
j.l
i=l, 2, ... , n
El mtodo de mnimos cuadrados consiste en elegir las fJ de la ecuacin 10-7 de tal modo que la suma de
cuadrados de los errores, ej, se minimice. La funcin de mnimos cuadrados es
L=! E;~l
(10-8)
La funcin L debe minimizarse con respecto a fJo,fJt, ... , fJk' Los estimadores de mnimos cuadrados, por
ejemplo Po' pp ..., P
k' deben satisfacer
(10-9a)
(10-9b)
Tabla 10-1 Datos de una regresin lineal mltiple

y XI Xl Xk
YI Xn Xz Xlk
Yz XZI X22 XZk
Y. Xn1 X.2 Xnk

10.3 ESTIMACIN DE LOS PARMETROS EN MODELOS DE REGRESIN UNEAL 395
Al simplificar la ecuacin 109, se obtiene
n
+"'+PkL ;-1
XIJ i=1
/1 /1 n
Po LJ
A ~
~1
XIl +PI LJ
A ~
i-1
2
Xi! +P2L;=1 XIX2+"'+PkL i~1
Xi1Xjk =L
i=1
XIlYi (10.10)
Estas ecuaciones se denominan ecuaciones normales de mnimos cuadrados. Observe que hay p k + 1 =
ecuaciones normales, una para cada uno de los coeficientes de regresin desconocidos. La solucin de las
ecuaciones normales sern los estimadores de mnimos cuadrados de los coeficientes de regresin
P0' PI"'" Pk'
Esms sencillo resolver las ecuaciones normales si se expresan en la notacin matricial. A continua-
c~ se presenta el desarrollo matricial de las ecuaciones normales que es anlogo al desarrollo de la
ecuacin 10-10. El modelo en trminos de las observaciones, ecuacin 10-7, puede escribirse en notacin
matricial como
y = XfJ +,
donde
1xn X12 xlk

1Xli X22 XU
1
X= : :: :'
[
6
1XIII X .. 2 Xnk
En general, y es un vector (n xl) de las observaciones, X es una matriz (n x p) de los niveles de las varia-
bles independientes, fJ es un vector (p xl) de los coeficientes de regresin, y B es un vector (n Xl) de los
errores aleatorios.
Quiere encontrarse el vector de los estimadores de mnimos cuadrados, que minimice A
L= ! e; = e'e =
=}
(y- XfJ)'(y- XfJ)
Observe que L puede expresarse como

L= y'y- fJ'X'y- y'X/J+fJ'X''X/J (10-11)
= y'y - 2fJ'X'y + fJ'X'X{J
ya quefJ'X'yes una matriz (1 x 1),0 un escalar,ysu transpuesta (p'X'y)' = y''X/Jes el mismo escalar. Los
estimadores de mnimos cuadrados deben satisfacer
396 CAPITuw 10 AJUSTE DE MODEWS DE REGRESIN
-aLI =-2Xy+ I 2X-"f'=O

'vll
afJ {1
cuya simplificacin es
X'xjJ= X'y (10-12)
La ecuacin 10-12 es la forma matricial de las ecuaciones normales de mnimos cuadrados. Es idntica a
la ecuacin 10-10. Para resolver las ecuaciones normales, ambos miembros de la ecuacin 10-12 se multi-
plican por la inversa de X'X. Por lo tanto, el estimador de mnimos cuadrados de fJ es
(XIXr1X'y p= (10-13)
Es sencillo ver que la forma matricial de las ecuaciones normales es idntica a la forma escalar. Al de-
sarrollar en detalle la ecuacin 10-12, se obtiene
n n
n. LXiI
i-l
"
i~l
Xi2 L
i;::::1
Xik
n n n n
LXi!
i;;l
L
i~l
x~
1-1
Xi1Xi2 L
i-l
XIXik
n n n
L"'1
Xik L
i-l
XikXi! L
i-l
XikXI2 "
i~l
2
Xik
Si se efecta la multiplicacin matricial indicada, se obtendr la forma escalar de las ecuaciones normales
(es decir, la ecuacin 10-10). En esta forma es sencillo ver que X'X es una matriz simtrica (p x p) y que
X'y es un vector columna (p x 1). Observe la estructura especial de la matriz X'X. Los elementos de la
diagonal de X'X son las sumas de cuadrados de los elementos de las columnas de X, y los elementos que
no estn en la diagonal son las sumas de los productos cruzados de los elementos de las columnas de X.
Adems, observe que los elementos de X'y son las sumas de los productos cruzados de las columnas de X y
las observaciones {y}.
y= xjJ (10-14)
En notacin escalar, el modelo ajustado es
k
i = 1, 2, ... , n
A ~ A
j\ = Po + L.J PjXij
i=1
La diferencia entre la observacin real Yi y el valor ajustado correspondiente Ji es el residual, es decir,

e i = Yi - j\. El vector (n xl) de los residuales se denota por
e=y-y (10-15)
Estimacin de a2
Por lo general tambin es necesario estimar cr. Para desarrollar un estimador de este parmetro, conside-
re la suma de cuadrados de los residuales, por ejemplo
SSE = ! (Y i - Ji)2
= e'e
10-3 ESTIMACIN DE LOS PARMETROS EN MODELOS DE REGRESIN LINEAL 397
Al sustituir e = y - y = y - xjJ, se tiene

SSE = (y - x/J)(y - xP)
= s's- jJ'X'y- y'xP+jJ'X'x/J
= y'y-2jJ'X'y+jJ'X'xP
Puesto que X'xP = X'y, esta ltima ecuacin queda como
SSE = s'r- jJ'X'y (10-16)
A la ecuacin 10-16 se le llama la suma de cuadrados residual o del error, y tiene n - p grados de libertad
asociados con ella. Puede demostrarse que
E(SSE)= (J2(n- p)
por lo que un estimador insesgado de a2 est dado por

A2 SSE
(J =-- (10-17)
n-p
Propiedades de los estimadores

El mtodo de mnimos cuadrados produce un estimador insesgado del parmetro fJ del modelo de regre-
sin lineal. Esto puede demostrarse fcilmente tomando el valor esperado de jJ de la siguiente manera:
E(jJ) = El(X'X)-IX'y]
= El(X'X)-l(XfJ+e)]
= E[(X'XflX'XfJ+(X'XflX'e]
=fJ
ya que E(e) ::::O y (X'xt1x'X = l. Por lo tanto, jJ es un estimador insesgado de fJ.
La propiedad de la varianza de jJ se expresa en la matriz de covarianza:
(10-18)
que es una matriz simtrica cuyo elemento i-simo de la diagonal principal es la varianza del coeficiente
de regresin individual {3., y cuyo elemento (ij)-simo es la covarianza entre {3. y {3.. La matriz de cova-
A I 1 /
rianza de fJ es
(10-19)
EJEMPLO 10,1 .........""............."."...""...".......".""""""""".." ...

En la tabla 10-2 se muestran 16 observaciones de la viscosidad de un polmero (v) y dos variables del pro-
ceso: la temperatura de reaccin (Xl) y la velocidad de alimentacin del catalizador (X2)' Se ajustar el mo-
delo de regresin lineal mltiple
398 CAPTIJLo 10 AJUSTE DE MODELOS DE REGRESIN
Tabla 10.2 Datos de la viscosidad del ejemplo 10-1 (viscosidaden

centistokes @ lOO"C)
Temperatura Velocidad de alimentacin
Observacin (Xl. "C) del catalizador (X2, lb/h) Viscosidad
1 80 8 2256
2 93 9 2340
3 100 10 2426
4 82 12 2293
5 90 11 2330
6 99 8 2368
7 81 8 2250
8 96 10 2409
9 94 12 2364
10 93 11 2379
11 97 13 2440
12 95 11 2364
13 lOO 8 2404
14 85 12 2317
15 86 9 2309
16 87 12 2328
a estos datos. La matriz X y el vector y son
1 80 8 2256
1 93 9 2340
1 100 10 2426
1 82 12 2293
1 90 11 2330
1 99 8 2368
1 81 8 2250
1 96 10 2409
X= 1 94 y=
12 2364
1 93 11 2379
1 97 13 2440
1 95 11 2364
1 100 8 2404
1 85 12 2317
1 86 9 2309
1 87 12 2328
La matriz X'X es
1 1 80
x.x=H 93
9
87
12 ][:
93
87 i:l
10-3 ESTIMACIN DE LOS PARMETROS EN MODELOS DE REGRESIN UNEAL 399
16 1458
= 1458 133,560 14,946 164]
[ 164 14,946 1,726
y el vector X'y es
X'y= [858 9~9 871][2256]

2~40
12 2328
37,577]
= [ 3,429,550
385,562
La estimacin de mnimos cuadrados de fJ es
14.176004 -0.129746 -0.223453 ][ 37,577]

jJ = -0.129746 1.429184xl0-3 -4.763947 x 10-5 3,429,550
[-0.223453 -4.763947XI0-5 2222381x 10-2 385,562
1566.07777]
=[ 7.62129
8.58485
El ajuste de mnimos cuadrados, con los coeficientes de regresin expresados con dos cifras decimales, es
1iablal~3 Valorespredichos. residuales y otros diagnsticos del ejemplo 10-1

Observacin Valor predicho Residual Residual
v. s. e, hjj studentizado Di R-student
1 2256 2244.5 11.5 0.350 0.87 0.137 0.87
2 2340 2352.1 -12.1 0.102 -0.78 0.023 -0.77
3 2426 2414.1 11.9 0.177 0.80 0.046 0.79
4 2293 2294.0 -1.0 0.251 -0.07 0.001 -0.07
5 2330 2346.4 -16.4 0.077 -1.05 0.030 -1.05
6 2368 2389.3 -21.3 0.265 -1.52 0.277 -1.61
7 2250 2252.1 -2.1 0.319 -0.15 0.004 -0.15
8 2409 2383.6 25.4 0.098 1.64 0.097 1.76
9 2364 2385.5 -21.5 0.142 -1.42 0.111 -1.48
10 2379 2369.3 9.7 0.080 0.62 0.011 0.60
11 2440 2416.9 23.1 0.278 1.66 0.354 1.80
12 2364 2384.5 -20.5 0.096 -1.32 0.062 -1.36
13 2404 2396.9 7.1 0.289 0.52 0.036 0.50
14 2317 2316.9 0.1 0.185 0.01 0.000 <0.01
15 2309 2298.8 10.2 0.134 0.67 0.023 0.66
16 2328 2332.1 -4.1 0.156 -0.28 0.005 -0.27
402 CAPTULO 10 AJUSTE DE MODELOS DE REGRESIN
Tabla 10-4 Salida de Minitab para el modelo de regresin de la viscosidad, ejemplo 10-1
Anlisis de regresin
The regress;on equation ;s

V;scos;ty = 1566 + 7.62 Temp + 8.58 Feed Rate
Pred;ctor Coef StDev T P
Constant 1566.08 61.59 25.43 0.000
Temp 7.6213 0.6184 12.32 0.000
Feed Rat 8.585 2.439 3.52 0.004
S = 16.36 R-Sq = 92.7% R-Sq(adj) = 91.6%

Analysis of Var;ance
Source DF SS .. 5 F P
Regress;on 2 44157 22079 82.50 0.000
Residual Error 13 3479 268
Total 15 47636
Source DF Seq SS
Temp 1 40841
Feed Rat 1 3316
57 88
32
Variable. del proceso Variables Codificada.

Rendimiento,
Corrida Temperatura (OC) Presin (pslg) Concentracin (gil) .:t, lO, .:t, Y
1 120 40 15 -1 -1 -1 32
2 160 40 15 1 -1 -1 46
3 120 lO 15 -1 -1 57
4 160 80 15 -1 65
5 120 40 30 -1 -1 36
6 160 40 30 -1 48
7 120 60 30 -1 67
B 160 80 30 1 68
9 140 80 22.5 O O O 50
10 140 60 22.6 O O O 44
11 140 60 22.6 O O O 53
12 140 60 22.5 O O O 56
X,
_ Tomperatura-140
20 .,
JC ~~
20 ...,
= CoDCClluocin - 22 S
7.S
Figura 105 Diseo experimental del ejemplo 10-2.

Ajuste de modelos de regresin en experimentos diseados
Se ha usado con frecuencia un modelo de regresin para presentar los resultados de un experimento dise-
ado en una forma cuantitativa. Se ofrece ahora un ejemplo completo donde se indica cmo se hace esto.
Se presentan enseguida otros tres ejemplos breves que ilustran otras aplicaciones tiles del anlisis de re-
gresin en los experimentos diseados.
EJEMPLO 10..2 ................................

Anlisis de regresin de un diseo factorial 23
Un ingeniero qumico est investigando el rendimiento de un proceso. Tres de las variables del proceso
son de inters: la temperatura, la presin y la concentracin del catalizador. Cada variable puede correrse
en un nivel bajo y Uno alto, y eningeniero decide correr un diseo 23 con cuatro puntos centrales. En la fi-
gura 10-5se muestra el diseo y los rendimientos resultantes, donde se presentan tanto los niveles natura-
les del diseo como la notacin de variables codificadas + 1, -1 que se utiliza normalmente en los diseos
factoriales 2k para representar los niveles de los factores.
Suponga que el ingeniero decide ajustar un modelo que slo incluye los efectos principales, por ejemplo
y= Po +f3x +f32X2 +P3X3 +e

Para este modelo, la matriz X y el vector y son
1 -1 -1 -1 32
1 1 -1 -1 46
1 -1 1 -1 57
1 1 1 -1 65
1 -1 -1 1 36
1 1 -1 1 48
x- 1 -1 1 1 y= 57
1 1 1 1 68
1 O O O 50
1 O O O 44
1 O O O 53
1 O O O 56
Es sencillo demostrar que
X'X-
-
r2OO OO8 OO8 OOO] X'y=
[612]
g
O O O 8
Puesto que X'X es diagonal, el inverso que se requiere tambin es diagonal, y las estimaciones de mnimos
cuadrados de los coeficientes de regresin son
1/12 O
p= (X'Xr1X'y= [ ~ 1/ g O
O O] 45
O [612] 5.625
[51.000]
1/8 O 85 = 10.625
O 1/8 9 1.125

y= 51.000+ 5.62Sx + 10.625x2 +1.125x3
------_---------_ .. _-_ ....
Como se ha hecho uso de ellos en muchas ocasiones, los coeficientes de regresin guardan una estre-
cha relacin con las estimaciones de los efectos que se obtendran por el anlisis usual de un diseo 23 Por
ejemplo, el efecto de la temperatura es (referirse a la figura 10-5)
T=Yr -Yr
=: 56.75- 45.50
= 11.25
Observe que el coeficiente de regresin de Xl es
(11.25)/2 = 5.625
Es decir, el coeficiente de regresin es exactamente la mitad de la estimacin usual del efecto. Esto siem-
pre se cumplir para un diseo 2k Como se seal antes, en los captulos 6 al8 se emple este resultado
para producir modelos de regresin, valores ajustados y residuales en varios experimentos de dos niveles.
Este ejemplo demuestra que las estimaciones de los efectos de un diseo 2k son estimaciones de mnimos
cuadrados.
En el ejemplo 10-2 es sencillo obtener la matriz inversa porque X'X es diagonaL Intuitivamente, esto
parece ofrecer ventajas, no slo porque los clculos se simplifican sino tambin porque los estimadores de
'A)
todos los coeficientes de regresin no estn correlacionados, es decir, Cov(/3, = O. Si los niveles de las
variables x pueden elegirse antes de recabar los datos, quiz sea deseable disear el experimento de tal
modo que resulte una XIX diagonal.
En la prctica puede ser relativamente sencillo conseguir esto. Se sabe que los elementos de XIX que
estn fuera de la diagonal son las sumas de los productos cruzados de las columnas en X. Por 10 tanto, es
necesario hacer que el producto interior de las columnas de X sean iguales a cero; es decir, estas columnas
deben ser ortogonales. A los diseos experimentales que poseen esta propiedad para ajustar un modelo
de regresin se les llama diseos ortogonales. En general, el diseo factorial 2k es un diseo ortogonal
para ajustar el modelo de regresin lineal mltiple.
Los mtodos de regresin son en extremo tiles cuando algo "sale mal" en un experimento diseado.
Esto se ilustra en los dos ejemplos siguientes.
EJEMPLO 103 ........................................................

Un diseo factorial 23 con una observacin faltante
Considere el diseo factorial 23 con cuatro puntos centrales del ejemplo 10-2.Suponga que cuando se rea-
liz este experimento, falt la corrida con todas las variables en el nivel alto (la corrida 8 de la figura 10-5).
Esto puede ocurrir por varias razones: el sistema de medicin puede producir una lectura incorrecta, la
combinacin de los niveles de los factores quiz no sea la apropiada, la unidad experimental puede estar
daada, etctera.
Se ajustar el modelo de los efectos principales .
Y= fJo +fJx +fJ2x2 +fJ3X3 +10
utilizando las 11 observaciones restantes. La matriz X y el vector y son

10-3 ESTIMACIN DE LOS PARMETROSEN MODElDS DE REGRESINLINEAL 405
1 -1 -1 -1 32
1 1 -1 -1 46
1 -1 1 -1 57
1 1 1 -1 65
1 -1 -1 1 36
x= 1 1 -1 1 y= 48
1 -1 1 1 57
1 O O O 50
1 O O O 44
1 O O O 53
1 O O O 56
Para estimar los parmetros del modelo se forman
11 -1 -1
-1
X'X= -1
7 -1 -1
-1 7 -1 X'y=
-23
544]
17
-1] [
[
-1 -1 -1 7 -59
y entonces
P = (X'xt 1 X'y
9.61538X 10-2
_ 1.92307xl0-2
- [ 1.92307xlO-2
1.92307x 10-2
0.15385
2.88462 x 10-2
1.92307 x 10-2
2.88462xl0-2
0.15385
1.92307XI0-2 2
2.88462xl0-
2.88462 x 10-2
j [544]
-23
17
1.92307xl0-2 2.88462 x 10-2 288462xlO-2 0.15385 -59
51.2~
5.75
= [ 10.75
1.25
Por lo tanto, el modelo ajustado es

y= 51.25+ 5.75x1 +10.75x2 +1.25x3
Compare este modelo con el que se obtuvo en el ejemplo 10-2, donde se usaron las 12 observaciones. Los
coeficientes de regresin son muy smilares. Debido a la estrecha relacin entre los coeficientes de regre-
sin y los efectos de los factores, las conclusiones no sufriran una alteracin sustancial por la observacin
faltante. Sin embargo, observe que las estimaciones de los efectos han dejado de ser ortogonales, ya que
(X'X) y su inversa ya no son diagonales .
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 111 ..
EJEMPLO 10...4 .... ....................................................................................................................

Niveles imprecisos de los factores del diseo
Cuando se corre un experimento diseado, en ocasiones es difcil alcanzar y mantener los niveles preci-
sos de los factores requeridos por el diseo. Las discrepancias pequeas no son importantes, pero las
grandes son motivo de preocupacin potencial. Los mtodos de regresin son tiles en el anlisis de un
406 CAPTIJLO 10 AJUSTE DE MODELOS DE REGRESIN
Tabla 10-5 Diseo experimentaldelejemplo 10-4

Variables del proceso Variables codificadas
Temperatura Presin Concentracin Rendimiento
Corrida CC) (psig) (gil) x X2 X3 y
1 125 41 14 -0.75 -0.95 -1.133 32
2 158 40 15 0.90 -1 -1 46
3 121 82 15 -0.95 1.1 -1 57
4 160 80 15 1 1 -1 65
5 118 39 33 -1.10 -1.05 1.14 36
6 163 40 30 1.15 -1 1 48
7 122 80 30 -0.90 1 1 57
8 165 83 30 1.25 1.15 1 68
9 140 60 22.5 O O O 50
10 140 60 22.5 O O O 44
11 140 60 22.5 O O O 53
12 140 60 22.5 O O O 56
experimento diseado cuando el experimentador no ha podido obtener los niveles requeridos de los
factores.
Para ilustrar, el experimento de la tabla 10-5presenta una variacin del diseo 23 del ejemplo 10-2,
donde muchas de las combinacionesde prueba no son exactamente las que se especificanen el diseo.
Las dificultades parecen haber ocurrido sobre todo con la variable temperatura.
Se ajustar el modelo de los efectos principales
y= Po +/3X1 +/32X2 +/33X3 +e
La matriz X y el vector y son
1 -0.75 :....0.95-1.133 32
1 0.90 -1 -1 46
1 -0.95 1.1 -1 57
1 1 1 -1 65
1 -1.10 -1.05 1.4 36
1 1.15 -1 1 48
X= y= 57
1 -0.90 1 1
1 1.25 1.15 1 68
1 O O O 50
1 O O O 44
1 O O O 53
1 O O O 56
Para estimar los parmetros del modelo se necesitan
12 0.60 0.25 0.2670]

0.31 -0.1403 612
77.55 ]
X'X - 0.60 8.18 I
- [ 0.25 0.31 8.5375 -0.3437 Xy= 161.50
[
0.2670 -0.1403 -0.3437 9.2437 19.144
Entonces
&37447X10-2
_ -6.09871 X10-3
-6.09871 X10-3
0.12289
-233542xlO-3
-4.20766 x 10-3
-2.59833XlO-3 1
1.88490x 10-3
[612
77.55
]
- -2.33542 X10-3 -4.20766 x 10-3 0.11753 4.37851 x 10-3 161.50
[
- 2.59833x 10-3 1.88490x 10-3 4.37851 x 10-3 0.10845 19.144
50.36496]
5.41932
= [ 10.16672
1.07653
El modelo de regresin ajustado, con los coeficientes reportados con dos cifras decimales, es
y= 50.36+2x +10.17x2 +1.08x3
Al comparar este resultado con el modelo original del ejemplo 10-2, donde los niveles de los factores fue-
ron exactamente los que se especificaron en el diseo, se observa muy poca diferencia. La interpretacin
prctica de los resultados de este experimento no sufrira alteraciones sustanciales por la incapacidad del
experimentador para alcanzar exactamente los niveles deseados de los factores .
.........................................................................
EJE:ltfPLO 10 ..5 ,., .
Separacin de alias de interacciones en un diseo factorial fraccionado
En el captulo 8 se seal la posibilidad de separar los alias de las interacciones de un diseo factorial
fraccionado mediante el proceso llamado doblez o plegado. Para un diseo de resolucin 111,un plegado
completo se construye corriendo una segunda fraccin en la que los signos estn invertidos respecto de
los signos de la fraccin original. Entonces el diseo combinado puede usarse para separar los alias de to-
dos los efectos principales de las interacciones de dos factores.
Una dificultad con el plegado es que requiere un segundo grupo de corridas de tamao idntico al del
diseo original. Por lo general es posible separar los alias de ciertas interacciones de inters aumentando
el diseo original con un nmero de corridas menor que las que se requieren en un plegado completo. Los
mtodos de regresin son una forma fcil de formular este problema y de ver cmo puede resolverse.
Para ilustrar, suponga que se ha corrido un diseo 2~ . En la tabla 8-3 se muestra la fraccin princi-
pal de este diseo, en la que 1 :: ABCD. Suponga que despus de que se observaron los datos de los ocho
primeros ensayos, los efectos ms grandes fueronA,B, C, D (se ignoran las interacciones de tres factores
que son alias de estos efectos principales), y la cadena de aliasAB + CD. Las otras dos cadenas de alias
pueden ignorarse, pero es claro queAB o CD o ambas interacciones de dos factores son grandes. Para di-
lucidar cules son las interacciones importantes podra, desde luego, correrse la fraccin alterna, para lo
cual se requeriran otros ocho ensayos. Entonces las 16 corridas podran usarse para estimar los efectos
principales y las interacciones de dos factores.
Es posible separar los alias deAB y CD en un nmero de ensayos adicionales menor que ocho. Supon-
ga que quiere ajustarse el modelo
Y= /30 +/31X +/32X2 +/33x3 +/34x4 +/312Xx2 +/334x3x4 +e

408 CAPTIJLO 10 AJUSTEDE MODELOSDE REGRESIN
dondex..x.,, y X4 son las variables codificadas que representan aA, B, Cy D. Utilizando el diseo de la ta-
bla 8-3, la matriz X de este modelo es
Xl X2 X3 X4 X:tX2 X~4
1 -1 -1 -1 -1 1 1
1 1 -1 -1 1 -1 -1
1 -1 1 -1 1 -1 -1
1 1 1 -1 -1 1 1
X= 1 -1 -1 1 1 1 1
1 1 -1 1 -1 -1 -1
1 -1 1 1 -1 -1 -1
1 1 1 1 1 1 1
donde se han anotado las variables arriba de las columnas a fin de facilitar la comprensin. Observe que la
columna r.r, es idntica a la columnaxa, (como se anticipaba, ya queAB OX:X2 es alias de CD OX~4),
lo cual implica una dependencia lineal en las columnas de X. Por lo tanto, no pueden estimarse tanto f312
comof334en el modelo. Sin embargo, suponga que se agrega la corrida nica Xl = -1,x2 = -1,x3 = -1 YX4 =
1 de la fraccin alterna a las ocho corridas originales. Entonces la matriz X del modelo queda como
Xl X2 X3 X4 X:X2 X~4
1 -1 -1 -1 -1 1 1
1 1 -1 -1 1 -1 -1
1 -1 1 -1 1 -1 -1
1 1 1 -1 -1 1 1
X= 1 -1 -1 1 1 1 1
1 1 -1 1 -1 -1 -1
1 -1 1 1 -1 -1 -1
1 1 1 1 1 1 1
1 -1 -1 -1 1 1 -1
Observe que ahora las columnas X:tX2 YX~4 ya no son idnticas, y el modelo puede ajustarse incluyendo a
las dos nteraccones r.r, (AB) y X~4 (CD). Las magnitudes de los coeficientes de regresin brindarn in-
formacin respecto a cules son las interacciones importantes.
Aun cuando al agregar una sola corrida se separarn los alias de las interaccionesAB y CD, este enfo-
que tiene una desventaja. Suponga que existe un efecto de tiempo (o un efecto de bloque) entre las ocho
primeras corridas y la ltima corrida que se agreg arriba. Al agregarse una columna a la matriz X para los
bloques, se obtiene lo siguiente:
Xl X2 X3 X4 X:tX2 X~4 bloques

1 -1 -1 -1 -1 1 1 -1
1 1 -1 -1 1 -1 -1 -1
1 -1 1 -1 1 -1 -1 -1
l' 1 1 -1 -1 1 1 -1
X= 1 -1 -1 1 1 1 1 -1
1 1 -1 1 -1 -1 -1 -1
1 -1 1 1 -1 -1 -1 -1
1 1 1 1 1 1 1 -1
1 -1 -1 -1 1 1 -1 1
10-4 PRUEBA DE HIPTESIS EN LA REGRESIN MLTIPLE 409
Se ha supuesto que el factor del bloque estaba en el nivel bajo o "_,, durante las ocho primeras corridas, y
en el nivel alto o "+" durante la novena corrida. Es sencillo ver que la suma de los productos cruzados de
cada columna con la columna del bloque no es cero, 10 cual significa que los bloques han dejado de ser or-
togonales para los tratamientos, o que el efecto del bloque afecta ahora a las estimaciones de los coefi-
cientes de regresin del modelo. Para conseguir la ortogonalidad de los bloques, debe agregarse un
nmero par de corridas. Por ejemplo, con las cuatro corridas
Xl Xz X3 x4
-1 -1 -1 1
1 -1 -1 -1
-1 1 1 1
1 1 1 -1
se separarn los alas deAB de CD y permitirn que los bloques sean ortogonales (esto puede verse desa-
rrollando la matriz X como se hizo anteriormente).
En general, suele ser directo el examen de la matriz X del modelo reducido que se obtiene de un dise-
o factorial fraccionado, as como la determinacin de cules son las corridas que habrn de aumentarse
en el diseo original para separar los alias de las interacciones de inters potencial. Adems, el impacto de
las estrategias especficas para aumentar el diseo puede evaluarse utilizando los resultados generales
de los modelos de regresin que se presentan ms adelante en este captulo. Se cuenta tambin con mto-
dos basados en computadora para construir diseos que pueden ser tiles en el aumento del diseo para
separar los alias de los efectos. Estos diseos generados por computadora se revisarn en el captulo si-
guiente.
10..4 PRUEBA DE HIPTESIS EN LA REGRESIN MLTIPLE
En los problemas de regresin lineal mltiple, ciertas pruebas de hiptesis acerca de los parmetros del
modelo son una ayuda para medir la utilidad del modelo. En esta seccin se describen varios procedi-
mientos de prueba de hiptesis importantes. Estos procedimientos requieren que los errores ti del mode-
lo sigan una distribucin normal e independiente con media cero y varianza er, lo cual se abrevia
e - NID(O, er). Como resultado de este supuesto, las observaciones Yi tienen una distribucin normal e in-
dependiente con media Po + };,~~Axij y varianza o'.
10..4.1 Prueba de significacin de la regresin

La prueba de significacin de la regresin es un procedimiento para determinar si existe una relacin li-
neal entre la variable de respuesta Y y un subconjunto de los regresoresxc.e-, ...,Xk Las hiptesis apropia-
das son
(10-20)
para al menos una j
El rechazo de H de la ecuacin 10-20 implica que al menos uno de los regresoresx-.a-, ""Xk contribuye de
manera significativa al modelo. El procedimiento de prueba incluye un anlisis de varianza en el que se
410 CAPTULO 10 AJUSTEDEMODELOSDEREGRESIN
hace la particin de la suma de cuadrados total SST en una suma de cuadrados debida al modelo (o a la re-
gresin) y una suma de cuadrados debida a los residuales (o al error), es decir,
(10-21)
Ahora bien, si la hiptesis nula HO:,81=,82 = ... =,8k = Oes verdadera, entonces SSR/cr se distribuye como
X;, donde el nmero de grados de libertad para X2 es igual al nmero de regresores del modelo. Asimis-
mo, puede demostrarse que SSE/cr se distribuye como X~-k-l y que SSEy SSRson independientes. El pro-
cedimiento de prueba para HO:,81 = ,82 = ... =,8k = O consiste en calcular
SSR / k MSR
Fa = SS];' /(n-k-l) = MSE (10-22)
yen rechazar H si Fa excede a Fa.k,n -k-l' De manera alternativa, podra usarse el enfoque del valor P para
la prueba de hiptesis y, por 10 tanto, rechazar H si el valor P del estadstico Fa es menor que a. Por lo ge-
neral la prueba se resume en una tabla del anlisis de varianza como la tabla 10-6.
Es sencillo encontrar una frmula para calcular SSR' EIi la ecuacin 10-16 se estableci una frmula
para calcular SSE; es decir,
SSE = y'y- jJ'X'y
Ahora bien, puesto que SSr = ~7~l Yi2 - (~7~l Yi)2 / n = y'y - (~7~l Yi )2 / n, la ecuacin anterior puede
reescribirse como
SSE = y'y
_ (~
n
y; r iJ'X'y- (~ y,
n
r
o
Por 10 tanto, la suma de cuadrados de regresin es
! Yi)2
(
SS =jJ'X'y_....:..;_j~;;_l_-'--
R n (10-23)
mientras la suma de cuadrados del error es

SSE = y'y- jJ'X'y (10-24)
Tabla 10-6 Anlisis de varianza de la significacinde la regresin en una regresin mltiple

Fuente de variacin Suma de cuadrados Grados de libertad Cuadrado medio
Regresin k
Error o residual n-k-1
Total n-1
10-4 PRUEBA DE HIPTESIS EN lA REGRESIN MLTIPLE 411
y la suma de cuadrados total es
! y)2
(
SSr = y'y_ ...:..::..;;1=.:,.1_..:...,_ (10-25)
n
Estos clculos casi siempre se realizan con software de regresin. Por ejemplo, en la tabla 104 se
muestra una parte de la salida de Minitab para el modelo de regresin de la viscosidad del ejemplo 10-1.
La seccin superior de esta presentacin es el anlisis de varianza del modelo. La prueba de significacin
de la regresin en este ejemplo incluye las hiptesis
HO:Pl=PZ=O
para al menos una j
El valor P de la tabla 10-4 para el estadstico F (ecuacin 10-22) es muy pequeo, por lo que se concluira
que al menos una de las dos variables -la temperatura (Xl) y la velocidad de alimentacin (xz)- tiene un
coeficiente de regresin diferente de cero.
En la tabla 10-4 se presenta tambin el coeficiente de determinacin mltiple RZ, donde
2 SSR SSE
R = SS = 1- SS (10-26)
T T
Como en los experimentos diseados, R2 es una medida de la cantidad de reduccin en la variabilidad de y

que se obtiene al utilizar las variables de regresinx,x2' ""Xk en el modelo. Sin embargo, como se seal
antes, un valor grande de R2 no implica necesariamente que el modelo de regresin sea adecuado. Siem-
pre que se agregue una variable al modelo, R2 se incrementar, independientemente de que la variable
adicional sea estadsticamente significativa o no. Por lo tanto, es posible que los modelos que tienen valo-
res grandes de RZ produzcan predicciones pobres de nuevas observaciones o estimaciones pobres de la
respuesta media.
Puesto que R2 siempre se incrementa cuando se agregan trminos al modelo, algunos constructores
de modelos de regresin prefieren usar el estadstico lf ajustada definido como
R2 =1- SSEI(n-p)=1_(n-1 \1-R2) (10-27)

ajustada SST I (n-1) n- p f
En general, el estadstico R2 ajustada no siempre se incrementar cuando se agreguen variables al mode-
lo. De hecho, si se agregan trminos innecesarios, el valor de R~u.tad. se decrementar con frecuencia.
Por ejemplo, considere el modelo de regresin de la viscosidad. La RZ ajustada para el modelo se
muestra en la tabla 10-4. Se calcula como
2
Raju.tada = 1- (n-l)
--
n-p
(1- R 2 )
= 1-G~)(1-0.92697)
= 0.915735
que est muy cerca de la R2 ordinaria. Cuando la diferencia entre R2 y R~ustada es considerable, existe un
buen riesgo de que se hayan incluido en el modelo trminos no significativos.
412 CAPTIJLO 10 AJUSTE DE MODELOS DE REGRESIN
10..4.2 Pruebas de los coeficientes de regresin individuales

y de grupos de coeficientes
Muchas veces el inters se centra en probar hiptesis sobre los coeficientes de regresin individuales.
Estas pruebas seran tiles para determinar el valor de cada uno de los regresores del modelo de regre-
sin. Por ejemplo, el modelo podra ser ms eficaz con la inclusin de variables adicionales o quiz con la
eliminacin de una o ms de las variables que estn ya en el modelo.
Agregar una variable al modelo de regresin ocasiona siempre que la suma de cuadrados de regre-
sin se incremente y que la suma de cuadrados del error se decremente. Es necesario decidir si el incre-
mento de la suma de cuadrados de regresin es suficiente para garantizar el uso de la variable adicional
en el modelo. Adems, agregar una variable no importante al modelo en realidad puede incrementar el
cuadrado medio del error, reducindose as la utilidad del modelo.
Las hiptesis para probar la significacin de cualquier coeficiente de regresin individual, por ejem-
plo {3j, son .
Ho:{3j=O
, O
SiHo:f3j = O no se rechaza, entonces esto indica quexj puede eliminarse del modelo. El estadstico de prue-
ba para esta hiptesis es
t = P} (10-28)
o ~a2Cii
P
donde Cjj es el elemento de la diagonal de (X'Xt1 correspondiente a j' La hiptesis nula Ho:f3j = Ose re-
chaza si Ito I > ta/2 n-k-l' Observe que se trata en realidad de una prueba parcial o marginal, ya que el coefi-
P
ciente de regresin j depende de todos los dems regreso res Xi (i ,.t j) que estn en el modelo.
Al denominador d~ la ecuacin 10-28, ~a2Cjj' se le llama con frecuencia error estndar (se) del coe-
ficiente de regresin f3 j' Es decir,
(10-29)
Por 10 tanto, una manera equivalente de escribir el estadstico de prueba de la ecuacin 10-28 es
{Jj
to = -~- (10-30)
se(f3 j )
La mayora de los programas de computadora de regresin proporcionan la prueba t para cada par-
metro del modelo. Por ejemplo, considere la tabla 10-4, la cual contiene la salida de Minitab para el ejem-
plo 10-1. En la seccin superior de esta tabla se da la estimacin de mnimos cuadrados de cada
parmetro, el error estndar, el estadstico t y el valor P correspondiente. Se concluira que ambas varia-
bles, la temperatura y la velocidad de alimentacin, contribuyen de manera significativa en el modelo.
Tambin puede examinarse directamente la contribucin de una variable particular, por ejemplox., a
la suma de cuadrados de regresin, dado que otrasz, variables (i :; j) estn incluidas en el modelo. El pro-
cedimiento para hacer esto es la prueba general de la significacin de la regresin o, como se denomina
con frecuencia, el mtodo de suma de cuadrados extra. Este procedimiento tambin puede usarse para
investigar la contribucin de un subconjunto de los regresares al modelo. Considere el modelo de regre-
sin con k regresares:
y = X{J+E
10-4 PRUEBA DE HIPTESIS EN LA REGRESIN MLTIPLE 413
donde y es (n x I), X es (n x p ),fl es (p xl), B.es (n xl) YP = k + 1. Querra determinarse si el subcon-
junto de regresores XI' x2, "" x, (r < k) contribuye significativamente al modelo de regresin. Sea que se
haga la particin del vector de los coeficientes de regresin de la siguiente manera:
fl=~J
donde fll es (r X 1) Yfl2 es [(p - r) x 1]. Quieren probarse las hiptesis

Ho:fl = O (10-31)
HI:fll ;t: O
El modelo puede escribirse como

(10-32)
donde XI representa las columnas de X asociadas con fll y X2representa las columnas de X asociadas
con fl2'
p
Para el modelo completo (incluyendo tanto afll como afl2) se sabe que = (X'XrIX'y. Adems, la
suma de cuadrados de regresin para todas las variables incluyendo la ordenada al origen es
SSR(fl) = iJ'X'y (p grados de libertad)
y
MS :; y'y-jJX'y
E n- p
A SSR(/J) se le llama la suma de cuadrados de regresin debida afl. Para encontrar la contribucin de los
trminos enfl! a la regresin, se ajusta el modelo suponiendo que la hiptesis nula HO:Pl :; O es verdadera.
El modelo reducido se encuentra a partir de la ecuacin 10-32 con fll O: =
y = X2fl2 +8 (10-33)
El estimador de mnimos cuadrados de fl2 es P2 = (X' 2X2t1X' 21,y

SSRCfl2)= P;X;y (p - r grados de libertad) (10-34)
La suma de cuadrados de regresin debida a fll dado que fl2 est ya en el modelo es
SSR(fJ1Iflz) = SSR (fJ)- SSR (fJ2) (10-35)
Esta suma de cuadrados tiene r grados de libertad. Es la "suma de cuadrados extra" debida afll' Observe
que SSR(fJllfl2) es el incremento en la suma de cuadrados de regresin debido a la inclusin de las varia-
bles Xl> X2' , X, en el modelo.
Ahora bien, SSR(flllfl2) es independiente de MSE, y la hiptesis nulafll =
O puede probarse con el es-
tadstico
(10-36)
SiFo > Fa",n-p, se rechazaHo,yse concluye que al menos uno de los parmetros enfll es diferente de cero
y, por consiguiente, al menos una de las variablesx,x2' .,.,X, en Xl contribuye significativamente al modelo
de regresin. Algunos autores llaman a la prueba de la ecuacin 10-36 la prueba F parcial.
414 CAPTULo 10 AJUSTE DE MODELOS DE REGRESIN
La pruebaF parcial es muy til. Puede usarse para medir la contribucin de r, como si fuera la ltima
variable que se agreg al modelo, calculando
SSR(PjIPo, Pi' ... , Pj-l' (Jj+l' ... , Pk)

ste es el incremento en la suma de cuadrados de regresin debido a que se agregaxj a un modelo que ya
contiene a r., ...,xj_loxj + lo ""Xk' Observe que la pruebaF parcial de una sola variable z, es equivalente a la
prueba t de la ecuacin 10-28. Sin embargo, la prueba F parcial es un procedimiento ms general por
cuanto puede medir el efecto de conjuntos de variables.
EJEMPLO 10..6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Considere los datos de la viscosidad del ejemplo 10-1. Suponga que se quiere investigar la contribucin de
la varablez, (velocidad de alimentacin) al modelo. Es decir, las hiptesis que quieren probarse son
HO:{J2=0
H:{Jz -:I:. O
Esto requerir la suma de cuadrados extra debida a 132' o
SS R({J21(Ji' (Jo) = SS R o; PI' (Jz)- SS R(Po, PI)
= SSR(PI' (J21(Jo) - SSR ({Jzl (Jo)
Entonces, por la tabla 10-4, donde se prob la significacin de la regresin, se tiene
SS R (PI' {Jzl (J o) = 44,157.1
a la que se llam en la tabla la suma de cuadrados del modelo. Esta suma de cuadrados tiene dos grados
de libertad.
El modelo reducido es
y= Po + {J1X +E
El ajuste de mnimos cuadrados de este modelo es
y= 1652.3955+ 7.6397x
y la suma de cuadrados de regresin para este modelo (con un grado de libertad) es
SSR(Pll Po) = 40,840.8
Observe que SSR(/31IPo) se muestra en la parte inferior de la salida de Minitab de la tabla 10-4 bajo el en-
cabezado "Seq SS". Por lo tanto,
SSRep2IPo, p)= 44,157.1-40,840.8
= 3316.3
con 2 -1 = 1grado de libertad. ste es el incremento en la suma de cuadrados de regresin que resulta de
agregar Xz a un modelo que contena ya a r., y se muestra en la parte inferior de la salida de Minitab en la
tabla 10-4. Para probar Ho:{Jz =
O, por el estadstico de prueba se obtiene
F. = SSR(P2IfJo' fJ)!1 = 3316.3/1 = 12.3926
o MSE 267.604
Observe que en el denominador deFo se usaMSE del modelo completo (tabla 10-4). Entonces, puesto que
Fo.os,1, 13 = 1.67, se rechazara Ho:Pz = O Yse concluira quex, (velocidad de alimentacin) contribuye signi-
ficativamente al modelo.
10-5 INTERVALOS DE CONFIANZA EN REGRESIONES MLTIPLES 415
Debido a que esta prueba F parcial incluye un solo regresor, es equivalente a la prueba t porque el
cuadrado de una variable aleatoria t con v grados de libertad es una variable aleatoria F con 1 y v grados
de libertad. Para ver esto, observe, por la tabla 10-4, que el estadstico t para Ho:f3z = Odio como resultado
to =
3.5203 Y que (3.5203)2 12.3925 =' Fo. t; = =
111 111 111 111 111 111 111 111 111 111 111 111 111
10..5 INTERVALOS DE CONFIANZA EN REGRESIONES MLTIPLES
Con frecuencia es necesario construir estimaciones de intervalos de confianza para los coeficientes de re-
gresin {/J) y para otras cantidades de inters del modelo de regresin. El desarrollo de un procedimien-
to para obtener estos intervalos de confianza requiere suponer que los errores {Ej} tienen una
distribucin normal e independiente con media cero y varianza 02, el mismo supuesto que se estableci en
la seccin sobre la prueba de hiptesis de la seccin 10-4.
10..S.1 Intervalos de confianza para los coeficientes de regresin individuales

Puesto que el estimador de mnimos cuadrados /J es una combinacin lineal de las observaciones, se sigue
que /J tiene una distribucin normal con vector medio fJ y matriz de covarianza UZ(X'Xr1 Entonces cada
uno de los estadsticos
{Jj-Pi
i= 0,1, ... , k
~(}2Cjj
se distribuye como t con n - p grados de libertad, donde Cjj es el elemento (jj)-simo de la matriz (X'Xr1, y
(}2 es la estimacin de la varianza del error, obtenida con la ecuacin 10-17. Por lo tanto, un intervalo de
confianza de 100(1-a) por ciento para el coeficiente de regresin PI' j O, 1, ..., k, es =
Pi -taI2.n_p~(}2CJ/ ~Pj SPj +ta/2.n_p~2Cjj (10-38)
Observe que este intervalo de confianza tambin podra escribirse como
Pi -taI2,n_pSe({Jj )SPj SPi +tal2.n_pse(Pj)
~LO 10~7 111 111 111 111 111 111 111 111 111 111
Se construir un intervalo de confianza de 95% para el parmetro PI del ejemplo 10-1. Ahora bien, {JI =
7.62129, y puesto que 2 = 267.604 Y Cn 1.429184 X 10-3, se encuentra que =
,-;;r;;- <
PI-tO.025,13V(} Cn -PI
A A ~
sPI +tO.02513VU Cn
7.62129- 216~(267.604)(1.429184XlO-3) s PI
S 7.62129+2.16~(267.604)(1.429184X10-3)
7.62129- 216(0.6184) s PI S 7.62129+ 2.16(0.6184)
Y el intervalo de confianza de 95% para PI es
6.2855 s PI s 8.9570
*' 111 111 " *' " *'
416 CAPtruLO 10 AJUSTE DE MODELOS DE REGRESIN
10..5.2 Intervalo de confianzapara la respuestamedia

Tambin puede obtenerse un intervalo de confianza para la respuesta media en un punto particular, por
ejemplo, X01, X02, "" XOk' Se define primero el vector
1
xOl
xo = x02
La respuesta media en este punto es

.u yl"o = {Jo + {JIX01 + {JZX02 + ". +fJ kXOk = x~fJ
La respuesta media estimada en este punto es
5(xo) = x~fl (10-39
Este estimador es insesgado, ya que E15(xo)] = E(x~iJ) = x~fJ= .u ylxo' Y la varianza de Y(Xo) es
V[5(xo)] = a2x~(X'Xrlxo (10-40)
Por lo tanto, un intervalo de confianza de 100(1- a) por ciento para la respuesta media en el punto XO' X02,
... , XOk es
(10-41)
10..6 PREDICCIN DE NUEVAS OBSERVACIONESDE LA RESPUESTA
Es posible usar un modelo de regresin para predecir observaciones futuras de la respuesta y que corres-
ponden a valores particulares de los regresores, por ejemploxo1,xo2, ... ,XOk;' Si x'o= [1,xOl,xo2, ... ,xOk), enton-
ces una estimacin puntual de la observacin futura Yoen el punto X01, X02> ... , XOk se calcula con la ecuacin
10-39:
5(xo) = x~iJ
Un intervalo de prediccin de 100(1-a) por ciento para esta observacin futura es
5(xo)- ta/2,n_p ~'2 (1 +x~ (X'Xr1xo) :os; Yo
(10-42)
s 5(xo )+ta/2,n-p ~'2 (1+x~ (X'Xr1xo)
Cuando se predicen nuevas observaciones y se estima la respuesta media en un punto dado Xo, X02, , .. ,
xOk;, es necesario tener cuidado para no hacer una extrapolacin fuera de la regin que contiene las obser-
vaciones originales. Es muy posible que un modelo que se ajuste bien en la regin de los datos originales
deje de hacerlo fuera de esa regin,
10..7 DIAGNSTICOS DEL MODELO DE REGRESIN
Como se destac en los experimentos diseados, la verificacin de la adecuacin del modelo es una parte
importante en el procedimiento del anlisis de datos. Es de igual importancia en la construccin de mo-
delos de regresin y, como se ilustr en el ejemplo 10-1, en un modelo de regresin debern examinarse
10-7 DIAGNSTICOS DEL MODELO DE REGRESIN 417
siempre las grficas de los residuales que se usaron en los experimentos diseados. En general, siempre
es necesario: 1) examinar el modelo ajustado para asegurarse de que proporciona una aproximacin ade-
cuada del verdadero sistema y 2) verificar que no se infringe ninguno de los supuestos de la regresin de
mnimos cuadrados. El modelo de regresin probablemente producir resultados pobres o equivocados a
menos que sea un ajuste adecuado.
Adems de las grficas de los residuales, existen otros diagnsticos del modelo que con frecuencia
son tiles en la regresin. En esta seccin se presenta un breve resumen de estos procedimientos. Para
anlisis ms completos, ver Montgomery y Peck [82] y Myers [84].
10..7.1 Residuales escalados y PRESS

Residuales estandarizados y studentizados
Muchos constructores de modelos prefieren trabajar con residuales escalados en lugar de los residuales
de mnimos cuadrados ordinarios. Estos residuales escalados transmiten con frecuencia ms informacin
que los residuales ordinarios.
Un tipo de residual escalado es el residual estandarizado:
e
d. i=l,2, ...,n (10-43)
, =.....!...a
.J
donde por 10 general se usa = MS E en los clculos. Estos residuales estandarizados tienen media cero
y varianza aproximadamente unitaria; por consiguiente, son muy tiles para buscar puntos atpicos. La
mayora de los residuales estandarizados debern localizarse en el intervalo -3 :S di :S 3, y cualquier ob-
servacin con un residual estandarizado que est fuera de este intervalo es potencialmente inusual con
respecto a su respuesta observada. Estos puntos atpicos debern examinarse con atencin, ya que pue-
den representar algo tan simple como un error al registrar los datos o algo que sea motivo de mayor preo-
cupacin, como una regin del espacio del regresor, donde el modelo ajustado es una aproximacin
pobre de la verdadera superficie de respuesta.
El proceso de estandarizacin de la ecuacin 10-43 escala los residuales al dividirlos por su desvia-
cin estndar promedio aproximada. En algunos conjuntos de datos, los residuales pueden tener desvia-
ciones estndar que difieren considerablemente. A continuacin se presenta una escalacin que toma en
consideracin esta situacin.
El vector de los valores ajustados Ji que corresponden a los valores observados Yi es
y =x{J
=X(X'X)-' X'y (10-44)
=8y
A la matriz n x n, H = X(X'X)"IX' se le llama generalmente la matriz "gorro" porque mapea el vector de
los valores observados en un vector de los valores ajustados. La matriz gorro y sus propiedades desempe-
an un papel central en el anlisis de regresin.
Los residuales del modelo ajustado pueden escribirse convenientemente en la notacin matricial
como
e = y- y
y resulta que la matriz de covarianza de los residuales es
Cov(e) = a2(I_H) (10-45)
La matriz 1 - H no es por lo general diagonal, por lo que los residuales tienen varianzas diferentes y estn
correlacionados.
Por lo tanto, la varianza del residual i-simo es

V(e)=a2(1-h)
donde hes el elemento i-simo de la diagonal de H. Puesto que O !O; hu !O; 1, al utilizar el cuadrado medio
residualMSe para estimar la varianza de los residuales en realidad se est sobreestimando V(e). Adems,
puesto que hu es una medida de localizacin del punto r-simo en el espacio x, la varianza de edepende de
dnde est el punto Xi' En general, los residuales situados cerca del centro del espacio x tienen varianzas
ms grandes que los residuales situados en lugares ms apartados. Las violaciones de los supuestos del
modelo son ms probables en los puntos remotos, y estas violaciones pueden ser difciles de detectar por
la inspeccin de e (o di) porque sus residuales sern por lo general ms pequeos.
Se recomienda tomar en consideracin esta desigualdad de la varianza cuando se escalen los residua-
les. Se sugiere graficar los residuales studentizados:
i == 1, 2, .. ., n (10-47)
con {j2 = MS E en lugar de e (o di)' Los residuales studentizados tienen varianza constante V(r;) == 1 inde-
pendientemente de la localizacin de xcuando la forma del modelo es correcta. En muchas situaciones la
varianza de los residuales se estabiliza, en particular para conjuntos de datos grandes. En estos casos pue-
de haber poca diferencia entre los residuales estandarizados y los studentizados. Por lo tanto, los residua-
les estandarizados y studentizados transmiten con frecuencia informacin equivalente. Sin embargo, ya
que cualquier punto con un residual grande y una h grande tiene una influencia potencialmente conside-
rable sobre el ajuste de mnimos cuadrados, suele recomendarse el examen de los residuales studentiza-
dos. En la tabla 10-3 se presentan las diagonales gorro h y los residuales studentizados para el modelo de
regresin de la viscosidad del ejemplo 10-1.
Residuales PRESS
La suma de cuadrados del error de prediccin (PRESS, del ingls Prediction Error Sum of Squares) pro-
porciona una til escalacin de los residuales. Para calcular la PRESS se selecciona una observacin, por
ejemplo la i. Se ajusta el modelo de regresin a las n - 1observaciones restantes y se usa esta ecuacin
para predecir la observacin que se apart Yi' Al denotar este valor predicho YU)' puede encontrarse el
error de prediccin del punto i como e(i) == Yi = YU)' Al error de prediccin suele llamrsele el residual
PRESS i-simo. Este procedimiento se repite para cada observacin i = 1, 2, ..., n, producindose un con-
junto de n residuales PRESS e(l)' e(2)' ... , e(n)' Entonces el estadstico PRESS se define como la suma de
cuadrados de los n residuales PRESS como en
n n
PRESS =~ e~l) =~ [y - YU)]2 (10-48)

1-1 ~1
Por lo tanto, la PRESS utiliza cada subconjunto posible de n -1observaciones como un conjunto de datos
de estimacin, y se utiliza una observacin a la vez para formar un conjunto de datos de prediccin.
Inicialmente, parecera que para calcular la PRESS es necesario ajustar n regresiones diferentes. Sin
embargo, la PRESS puede calcularse a partir de los resultados de un solo ajuste de mnimos cuadrados a
las n observaciones totales. Resulta que el residual PRESS z-simc es
(10-49)
Por lo tanto, ya que la PRESS es tan slo la suma de cuadrados de los residuales PRESS, una frmula de
clculo simple es
PRESS = ! (_e
i-1 1-hi
i )2 (10-50)
10-7 DIAGNSTICOS DEL MODELO DE REGRESIN 419
Por la ecuacin 10-49 es sencillo ver que el residual PRESS es slo el residual ordinario ponderado de
acuerdo con los elementos de la diagonal de la matriz gorro hjj. Los puntos de los datos para los que hu es
grande tendrn residuales PRESS grandes. Estas observaciones sern por lo general puntos de alta in-
Ouencia. En general, una diferencia grande entre el residual ordinario y los residuales PRESS indicar un
.punto donde el modelo se ajusta bien a los datos, pero un modelo construido sin dicho punto producir
predicciones pobres. En la siguiente seccin se estudiarn otras medidas de influencia.
Por ltimo, cabe sealar que la PRESS puede usarse para calcular unaR2 aproximada de prediccin,
por ejemplo
2
R Prediccin = 1-PRESS
S (10-51)
'
Este estadstico ofrece cierto indicio de la capacidad predictiva del modelo de regresin. Para el modelo
de regresin de la viscosidad del ejemplo 10-1, los residuales PRESS pueden calcularse utilizando los re-
siduales ordinarios y el valor de h encontrado en la tabla 10-3. El valor correspondiente del estadstico
PRESS es PRESS = 5207.7. Entonces
2 PRESS
RPrediccin = 1- S
'
= 1- 5207.7
47,635.9
= 0.8907
Por lo tanto, podra esperarse que este modelo "explique" cerca de 89% de la variabilidad al predecir
nuevas observaciones, en comparacin con el aproximadamente 93% de la variabilidad en los datos origi-
nales que explica el ajuste de mnimos cuadrados. La capacidad predictiva global del modelo basado en
este criterio parece ser muy satisfactoria.
R-student
Es comn considerar al residual studentizado r comentado antes como el diagnstico de un punto atpi-
co. Se acostumbra usar MS E como una estimacin de lT en el clculo de r.. Se hace referencia a este enfo-
que como la escalacin interna del residual, ya que MSE es una estimacin de lT generada internamente
que se obtiene del ajuste del modelo a las n observaciones. Otro enfoque sera usar una estimacin de el
basada en un conjunto de datos en el que se elimina la observacin z-sma. La estimacin de el as obteni-
da se denota por S~i)' Puede demostrarse que
2 _ (n-p)MSE-e; /(l-hu)
SU) - n-p-1 (10-52)
La estimacin de al de la ecuacin 10-52 se usa en lugar de MSE para producir un residual studentizado
externamente, al que es comn llamar R-student, dado por
e
t = 1 i = 1, 2, ... , n (10-53)
I ~ S~j) (1- h )
En muchas situaciones habr una ligera diferencia entre t, y el residual studentizado r.: Sin embargo,
sila observacin i-sima es influyente, entonces S ~j) puede diferir significativamente de MS E, y por lo tan-
to la R-student ser ms sensible a este punto. Adems, bajo los supuestos usuales, t tiene una distribu-
cin tn-p-l' Por lo tanto, laR-student ofrece un procedimiento ms formal para detectar puntos atpicos a
travs de la prueba de hiptesis. En la tabla 10-3 se muestran los valores de laR-student para el modelo de
regresin de la viscosidad del ejemplo 10-1. Ninguno de esos valores es inusualmente grande.
420 CAP11JLO la AJUSTE DE MODELOS DE REGRESIN
1O~7.2 Diagnsticos de influencia

En ocasiones se encuentra que un subconjunto pequeo de los datos ejerce una influencia desproporcio-
nada sobre el modelo de regresin ajustado. Es decir, las estimaciones o predicciones de los parmetros
pueden depender ms del subconjunto influyente que de la mayora de los datos. Sera conveniente loca-
lizar estos puntos influyentes y valorar su impacto en el modelo. Si estos puntos influyentes son valores
"malos", debern eliminarse. Por otra parte, quiz no haya nada malo con estos puntos. Pero si controlan
propiedades clave del modelo, sera deseable saberlo, ya que podra afectar el uso del modelo. En esta
seccin se describen e ilustran algunas medidas tiles de influencia.
Puntos de accin de palanca

La localizacin de los puntos en el espacio x es importante para determinar las propiedades del modelo. En
particular, las observaciones apartadas tienen potencialmente acciones o brazos de palanca desproporcio-
nados sobre las estimaciones de los parmetros, los valores predichos y los estadsticos de resumen usuales.
La matriz gorro H =: X(X'xt1X' es muy til para identificar las observaciones influyentes. Como ya
. se seal, H determina las varianzas y covarianzas de y y e, ya que V(y) = a2H Y V( e) = a2(I - H). Los ele-
mentos hi de H pueden interpretarse como la cantidad de accin de palanca ejercida por Yi sobre .vi'Por lo
tanto, la inspeccin de los elementos de Hpuede revelar puntos que son potencialmente influyentes en
virtud de su localizacin en el espacio x. La atencin suele centrarse en los elementos de la diagonal hu.
Puesto que L;I=l hjj = rango(H) = rango(X) = p, el tamao promedio de los elementos de la diagonal de la
matriz H espln. Como gua aproximada, entonces, si un elemento h de la diagonal es mayor que 2p/n, la
observacin i es un punto con accin de palanca alta. Para aplicar 10 anterior al modelo de la viscosidad
del ejemplo 10-1, observe que Zpln = 2(3)/16 = 0.375. En la tabla 10-3 se dan las diagonales gorro hu para
el modelo de primer orden; puesto que ninguna de las hexcede 0.375, se concluira que no hay puntos de
accin de palanca en estos datos.
Influencia sobre los coeficientes de regresin

Las diagonales gorro identificarn los puntos potencialmente influyentes debido a su localizacin en el
espaciox. Es deseable considerar la localizacin del punto y la variable de respuesta cuando se mide la in-
fluencia. Cook [32a, b] ha sugerido el uso de una medida jJ del cuadrado de la distancia entre la estima-
cin de mnimos cuadrados basada en todos los n puntos y la estimacin obtenida al eliminar el punto i,
por ejemplo jJ(i)' Esta medida de la distancia puede expresarse como
D = (Pu) - P)'X'X(jJ(i) - jJ)

, pMSE
i = 1, 2, ... , n (10-54)
Un valor de referencia razonable para D, es la unidad. Es decir, en general las observaciones para las que
Di > 1se consideran influyentes.
El estadstico Di se calcula en realidad a partir de
D = r/ V[5(x )] = r/ hjj
i =1, 2, ..., n (10-55)
, P V(e) p (l-h)
Observe que, aparte de la constante p, D es el producto del cuadrado del residual studentizado i-simo y
h/(l-hii). Puede demostrarse que este cociente es la distancia del vector X; al centroide de los datos res-
tantes. Por lo tanto, Di est compuesto por un componente que refleja la medida en que el modelo ajusta
10-8 PRUEBA DE FALTA DE AJUSTE 421
la observacin i-sima Yi y un componente que mide qu tan alejado est ese punto del resto de los datos.
Cualquiera de los componentes (o ambos) puede contribuir a un valor grande de D.
En la tabla 10-3 se muestran los valores de Di para el ajuste del modelo de regresin a los datos de la
viscosidad del ejemplo 10-1. Ninguno de estos valores de D excede 1, por lo que no hay evidencia slida
de observaciones influyentes en estos datos.
10-8 PRUEBA DE FALTA DE AJUSTE
En la seccin 6-6 se indic cmo agregar puntos centrales a un diseo factorial Z"le permite al experimen-
tador obtener una estimacin del error experimental puro. Esto permite hacer la particin de la suma de
cuadrados de los residuales SSE en dos componentes; es decir,
SSE = SSPE +SSWF
donde SSPE es la suma de cuadrados debida al error puro y SSWF es la suma de cuadrados debida a la falta
de ajuste.
Puede presentarse un desarrollo general de esta particin en el contexto de un modelo de regresin.
Suponga que se tienen n observaciones de la respuesta en el nivel i-simo de los regresores x, i = 1, 2, ...,
m. Sea queYjdenota la observacinj-sima de la respuesta enx, i = 1,2, ....m yj = 1,2, ...,ni Hay n = 1 1::
n observaciones en total. El residual (ij)-simo puede escribirse como
(10-56)
donde J es el promedio de las ni observaciones en x.Al elevar al cuadrado ambos miembros de la ecua-
cin 10-56 y hacer la operacin suma sobre i y j se obtiene
!~ (Yij_y)2=!! (Yi/-y)2+! n(y-y)2 (10-57)
El primer miembro de la ecuacin 10-57 es la suma de cuadrados de los residuales ordinaria. Los dos
componentes del segundo miembro miden el error puro y la falta de ajuste. Se observa que la suma de
cuadrados del error puro
(10-58)
se obtiene calculando la suma de cuadrados corregida de las observaciones repetidas en cada nivel de x y
haciendo despus la agrupacin en los m niveles de x. Si se satisface el supuesto de la varianza constante,
sta es una medida independiente del modelo del error puro, ya que para calcular SSPE slo se usa la varia-
bilidad de las y en cada nivel x.Puesto que hay n, - 1 grados de libertad del error puro en cada nivel x, el
nmero total de grados de libertad asociados con la suma de cuadrados del error puro es
!
~l
(n-I)=n-m (10-59)
La suma de cuadrados de la falta de ajuste
SSWF = !
;'""1
nU - y)2 (10-60)
422 CAP1lJLO 10 AJUSTE DE MODELOS DE REGRESIN
es una suma ponderada de los cuadrados de las desviaciones entre la respuesta media Ji en cada nivel X y
el valor ajustado correspondiente. Si los valores ajustados Ji estn cerca de las respuestas promedio Ji co-
rrespondientes, entonces hay un fuerte indicio de que la funcin de regresin es lineal. Si las Ji se desvan
mucho de las Ji' entonces es probable que la funcin de regresin no sea lineal. Hay m - p grados de liber-
tad asociados con SSWF porque hay m niveles de x, y se pierdenp grados de libertad porque deben esti-
marse p parmetros para el modelo. En lo que a los clculos se refiere, por lo general SSWF se obtiene
restando SSPE de SSE'
El estadstico de prueba para la falta de ajuste es
SSWF I(m- p) MSwp
F
o
= SSPE I(n-m)
=
MS pE
(10-61)
El valor esperado de MS PE es er, y el valor esperado de MS LOF es
(10-62)
Si la verdadera funcin de regresin es lineal, entonces E(Yi) = Po +l:~_IPxij' y el segundo trmino de la

ecuacin 10-62 es cero, dando como resultadoE(MSLOF) = al. Sin embargo, si la verdadera funcin de re-
gresin no es lineal, entonces E(Yi):;o!: Po +l:~_IPJXIj y E(MSLOF) > 02. Adems, si la verdadera funcin de
regresin es lineal, entonces el estadstico Fo sigue la distribucinF m-p,n-m' Por lo tanto, para probar la falta
de ajuste, se calculara el estadstico de prueba Fo y se concluira que la funcin de regresin no es lineal si
F > Fa, m-p.n-m:
Es sencillo incorporar este procedimiento de prueba en el anlisis de varianza. Si se concluye que la
funcin de regresin no es lineal, entonces el modelo tentativo habr de abandonarse y debern hacerse
intentos para encontrar una ecuacin ms apropiada. De manera alternativa, si Fa no excede Fa. m"1',n-m' no
existe evidencia slida de falta de ajuste y MSPE y MSWF se combinan con frecuencia para estimar 02. El
ejemplo 6-6 es una ilustracin muy completa de este procedimiento, donde las rplicas de las corridas son
puntos centrales de un diseo factorial 22
109 PROBLEMAS
10-1. La resistencia a la tensin de un producto de papel se relaciona con la cantidad de madera dura en la pulpa.
Se producen 10 muestras en la planta piloto y los datos obtenidos se presentan en la siguiente tabla.
Resistencia Porcentaje de madera dura Resistencia Porcentaje de madera dura

160 10 1,81 20
171 15 188 25
175 15 193 25
182 20 195 28
184 20 200 30
a) Ajustar un modelo de regresin lineal que relacione la resistencia con el porcentaje de madera dura.
b) Probar el modelo del inciso a para la significacin de la regresin.
e) Encontrar un intervalo de confianza de 95% para el parmetro (31'
10-2. En una planta se destila aire lquido para producir oxgeno, nitrgeno y argn. Se piensa que el porcentaje de
impurezas en el oxgeno se relaciona linealmente con la cantidad de impurezas en el aire, medida por el
10-9 PROBLEMAS 423
"conteo de contaminacin" en partes por milln (ppm). Una muestra de los datos de operacin de la planta
se presenta a continuacin:
Pureza (%) 93.3 92.0 92.4 91.7 94.0 94.6 93.6

Conteo de contaminacin(ppm) 1.10 1.45 1.36 1.59 1.08 0.75 1.20
93.1 93.2 92.9 92.2 91.3 90.1 91.6 91.9
0.99 0.83 1.22 1.47 1.81 2.03 1.75 1.68
a) Ajustar un modelo de regresin lineal a los datos.

b) Probar la significacinde la regresin.
e) Encontrar un intervalo de confianza de 95% para (JI'
10-3. Graficar los residuales del problema 10-1 y comentar la adecuacin del modelo.
10-4. Graficar los residuales del problema 10-2 y comentar la adecuacin del modelo.
10-5. Utilizando los resultados del problema 10-1,probar el modelo de regresin para la falta de ajuste.
10-6. Se realiz un estudio sobre el desgastey de un cojinete y su relacin con XI = viscosidaddel aceitey X2 = car-
ga. Se obtuvieron los siguientes datos.
y XI Xz
193 1.6 851
230 15.5 816
172 22.0 1058
91 43.0 1201
113 33.0 1357
125 40.0 1115
a) Ajustar un modelo de regresin lineal mltiple a los datos.

b) Probar la significacinde la regresin.
e) Calcular el estadstico t para cada parmetro del modelo. Qu conclusiones pueden sacarse?
10-7. Se piensa que la potencia al freno desarrollada por el motor de un automvilen un dinammetro es una fun-
cin de la rapidez del motor en revolucionespor minuto (rpm), el octanaje del combustibley la compresin
del motor. Se llev a cabo un experimento en el laboratorio y los datos colectados fueron:
Potencia al freno rpm Octanaje Compresin

225 2000 90 100
212 1800 94 95
229 2400 88 110
222 1900 91 96
219 1600 86 100
278 2500 96 110
246 3000 94 98
237 3200 90 100
233 2800 88 105
224 3400 86 97
223 1800 90 100
230 2500 89 104
a) Ajustar un modelo de regresin mltiple a estos datos.

b) Probar la significacin de la regresin. Qu conclusiones pueden sacarse?
e) Con base en las pruebas t, son necesarios los tres regresores en el modelo?
10-8. Analizar los residuales del modelo de regresin del problema 10-7. Comentar la adecuacin del modelo.
10-9. El rendimiento de un proceso qumico se relaciona con la concentracin del reactivo y la temperatura de
operacin. Se realiza un experimento con los siguientes resultados:
Rendimiento Concentracin Temperatura

81 1.00 150
89 . 1.00 180
83 2.00 150
91 2.00 180
79 1.00 150
87 1.00 180
84 2.00 150
90 2.00 180
a) Suponga que quiere ajustarse un modelo de los efectos principales a estos datos. Establecer la matriz
X'X utilizando los datos exactamente eomo aparecen en la tabla.
b) La matriz que se obtuvo en el inciso a es diagonal? Comentar la respuesta.
e) Suponga que el modelo se escribe en trminos de las variables codificadas "usuales"
Concentracin -1.5 Temperatura -165

x =--------
1 0.5
x2 = 15
Establecer la matriz X'X para el modelo en trminos de estas variables codificadas. Esta matriz es dia-
gonal? Comentar la respuesta.
d) Definir un nuevo conjunto de variables codificadas
Concentracin -1.0 Temperatura - 150

Xl = 1.O x2 = 30
Establecer la matriz X'X para el modelo en trminos de este conjunto de variables codificadas. Esta
matriz es diagonal? Comentar la respuesta.
e) Resumir lo que se haya aprendido acerca de la codificacin de variables con este problema.
10-10. Considere el experimento factorial 24 del ejemplo 6-2. Suponga que falta la ltima observacin. Volver a ana-
lizar los datos y sacar conclusiones. Cmo se comparan estas conclusiones con las del ejemplo original?
10-11. Considere el experimento factorial 24 del ejemplo 6-2. Suponga que faltan las dos ltimas observaciones.
Volver a analizar los datos y sacar conclusiones. Cul es el resultado de la comparacin de estas conclusio-
nes con las del ejemplo original?
10-12. Dados los datos siguientes, ajustar el modelo de regresin polinomial de segundo orden
10-9 PROBLEMAS 425
y Xl x2
26 1.0 1.0
24 1.0 1.0
175 1.5 4.0
160 1.5 4.0
163 1.5 4.0
55 0.5 2.0
62 1.5 2.0
100 0.5 3.0
26 1.0 1.5
30 0.5 1.5
70 1.0 2.5
71 1.5 2.5
Despus de que se haya ajustado el modelo, probar la significacin de la regresin.

10-13. a) Considere el modelo de regresin cuadrtico del problema 10-12. Calcular los estadsticos t de cada uno
de los parmetros del modelo y comentar las conclusiones a que se llega a partir de estas cantidades.
b) Usar el mtodo de la suma de cuadrados extra para evaluar el valor de los trminos cuadrticos X2, xi y
XX2 del modelo.
10-14. Relaci6n entre el alUlisis de varianza y el alUlisis de regresin. Cualquier modelo del anlisis de varianza puede
expresarse en trminos del modelo lineal general y = xfJ + B, donde la matriz X se compone de ceros y unos.
Demostrar que el modelo con un solo factory, =f.l + Ti + f.i,i == 1,2, 3,j = 1,2,3, 4 puede escribirse en la for-
ma del modelo lineal general. Despus
a) Escribir las ecuaciones normales (X'X)/J == X'y y compararlas con las ecuaciones normales que se encon-
traron en el captulo 3 para este modelo.
b) Encontrar el rango de X'X. Es posible obtener (X'X)-l?
e) Suponga que se elimina la primera ecuacin normal y se agrega la restriccin ~;-l
ni i = O.Tiene solu-
cin el sistema de ecuaciones resultante? De ser as, encontrarla. Hallar la suma de cuadrados de regre-
sin{JX'yy compararla con la suma de cuadrados de los tratamientos del modelo con un solo factor.
10-15. Suponga que se est haciendo el ajuste de una lnea recta y se desea hacer la varianza de PI tan pequea como
sea posible. Al trabajar con la restriccin de un nmero par de puntos experimentales, dnde debern colo-
carse estos puntos para minimizar V(p)? (Nota: usar el diseo que se pide en este ejercicio con sumo cuida-
do, ya que, aun cuando minimiza V(p), tiene propiedades indeseables; ver, por ejemplo, Myers y
Montgomery [85a). nicamente si se tiene una gran seguridad de que la verdadera relacin funcional es li-
neal deber considerarse el uso de este diseo.)
10-16. Minimos cuadradosponderados. Suponga que se est ajustando la lnea recta y == Po + px + e, pero la varianza
de las y depende ahora del nivel de x; es decir,
a2
V(ylx)=a2=- 1 l wi i=l,2, ...,n
donde las w. son constantes desconocidas, llamadas con frecuencia ponderaciones. Demostrar que si se eli-
gen las estimaciones de los coeficientes de regresin para minimizar la suma de cuadrados de los errores
ponderados dada por i~iw (y
i i - 13 o - {J, Xi )2, las ecuaciones normales de mnimos cuadrados resultantes son
n n n
.8oL w+.81L
i=l
WXi =L Wy
n n n
.80L WX +.81L i=l

WX; :: L WX Yi
10-17. Considere el diseo 2~1 analizado en el ejemplo 10-5.

a) Suponga que se opta por aumentar el diseo con la corrida nica seleccionada en ese ejemplo. Encontrar
las varianzas y las covarianzas de los coeficientes de regresin del modelo (ignorando los bloques):
Y= Po +f31Xl +P2X2 +P3X3 +f34X4
+f312XIX2 +P34X3X4 +e
b) Hay otras corridas de la fraccin alterna que separaran los alias AB de eD?
e) Suponga que el diseo se aumenta con las cuatro corridas sugeridas en el ejemplo 10-5. Encontrar las va-
rianzas y las covarianzas de los coeficientes de regresin (ignorando los bloques) para el modelo del
inciso a.
d) Considerando los incisos a y e, qu estrategia de aumento se preferira y por qu?
10-18. Considere un diseo 2~~4.Suponga que despus de correr el experimento, los efectos observados ms gran-
des sonA + BD, B + AD YD + AB. Quiere aumentarse el diseo original con un grupo de cuatro corridas
para separar los alias de estos efectos.
a) Cules son las cuatro corridas que se haran?
b) Encontrar las varianzas y las covarianzas de los coeficientes de regresin del modelo
y= Po +f31xl +P2X2 +P4X4 +f312xlx2 +f314XIX4
+f324X2X4 +e
e) Es posible separar los alias de estos efectos con menos de cuatro corridas adicionales?
Mtodos de superficies
de respuesta y otros
enfoques para la
optimizacin de
procesos
11..1 INTRODUCCIN A LA METODOLOGA DE SUPERFICIES DE RESPUESTA
La metodologa de superficies de respuesta, o MSR, es una coleccin de tcnicas matemticas y estadsti-

cas tiles en el modelado y el anlisis de problemas en los que una respuesta de inters recibe la influencia
de diversas variables y donde el objetivo es optimizar esta respuesta. Por ejemplo, suponga que un nge-
niero qumico quiere encontrar los niveles de temperatura (Xl)y presin (X2) que maximicen el rendimien-
to (y) de un proceso. El rendimiento del proceso es una funcin de los niveles de la temperatura y la
presin, por ejemplo,
y= (xl' x2 )+E
donde E representa el ruido o error observado en la respuestay. Si la respuesta esperada se denota por
E(y) = (Xl' X2) = r, entonces a la superficie representada por
r= (xl> X2)
se le llama superlicie de respuesta.
Por lo general la superficie de respuesta se representa grficamente como en la figura 11-1, donde r
se grafica contra los niveles dex, y Xz. Se han visto ya grficas de superficie de respuesta como sta, part-
cularmente en los captulos sobre diseos factoriales. Para ayudar a visualizar la forma de una superficie
de respuesta, con frecuencia se grafican los contornos de la superficie de respuesta, como se muestra en
la figura 112. En la grfica de contorno se trazan las lneas de respuesta constante en el planox,x2' Cada
contorno corresponde a una altura particular de la superficie de respuesta. Tambin se ha visto antes
la utilidad de las grficas de contorno.
En la mayora de los problemas MSR, la forma de la relacin entre la respuesta y las variables inde-
pendientes es desconocida. Por lo tanto, el primer paso de la MSR es encontrar una aproximacin ade-
cuada de la verdadera relacin funcional entre y y el conjunto de variables independientes. Por lo general
se emplea un polinomio de orden inferior en alguna regin de las variables independientes. Si la respues-
ta est bien modelada por una funcin lineal de las variables independientes, entonces la funcin de apro-
ximacin es el modelo de primer orden
y= Po +PIXI +P2X2 + ... +PkXk +E (11-1)
427
428 CAPTULO 11 MTODOS DE SUPERFICIESDE RESPUESTA
70
r::
11
~ 60
~
i:;;
c. 50
'"
Q)
E
c:
Q)
.:::
'5 40
c:
~
X, D Temperatura (oC) "2 - Presin (psi)
10
Figura 11-1 Superficiede respuesta tridimensionaldonde se indica el rendi-
miento esperado (r) comouna funcinde la temperatura (Xl) y la presin (x2).
70
lO"
11
~ 60
Il<l
i
~ 50
'"o'"
e
'"
:
"O
c: 40
'"
a::
x, - TemperaturaOC) "2 ~ Presin (psi)

10
Figura 11-2 Grfica de contorno de una superficie de respuesta.

11-1 INTRODUCCIN A LA METODOLOGA DE SUPERFICIES DE RESPUESTA 429
Si hay curvatura en el sistema, entonces debe usarse un polinomio de orden superior, tal como el modelo
de segundo orden
k le
y= f30 + L {Jjx + L {Ji X; + LL

i<j
{Jijxxj +e (11-2)
En casi todos los problemas MSR se usa uno de estos modelos, o ambos. Desde luego, es probable que un mo-
delo polinomial sea una aproximacin razonable de la verdadera relacin funcional en el espacio completo de
las variables independientes, pero para una regin relativamente pequea suelen funcionar bastante bien.
El mtodo de mnimos cuadrados, estudiado en el captulo 10, se usa para estimar los parmetros de
los polinomios de aproximacin. Despus se realiza el anlisis de la superficie de respuesta utilizando la
superficie ajustada. Si la superficie ajustada es una aproximacin adecuada de la verdadera funcin de la
respuesta, entonces el anlisis de la superficie ajustada ser un equivalente aproximado del anlisis del
sistema real. Los parmetros del modelo pueden estimarse de manera ms eficiente cuando se emplean
los diseos experimentales apropiados para recolectar los datos. Los diseos para ajustar superficies de
respuesta se denominan diseos de superficie de respuesta. Estos diseos se revisan en la seccin 11-4.
La MSR es un procedimiento secuencial. Muchas veces, cuando se est en un punto de la superficie
de respuesta que est apartado del ptimo, como en el caso de las condiciones de operacin actuales de la
figura 11-3, el sistema presenta una curvatura moderada y el modelo de primer orden ser apropiado. El
objetivo en este caso es llevar al experimentador de manera rpida y eficiente por la trayectoria del mejo-
ramiento hasta la vecindad general del ptimo. Una vez que se ha encontrado la regin del ptimo, puede
emplearse un modelo ms elaborado, como el de segundo orden, y llevarse a cabo un anlisis para locali-
zar el ptimo. En la figura 11-3 se puede ver que el anlisis de una superficie de respuesta puede conside-
rarse como "el ascenso a una colina", donde la cima de sta representa el punto de la respuesta mxima.
Si el verdadero ptimo es un punto de respuesta mnima, entonces la situacin puede considerarse como
"el descenso a un valle".
El objetivo ltimo de la MSR es determinar las condiciones de operacin ptimas del sistema o de-
terminar una regin del espacio de los factores en la que se satisfagan los requerimientos de operacin.
,_--- Reginde la
operabilldad
/ del proceso
/
90
/
/.
85
/
/ Trayectoriadel
'mejoramiento
I+---'>"~-- Contornos
de respuesta
constante
/80 ~5
:/
/'
/ //
-:
_,--/ Condiciones /
_,-- de operacin .:...,_+-~
actuales
Figura 11-3 El carcter secuencial de la MSR.

430 CAPTIJLO 11 MTODOS DE SUPERFICIESDE RESPUESTA
Anlisis ms detallados de la MSR se encuentran en Myers y Montgomery [85a], Khuri y Cornell [67] y
Box y Draper [16b].
11..2 MTODO DEL ASCENSO Ms PRONUNCIADO
Frecuentemente la estimacin inicial de las condiciones de operacin ptimas del sistema estarn lejos
del ptimo real. En tales circunstancias, el objetivo del experimentador es pasar con rapidez a la vecindad
general del ptimo. Para ello desea usarse un procedimiento experimental econmico y eficiente. Cuan-
do se est muy lejos del ptimo, por lo general se supone que un modelo de primer orden es una aproxi-
macin adecuada de la verdadera superficie en una regin: pequea de las x.
El mtodo del ascenso ms pronunciado es un procedimiento para moverse secuencialmente sobre la
trayectoria del ascenso ms pronunciado, es decir, en la direccin del incremento mximo de la respuesta.
Desde luego, si lo que se pretende es una minimizacin, entonces esta tcnica se llama mtodo del descen-
so ms pronunciado. El modelo ajustado de primer orden es
k
~= Po + L1-1
pX (11-3)
y la superficie de respuesta de primer orden, es decir, los contornos de j, es una serie de lneas paralelas
como las que se muestran en la figura 11-4. Ladireccin del ascenso ms pronunciado es aquella en la que
~ se incrementa con mayor rapidez. Esta direccin es paralela a la normal de la superficie de respuesta
ajustada. Por lo general se toma como la trayectoria del ascenso ms pronunciado a la recta que pasa por
el centro de la regin de inters y que es normal a la superficie ajustada. Por lo tanto, los pasos sobre la
.." Trayectoria del ascenso

m__ \
y",50
z,
Figura 11-4 Superficiede respuesta de primer orden y trayecto-

ria del ascenso ms pronunciado.
11-2 MTODO DEL ASCENSO MS PRONUNCIADO 431
trayectoria son proporcionales a los coeficientes de regresin {,8}. El tamao real del paso lo determina
el experimentador con base en el conocimiento del proceso o de otras consideraciones prcticas.
Se conducen experimentos sobre la trayectoria del ascenso ms pronunciado hasta que deja de obser-
varse un incremento adicional en la respuesta. Entonces puede ajustarse un nuevo modelo de primer or-
den, determinarse una nueva trayectoria del ascenso ms pronunciado y el procedimiento contina. En
ltima instancia, el experimentador llegar a la vecindad del ptimo. En general, la falta de ajuste del mo-
delo de primer orden indica que se ha llegado a ella. En este momento se realizan experimentos adiciona-
les para obtener una estimacin ms precisa del ptimo.
EJEMPLOll"l ' .
Un ingeniero qumico est interesado en determinar las condiciones de operacin que maximizan el ren-
dimiento de un proceso. Dos variables controlables influyen en el rendimiento del proceso: el tiempo de
reaccin y la temperatura de reaccin. El ingeniero opera actualmente el proceso con un tiempo de reac-
cin de 35 minutos y una temperatura de 155F,que dan como resultado rendimientos de cerca de 40%.
Puesto que es improbable que esta regin contenga el ptimo, el ingeniero ajusta un modelo de primer
orden y aplica el mtodo del ascenso ms pronunciado.
El ingeniero decide que la regin de exploracin para ajustar el modelo de primer orden deber ser
(30,40) minutos de tiempo de reaccin y (150, 160tE Para simplificar los clculos, las variables indepen-
dientes se codificarn en el intervalo usual (-1, 1). Por lo tanto, si ~1 denota la variable natural tiempo y ~2
la variable natural temperatura, entonces las variables codificadas son
';1 - 35
x =--- y
1 5
El diseo experimental se muestra en la tabla 11-1. Observe que el diseo usado para recabar estos datos
es un factorial 22 aumentado con cinco puntos centrales. Las rplicas del centro se usan para estimar el
error experimental y permitir la verificacin de la adecuacin del modelo de primer orden. Adems, el di-
seo est centrado alrededor de las condiciones de operacin actuales del proceso.
Esposible ajustar un modelo de primer orden a estos datos por el procedimiento de mnimos cuadra-
dos. Aplicando los mtodos para diseos de dos niveles se obtiene el siguiente modelo en las variables co-
dificadas:
~= 40.44+0.775XI +0.325x2
Tabla 11-1 Datos del proceso para ajustar el modelo de

primer orden
Variables Variables
naturales codificadas Respuesta
SI S2 Xl X2 Y
30 150 -1 -1 39.3
30 160 -1 1 40.0
40 150 1 -1 40.9
40 160 1 1 41.5
35 155 O O 40.3
35 155 O O 40.5
35 155 O O 40.7
3S 155 O O 40.2
35 155 O O 40.6
Antes de explorar a lo largo de la trayectoria del ascenso ms pronunciado, deber investigarse la

adecuacin del modelo de primer orden. El diseo 22 con puntos centrales permite al experimentador
1. Obtener una estimacin del error.

2. Verificar las interacciones (o trminos de productos cruzados) del modelo.
3. Verificar los efectos cuadrticos (curvatura).
Las rplicas del centro pueden usarse para calcular una estimacin del error de la siguiente manera:
fj2 = ,;,_(
4_0_.3"--)2_+_,,(_40_.5-<-)2_+.....;(.._4_0
......:7)~2_+--,--(
4_0_.2-,-)2_+--,(~40_.6-,")_2
_-~(2_0_2
......:3)_2
_/5
4
= 0.0430
En el modelo de primer orden se supone que las variables Xl y Xz tienen un efecto aditivo sobre la respues-
ta. La interaccin entre las variables se representara por el coeficiente /312del trmino de un producto
cruzado XX2 sumado al modelo. La estimacin de mnimos cuadrados de este coeficiente es simplemente
la mitad del efecto de la interaccin que se calcula como en un diseo factorial 22 ordinario, o
1312 = H(lx39.3)+(1 x41.5)+(-lx40.0)+(-1 x 40.9)]
= +(-0.1)
=-0.025
La suma de cuadrados de la interaccin con un solo grado de libertad es

(-0.1)2
SSntefoccin = 4
= 0.0025
Al comparar SSlnteraccin con a 2 se obtiene el estadstico para la falta de ajuste
F = _S_S.:::Inc=:tera""Cct",,':;:...n
, a 2
0.0025
=--_
0.0430
= 0.058
que es pequeo, lo cual indica que la interaccin es insignificante.

Otra verificacin de la adecuacin del modelo de lnea recta se obtiene aplicando la verificacin del
efecto de curvatura cuadrtica pura de la seccin 6-6. Recuerde que sta consiste en comparar la respues-
ta promedio en los cuatro puntos de la porcin factorial del diseo, por ejemplo YF = 40.425, con la res-
puesta promedio en el centro del diseo, por ejemplo Ye = 40.46. Si existe curvatura cuadrtica en la
y -y
verdadera funcin de la respuesta, entonces F e es una medida de esta curvatura. Si/311y /322son los coe-
ficientes de los trminos "cuadrticos puros" y x; x;,
entoncesjj.-ji es una estimacin de/311+ {J22' En el
ejemplo tratado aqu, una estimacin del trmino cuadrtico puro es
Pn +P22 = YF - Yc
= 40.425- 40.46
=-0.035
11-2 MTooo DEL ASCENSO Ms PRONUNCIAOO 433
Tabla 11-2 Anlisis de varianza del modelo de primer orden
Fuente de variacin cuadrados libertad medio Fo Valor P
Modelo (p, P2) 2.8250 2 1.4125 47.83 0.0002
Residual 0.1772 6
(Interaccin) (0.0025) 1 0.0025 0.058 0.8215
(Cuadrtico puro) (0.0027) 1 0.0027 0.063 0.8142
(Error puro) (0.1720) 4 0.0430
lbtal 3.0022 8
La suma de cuadrados con un solo grado de libertad asociada con la hiptesis nula, Ho:/311 + P22 = O,es
SS .
Cuadrttca pura
= nFne(rF
n +ne
- re )2
F
= (4)(5)(-0.035)2
4+5
= 0.0027
donde nF Yne son el nmero de puntos de la porcin factorial y el nmero de puntos centrales, respectiva-
mente. Puesto que
SS Cuadrtica pura
F = -~-:c--''--
a 2
0.0027
=---
0.0430
= 0.063
es pequeo, no hay indicios de un efecto cuadrtico puro.
En la tabla 11-2 se resume el anlisis de varianza de este modelo. Las verificaciones de la interaccin
y la curvatura no son significativas, mientras que la prueba F de la regresin global es significativa. Ade-
ms, el error estndar de PI P2
y es
se(pj)=~M:E =~=JO.~30 =0.10 i=1,2
Ambos coeficientes de regresin PI y P2 son grandes en comparacin con sus errores estndar. En este
punto no hay razn para cuestionar la adecuacin del modelo de primer orden.
Para apartarse del centro del diseo -el punto (Xl = 0,X2 = 0)- sobre la trayectoria del ascenso ms
pronunciado, se hara un movimiento de 0.775 unidades en la direccin Xl por cada 0.325 unidades en la
direccin X2' Por lo tanto, la trayectoria del ascenso ms pronunciado pasa por el punto (Xl = O,X2 = O)y
tiene pendiente 0.325/0.775. El ingeniero decide usar 5 minutos de tiempo de reaccin como tamao bsi-
co del paso. Al utilizar la relacin entre s, y Xl' se observa que 5 minutos de tiempo de reaccin es equiva-
lente a un paso en la variable codificada Xl de ax1 = 1. Por lo tanto, los pasos sobre la trayectoria del
ascenso ms pronunciado son ax = 1.0000 Y ax2 = (0.325/0.775) ax1 = 0.42.
El ingeniero calcula puntos sobre esta trayectoria y observa los rendimientos en los mismos hasta que
se nota un decremento en la respuesta. En la tabla 11-3 se muestran los resultados tanto en variables codi-
ficadas como naturales. Aun cuando la manipulacin matemtica de las variables codificadas es ms sen-
cilla, deben usarse las variables naturales cuando se corre el proceso. En la figura 11-5 se grafica el
Tabla 11.3 Experimento del ascenso ms pronunciado para el ejemplo 111

Variables codificadas Variables naturales Respuesta
Pasos x X2 ~ ~2 Y
Origen O O 35 155
l:l 1.00 0.42 5 2
Origen + A 1.00 0.42 40 157 41.0
Origen + 2A 2.00 0.84 45 159 42.9
Origen + 3A 3.00 1.26 50 161 47.1
Origen + 41:1 4.00 1.68 55 163 49.7
Origen + 5A 5.00 2.10 60 165 53.8
Origen + M 6.00 2.52 65 167 59.9
Origen + 7A 7.00 2.94 70 169 65.0
Origen + 8A 8.00 3.36 75 171 70.4
Origen + 9A 9.00 3.78 80 173 77.6
Origen + lOA 10.00 4.20 85 175 80.3
Origen + HA 11.00 4.62 90 179 76.2
Origen + 12A 12.00 5.04 95 181 75.1
rendimiento en cada paso de la trayectoria del ascenso ms pronunciado. Se observan incrementos de la

respuesta hasta el dcimo paso; sin embargo, todos los pasos despus de este punto resultan en un decre-
mento del rendimiento. Por lo tanto, deber ajustarse otro modelo de primer orden en la vecindad gene-
ral del punto (~1 = 85, ~2 = 175).
Se ajusta un nuevo modelo de primer orden alrededor del punto (~1 = 85, ~2 = 175). La regin de ex-
ploracin para ';1 es [80, 90] Y para ~2 es [170, 180]. Por lo tanto, las variables codificadas son
.; 1 - 85 .; 2 -175
Xl = --5- y x2 = 5
o
E
.s
E
~Ol
Ir
2 3 4 5 6 7 8 9 10 11 12
Pasos
Figura 11-5 Rendimiento contra pasos sobre la trayectoria

del ascenso ms pronunciado para el ejemplo 11-1.
11-2 MTODO DEL ASCENSO Ms PRONUNCIADO 435
Talbla 114 Datos para el segundo modelo de primer
orden
Variables Variables
naturales codificadas Respuesta
~1 ~2 Xl X2 Y
80 170 -1 -1 76.5
80 180 -1 1 no
90 170 1 -1 78.0
90 180 1 1 79.5
85 175 o o 79.9
85 175 o o 80.3
85 175 o o 80.0
85 175 o o 79.7
85 175 o o 79.8
De nueva cuenta se usa un diseo 22 con cinco puntos centrales. El diseo experimental se muestra en la
tabla 11-4.
El ajuste del modelo de primer orden a las variables codificadas de la tabla 114 es
y= 78.97+1.00x +O.50x2
En la tabla 115 se presenta el anlisis de varianza de este modelo, incluyendo las verificaciones de la
interaccin y del trmino cuadrtico puro. Las verificaciones de la interaccin y del trmino cuadrtico
puro implican que el modelo de primer orden no es una aproximacin adecuada. Esta curvatura en la ver-
dadera superficie puede indicar que el experimentador se encuentra cerca del ptimo. En este punto es
necesario hacer anlisis adicionales para localizar el ptimo con mayor precisin.
Por el ejemplo 111 se observa que la trayectoriadel ascenso ms pronunciado esproporcional a los sig-
nos y magnitudes de los coeficientes de regresin del modelo ajustado de primer orden
k
y= {Jo + 2: {Jx
i:::;l
Es sencillo dar un algoritmo general para determinar las coordenadas de un punto sobre la trayectoria del
ascenso ms pronunciado. Suponga que el puntox, = X2 = ... = Xk = Oes la base o punto origen. Entonces
1. Se elige el tamao del paso en una de las variables del proceso, por ejemplo I'lxJ' En general, se se-
leccionara la variable de la que se tenga mayor informacin, o se seleccionara la variable que
tiene el coeficiente de regresin absoluto I{J i I ms grande.
Tabla 11-5 Anlisis de varianza del segundo modelo de primer orden

Fuente de variacin cuadrados libertad medio Fo ValorP
Regresin 5.00 2
Residual 11.1200 6
(Interaccin) (0.2500) 1 0.2500 4.72 0.0955
(Cuadrtico puro) (10.6580) 1 10.6580 201.09 0.0001
(Error puro) (0.2120) 4 0.0530
Thtal 16.1200 8
2. El tamao del paso de las otras variables es
~A , = A Pi 1'1
=, 2, ...,;k ..
l;t:. J
t Pj! ~j
3. Se convierten las ~i de variables codificadas a variables naturales.

Para ilustrar, considere la trayectoria del ascenso ms pronunciado calculada en el ejemplo 11-1.
Puesto quex, tiene el coeficiente de regresin ms grande, se selecciona el tiempo de reaccin como la va-
riable del paso 1 del procedimiento anterior. Cinco minutos de tiempo de reaccin es el tamao del paso
(con base en el conocimiento del proceso). En trminos de las variables codificadas, ste es ~1 = 1.0. Por
lo tanto, por el lineamiento 2, el tamao del paso de la temperatura es
~2 = /32 A 0.325 == 0.42

PI! ~l (0.775/1.0)
Para convertir los tamaos de los pasos codificados (~1 == 1.0 Y~2 = 0.42) a las unidades naturales de
tiempo y temperatura, se usan las relaciones
~ 1 = AS5 I y
que dan como resultado

~l = dx1(5) = 1.0(5)= 5min
y
A; = ~2(5)= 0.42(5)= 2F
11~3 ANLISIS DE UNA SUPERFICIE DE RESPUESTA DE SEGUNDO ORDEN
Cuando el experimentador se encuentra relativamente cerca del ptimo, por lo general se requiere un
modelo que incorpore la curvatura para aproximar la respuesta. En la mayora de los casos, el modelo de
segundo orden
(11-4)
es adecuado. En esta seccin se indicar cmo usar este modelo ajustado para encontrar el conjunto pti-
mo de condiciones de operacin para lasx, as como para caracterizar la naturaleza de la superficie de res-
puesta.
11~3.1 Localizacin del punto estacionario

Suponga que quieren encontrarse los niveles dex1,x2, .i..x; que optimizan la respuesta predicha. Este pun-
to, en caso de existir, ser el conjunto de las Xl' X2, ... , Xk para las que las derivadas parciales ay I aXI =
ay / aX2 = ... = ay I aXk = O.A este punto, por ejemplo Xl,,, X2,,, ,Xk,s> se le llama punto estacionario. El pun-
to estacionario podra representar 1) un punto de respuesta mxima, 2) un punto de respuesta mnima, o
3) un punto silla. Estas tres posibilidades se ilustran en las figuras 11-6 a 11-8.
Las grficas de contorno desempean un papel muy importante en el estudio de las superficies de
respuesta. Mediante la generacin de grficas de contorno utilizando software de computadora para el
11-3 ANLISIS DE UNA SUPERFICIE DE RESPUESTA DE SEGUNOO ORDEN 437
103.04
92.03
a1.02
70.01
59
1.00
a) Superficie de respuesta
0.50
5
10CN 0.00
-0.50
-1.00._-------'------.L----=:-.-'----......_____.
-1.00 -0.50 0.00 0.50 1.00
x,
Figura 11-6 Superficie de respuesta y grfica de contorno que ilustran una superficie con un mximo.
438 cAPiTULO 11 MTODOS DE SUPERFICIESDE RESPUESTA
t >,
0.50
,f 0.00
-0.50
_1.00._ -.::lI~ ...J...._ ___"'~ __ .J..___,___ ___1_.

-1.00 -0.50 0.00 0.50 1.00
XI
bl Grfica de contorno
Figura 11-7 Superficie de respuesta y grfica de contorno que ilustran una superficie con un mnimo.
11-3 ANLISIS DE UNA SUPERFICIE DE RESPUESTA DE SEGUNDO ORDEN 439
';"
a I Superficieda respuesta
~C"of 0.00
-0.50
_l.00.__ ___JL-_.L.. LL --I.~ __ ____C:_..____.
-1.00 -0.50 0.00 0.50 1.00

Xl
Figura 11-8 Superficie de respuesta y grfica de contorno que ilustran una superficie con un punto silla (o minimax).
anlisis de superficie de respuesta, el experimentador puede por lo general caracterizar la forma de la su-
perficie y localizar el ptimo con una precisin razonable.
Es posible obtener una solucin matemtica general para la localizacin del punto estacionario. Al
escribir el modelo de segundo orden en notacin matricial, se tiene
y= ~o +x'b+x'Bx (11-5)
donde
~11' ~12J 2, ... , ~lk /2]

y B= P12, .:., PZk /2
[
simtrica ~ kk
Es decir, b es un vector (k x 1) de los coeficientes de regresin de primer orden y B es una matriz sim-
trica (k x k) cuyos elementos de la diagonal principal son los coeficientes cuadrticos puros (~) Ycu-
yos elementos que estn fuera de la diagonal son la mitad de los coeficientes cuadrticos mixtos
(~ij' i # j). La derivada de y con respecto a los elementos del vector x igualada con O es
ay = b+2Bx= O (11-6)
dX
El punto estacionario es la solucin de la ecuacin 11-6, o
x s =_.lB-1b
Z (11-7)
Adems, al sustituir la ecuacin 11-7 en la 11-5, la respuesta predicha en el punto estacionario puede en-
contrarse como
(11-8)
11~3.2 Caracterizacin de la superficie de respuesta

Una vez que se ha encontrado el punto estacionario, generalmente es necesario caracterizar la superficie
de respuesta en la vecindad inmediata de este punto. Por caracterizar se entiende determinar si el punto
estacionario es el punto de una respuesta mxima, mnima o un punto silla. Por lo general tambin se de-
sea estudiar la sensibilidad relativa de la respuesta a las variables Xl' X2, ... , Xk
Como ya se seal, la forma ms directa de hacer esto es examinando una grfica de contorno del
modelo ajustado. Si slo hay dos o tres variables en el proceso (lasx), la construccin e interpretacin de
esta grfica de contorno es relativamente sencilla. Sin embargo, incluso cuando hay un nmero relativa-
mente reducido de variables, un anlisis ms formal, llamado anlisis cannico, puede ser til.
Es conveniente transformar primero el modelo en un nuevo sistema de coordenadas con el origen en
el punto estacionario x, y despus hacer la rotacin de los ejes de este sistema hasta que sean paralelos a
los ejes principales de la superficie de respuesta ajustada. Esta transformacin se ilustra en la figura 11-9.
Puede demostrarse que se obtiene as el modelo ajustado
(11-9)
donde las {wJ son las variables independientes transformadas y las {l} son constantes. A la ecuacin
11-9 se le llama la forma cannica del modelo. Adems, las {,1.J son slo eigenvalores o races caracters-
ticas de la matriz B.
Figura 119 Forma cannica del modelo de segundo

orden.
La naturaleza de la superficie de respuesta puede determinarse a partir del punto estacionario y de

los signos y magnitudes de las {A}. Primero suponga que el punto estacionario est dentro de la regin de
exploracin para ajustar el modelo de segundo orden. Si todas las {A} son positivas, X. es un punto de res-
puesta mnima; si todas las {A} son negativas, X. es un punto de respuesta mxima; y si las {A} tienen sig-
nos diferentes, x, es un punto silla. Adems, la superficie presenta una inclinacin mayor en la direccin
w para la que IAI es el mximo. Por ejemplo, la figura 11-9 describe un sistema para el que X. es un mxi-
mo (Al y Az son negativas) con IAII > IA21.
EJEMPLO 11~2 ........................................................

Se continuar el anlisis del proceso qumico del ejemplo 11-1. No es posible ajustar un modelo de segun-
do orden en las variables Xl y X2 utilizando el diseo de la tabla 11-4. El experimentador decide aumentar
este diseo con puntos suficientes para ajustar un modelo de segundo orden.' Obtiene cuatro observacio-
nes en (Xl = 0,x2 = 1.414)y (XI = 1.414,x2 = O). El experimento completo se muestra en la tabla 11-6, y
el diseo se ilustra en la figura 11-10. A este diseo se le llama diseo central compuesto (o DCC), el cual
se estudiar con mayor detalle en la seccin 114.2. En esta segunda fase del estudio, dos respuestas adi-
cionales fueron de inters, la viscosidad y el peso molecular del producto. Las respuestas tambin se
muestran en la tabla 11-6.
La atencin se centrar en el ajuste de un modelo cuadrtico para la respuesta rendimiento Y1 (las
otras respuestas se analizarn en la seccin 11-3.4). Por lo general se utiliza software de computadora
para ajustar una superficie de respuesta y construir las grficas de contorno. La tabla 11-7 contiene la sali-
da de Design-Expert. Al examinar la tabla se observa que este paquete de software calcula primero las "su-
mas de cuadrados extra o secuenciales" de los trminos lineales, cuadrticos y cbicos del modelo (hay un
mensaje de advertencia referente a los alias del modelo cbico, ya que el DCC no contiene corridas sufi-
cientes para apoyar un modelo cbico completo). Con base en el valor P pequeo de los trminos cuadra-
1 El ingeniero corri6las cuatro observaciones adicionales aproximadamente en el mismo periodo en que corri6las nueve observacio-
nes originales. Si hubiera transcurrido un lapso grande entre las dos series de corridas, habra sido necesaria la separacin en bloques.
La separaci6n en bloques en los diseos de superficie de respuesta se revisa en la seccin 11-4.3.
Tabla 116 Diseo central compuesto para el ejmplo 11-2

Respuestas
Variables naturales Variables codificadas
Yl yz Y3
g ~2 Xl Xz (rendimiento) (viscosidad) (peso molecular)
80 170 -1 -1 76:5 62 2940
80 180 -1 1 77.0 60 3470
90 170 1 -1 78.0 66 3680
90 180 1 1 79.5 59 3890
85 175 O O 79.9 72 3480
85 175 O O 80.3 69 3200
85 175 O O 80.0 68 3410
85 175 O O 79.7 70 3290
85 175 O O 79.8 71 3500
92.07 175 1.414 O 78.4 68 3360
77.93 175 -1.414 O 75.6 71 3020
85 182.07 O 1.414 78.5 58 3630
85 167.93 O -1.414 77.0 57 3150
ticos, se decide ajustar un modelo de segundo orden a la respuesta rendimiento. La salida de

computadora muestra el modelo final en trminos tanto de las variables codificadas como de los niveles
naturales o reales de los factores.
En la figura 1111 se muestra la grfica de la superficie de respuesta tridimensional y la grfica de
contorno para la respuesta rendimiento en trminos de las variables del proceso tiempo y temperatura.
Es relativamente sencillo ver por el examen de estas figuras que el ptimo se encuentra muy cerca de
175P y 85 minutos de tiempo de reaccin y que la respuesta est en un mximo en este punto. Por el exa-
men de la grfica de contorno se observa que el proceso puede ser ligeramente ms sensible a los cambios
en el tiempo de reaccin que a los cambios en la temperatura.
+2 t--
(0,1.414)
(-1, 1) (1, 1)
I I
-2 (-1.414, O) (0.0) (1.414, O) +2
(-1, -1) (1, -1)
(O. -1.414)
-2 -
Figura 11-10 Diseno central compuesto para el ejemplo 11-2.

Tabla 11-7 Salida de computadora de Design- Experrpara ajustar un modelo a la respuesta
rendimiento del ejemplo 11-2
Response: yield
... WARNING: The Cubic Model is Aliased!H.
Sequential Model Sum of Squares

Sumof Mean F
Mean 80062.16 1 80062.16
Linear 10.04 2 5.02 2.69 0.1166
2FI 0.25 1 0.25 0.12 0.7350
Ouadratic 17.95 2 8.98 126.88 <0.0001 Suggested
Cubic 2.042E-003 2 1.021E-003 0.010 0.9897 Aliased
Residual 0.49 5 0.099
Total 80090.90 13 6160.84
"Suma de cuadrados del modelo secuenciar': se selecciona el pOlinomio de orden ms alto

cuando los trminos adicionales son significativos.
Lack of Fit Tests

Sumof Mean F
Source Squares OF Square Value Prob> F
Linear 18.49 6 3.08 58.14 0.0008
2FI 18.24 5 3.65 68.82 0.0006
Ouadratic 0.28 3 0.094 1.78 0.2897 Suggested
Cubic 0.28 1 0.28 5.31 0.0826 Allased
Pute Error 0.21 4 0.053
"~ru,!bas.de falta de ajuste": se quiere que el modelo seleccionado no tenga falta de ajuste
slgmficatlva.
Model Summary Statistics
Std. Adjusted Predicted
Source Dev. R-Squared R-Squared R-Squared PRESS
Linear 1.37 0.3494 0.2193 -0.0435 29.99
2FI 1.43 0.3581 0.1441 -0.2730 36.59
Quadratic 0.27 0.9828 0.9705 0.9184 2.35 Suggested
Cubic 0.31 0.9828 0.9588 0.3622 18.33 Aliased
"Estadfsticos de resumen del modelo"; se enfocan en el modelo que minimiza 'f'RESS"o, de

manera equivalente. que maximiza la "R CUADRADA DE PREDICCION".
Response: yield
ANOVA for Response Surface Ouadratic Model
Analysis of variance table [Partial sum of squares]
Sum of Mean F
Modal 28.25 5 5.65 79.85 <0.0001
A 7.92 1 7.92 111.93 <0.0001
8 2.12 1 2.12 30.01 0.0009
A2 13.18 1 13.18 186.22 <0.0001
82 497 1 497 98.56 <0.0001
A8 0.25 1 0.25 3.53 0.1022
Residual 0.50 7 0.071
Lack ofFt 0.28 3 0.094 1.78 0.2897
Pura Error 0.21 4 0.053
Cor Total 28.74 12

444 CAPTULO 11 MTODOS DE SUPERFICIES DE RESPUESTA
Tabla 117 (continuacin)

Factor Estimate DF Error Low High VIF
Intercept 79.94 1 0.12 79.66 80.22
A-time 0.99 1 0.094 0.77 1.22 1.00
B-temp 0.52 1 0.094 0.29 0.74 1.00
N -1.38 1 0.10 -1.61 -1.14 1.02
B7 -1.00 1 0.10 -1.24 -0.76 1.02
AB 0.25 1 0.13 -0.064 0.56 1.00
Final Equation in Terms of Coded Factors:
yield =
+79.94
+0.99 * A
+0.52 * B
-1.38 * A2
-1.00 * 62
+0.25 * A * B
yield:
-1430.52285
+7.80749 * time
+13.27053 * temp
-0.055050 .,.time2
-0.040050 * ternp"
+0.010000 * time * temp
Run Standard Actual Predicted Student Cook's Outlier
Order Order Value Value Residual Leverage Residual Distance t
8 1 76.50 76.30 0.20 0.625 1.213 0.409 1.264
6 2 78.00 77.79 0.21 0.625 1.275 0.452 1.347
9 3 77.00 76.83 0.17 0.625 1.027 0.293 1.032
11 4 79.50 79.32 0.18 0.625 1.089 0.329 1.106
12 5 75.60 75.78 -0.18 0.625 -1.107 0.341 -1.129
10 6 78.40 78.59 -0.19 0.625 -1.195 0.396 -1.240
7 7 77.00 77.21 -0.21 0.625 -1.283 0.457 -1.358
1 8 78.50 78.67 -0.17 0.625 -1.019 0.289 -1.023
5 9 79.90 79.94 -0.040 0.200 -0.168 0.001 -0.156
3 10 80.30 79.94 0.36 0.200 1.513 0.095 1.708
13 11 80.00 79.94 0.060 0.200 0.252 0.003 0.235
2 12 79.70 79.94 -0.24 0.200 -1.009 0.042 -1.010
4 13 79.80 79.94 -0.14 0.200 -0.588 0.014 -0.559
La localizacindel punto estacionario tambin podra encontrarse utilizando la solucingeneral de

la ecuacin 11-7. Observe que . [ J o.1250J
b -- 0.995
0.515 B=
[-1.376
0.1250 -1.001
y, por la ecuacin 11-7, el punto estacionario es
x.=-B-1b
__ .1[-0.7345 -0.0917J[0.995J_ [0.389J
- 2 -0.0917 -1.0096 0.515 - 0.306
179.7
!
e:::l
! 175.0
E
{!
177.4
172.6
o
170.3
Tiempo
a) La grficade contomo
80.21
77.99
E
e
Q)
'E
'6
e
Q)
a:
73.66
86.41
83.69 I!'
80.76 ~
167.9 77.93
b) La grficade superficie de respuesta
Figura 11-11 Grficasde contorno y de superficiede respuesta de

la respuesta rendimiento, ejemplo 11-2.
Es decir, Xl, a = 0.389yX2.s = 0.306. En trminos de las variables naturales, el punto estacionario es
0.389=;1 ~85 0.306=;2 ~175
=
de donde se obtiene s 86.95 =87 minutos de tiempo de reaccin Y;2 = 176.53= 176SF.Este valor est
muy cerca del punto estacionario que se encontr por examen visual en la grfica de contorno de la figura
11-11. Al utilizar la ecuacin 11-8, la respuesta predicha en el punto estacionario puede encontrarse
como Y. = 80.21.
El anlisis cannico que se describe en esta seccin tambin puede usarse para caracterizar la super-
ficie de respuesta. Primero es necesario expresar el modelo ajustado en la forma cannica (ecuacin
11-9). Los eigenvalores Al y A2 son las races de la ecuacin de determinantes
IB-AII =
-1.376- A 0.1250 O 1-
1 0.1250 -1.001- A -
que se reduce a
A2 + 2.3788A+1.3639 = O
Las races de esta ecuacin cuadrtica sonA! = -0.9641 YAz= -1.4147. Por lo tanto, la forma cannica del
modelo ajustado es
y= 80.21- 0.9641w -1.4147w~
Puesto que tanto Al como I, son negativas y el punto estacionario est en la regin de exploracin, se con-
cluye que el punto estacionario es un mximo.
En algunos problemas MSR puede ser necesario encontrar la relacin entre las variables cannicas
{w} y las variables del diseo {Xi}' Esto es particularmente cierto cuando es imposible operar el proceso
en el punto estacionario. Como una ilustracin, suponga que en el ejemplo 11-2el proceso no pudo ope-
rarse en ~l = 87 minutos y ;2 = 176SF debido a que esta combinacin de factores resulta en un costo ex-
cesivo. Se quiere "regresar" ahora del punto estacionario a un punto con un costo menor sin incurrir en
prdidas considerables en el rendimiento. La forma cannica del modelo indica que la superficie es me-
nos sensible a la prdida de rendimiento en la direccin W!. La exploracin de la forma cannica requiere
convertir los puntos del espacio (wl, w2) en puntos del espacio (Xl' Xz).
En general, las variables x se relacionan con las variables cannicas w por
w = M'(x - xs)
donde M es una matriz ortogonal (k x k). Las columnas de M son los eigenvectores normalizados asocia-
dos con {A}.Es decir, si mi es la columna i-sima de M, entonces m, es la solucin de
(B - AI)Dl; = O (11-10)
para la que l:~~lmJ.

= 1.
El procedimiento se ilustra usando el modelo de segundo orden ajustado del ejemplo 11-2.Para Al =
-0.9641, la ecuacin 11-10 queda como
1(-1.376+0.9641)
L 0.1250
0.1250
(-1.001+0.9641)
J[mu]_
m2l
[OJ
O
-
o
-0.4129mu +0.1250m:11 = O
0.1250mu - 0.0377mZl =O
Quiere obtenerse la solucin normalizada de estas ecuaciones, es decir, aquella para la que m;l m;l
+ = 1.
No existe una solucin nica para estas ecuaciones, por lo que lo ms conveniente es asignar un valor ar-
11-3 ANLISIS DE UNA SUPERFICIE DE RESPUESTA DE SEGUNOO ORDEN 447
bitrario a una de las incgnitas, resolver el sistema y normalizar la solucin. Al hacer m; = 1,se encuentra
m; = 0.3027. Para normalizar esta solucin, m;l Y m; se dividen entre
~(m;1)2 +(m;1)2 = ~(0.3027)2+(1)2 = 1.0448

Se obtiene as la solucin normalizada
m = m;l = 0.3027= 0.2897

11 1.0448 1.0448
y
que es la primera columna de la matriz M.

=
Utilizando ,1.2 -1.4147 puede repetirse el procedimiento anterior, obtenindose m12 = --0.9574y
m22 = 0.2888 como la segunda columna de M. Por lo tanto, se tiene
M- [0.2897 -0.9574]
- 0.9571 0.2888
La relacin entre las variables w y x es

W] [0.2897 0.9571][Xl - 0.389]
[w2. = -0.9574 0.2888 X2 - 0.306
o
W = O.2897(x - O.389)+0.9571(x2 - 0.306)
w2 = -0.9574(x 1 - 0.389)+0.2888(x2 - 0.306)
Si quisiera explorarse la superficie de respuesta en la vecindad del punto estacionario, podran determi-
narse los puntos apropiados en los cuales hacer las observaciones en el espacio (w, W2) Yusar despus la
relacin anterior para convertir estos puntos en el espacio (X1,X2) para que puedan realizarse las corridas.
11 ..3.3 Sistemas de cordilleras

No es raro encontrar variaciones de las superficies de respuesta con mximos o mnimos puros o con pun-
tos silla estudiadas en la seccin anterior. Los sistemas de cordilleras, en particular, son muy comunes.
Considere la forma cannica del modelo de segundo orden presentado anteriormente en la ecuacin
11-9:
Y= Y. +Aw +A2 wi + ... +AkW;
Suponga ahora que el punto estacionario X. est dentro de la regin de experimentacin; adems, sea que
una o ms de las Asean muy pequeas (por ejemplo.L = O).Entonces la variable de respuesta es muy in-
sensible a las variables Wmultiplicadas por las ,1.1 pequeas.
En la figura 11-12 se presenta una grfica de contorno en la que se ilustra esta situacin para k = 2 va-
riables con ,1.1 = O.(En la prctica, Al estara cerca de cero pero no sera exactamente igual a cero.) En teo-
ra, el modelo cannico para esta superficie de respuesta es
y= Y. + .II.12W22
A A
448 CAPfruLO 11 MTODOS DE SUPERFICIESDE RESPUESTA
Figura 11-12 Grfica de contorno de un sistema Figura 11-13 Grficade contorno de un sistemade
de cordilleras estacionarias. cordilleras crecientes.
con .,1,2 negativa. Observe que el marcado estiramiento en la direccin w ha resultado en una lnea de cen-
tros en)l = 70 Yel ptimo puede tomarse en cualquier lugar a lo largo de esta lnea. A este tipo de superfi-
cie de respuesta se le llama sistema de cordilleras estacionarias.
Si el punto estacionario est muy apartado de la regin de exploracin para el ajuste del modelo de
segundo orden y una I, (o ms) est cerca de cero, entonces la superficie puede ser un sistema de cordille-
ras crecientes. En la figura 11-13 se ilustra una cordillera creciente para k = 2 variables con Al cerca de
cero yA.2 negativa. En este tipo de sistema de cordilleras no pueden hacerse inferencias acerca de la verda-
dera superficie o del punto estacionario porque x, est fuera de la regin donde se ha ajustado el modelo.
Sin embargo, la exploracin adicional est garantizada en la direccin wl SiA.2hubiera sido positiva, este
sistema se habra llamado cordillera descendente.
11-3.4 Respuestas mltiples

Muchos problemas de superficies de respuesta incluyen el anlisis de varias respuestas, como en el ejem-
plo 11-2, donde el experimentador midi tres. En dicho ejemplo, el proceso se optimiz nicamente con
respecto a la respuesta rendimiento Yl'
La consideracin simultnea de respuestas mltiples requiere construir primero un modelo de super-
ficie de respuesta apropiado para cada respuesta y despus intentar encontrar un conjunto de condicio-
nes de operacin que optimice en cierto sentido todas las respuestas oque al menos las mantenga en los
rangos deseados. Un estudio completo del problema de las respuestas mltiples se ofrece en Myers y
Montgomery [85a].
En el ejemplo 11-2 pueden obtenerse modelos para las respuestas viscosidad y peso molecular (Y2 y Y3,
respectivamente) de la siguiente manera:
)12 = 70.00- 0.16x1 - 0.95x2 - 0.69x; - 6.69x; -1.25X1X2
)13 = 3386.2+ 205.1x 1 + 17.4x2
En trminos de los niveles naturales del tiempo (';1) y la temperatura (';2), estos modelos son
)12 = -9030.74+13.393.;1 +97.70~2
- 275xlO-2.;: - 0.26757';; - 5xl0-2 ';1'; 2
y
5>3 = -6308.8+41.025.;1 +35.473.;2
En las figuras 11-14y 11-15se presentan las grficas de contorno y superficie de respuesta para estos modelos.
Un enfoque relativamente directo para optimizar varias respuestas que funciona bien cuando slo
hay pocas variables en el proceso es la superposicin de las grficas de contorno de cada respuesta. En la
figura 11-16 se muestra una grfica de superposicin para las tres respuestas del ejemplo 11-2, con los
contornos para los que YI (rendimiento) ;?: 78.5,62:$ Y2 (viscosidad) S; 68, YY3 (peso molecular Mn) s 3400.
Si estos lmites representan condiciones importantes que el proceso debe satisfacer, entonces, como, se
muestra en la porcin no sombreada de la figura 11-16, existen varias combinaciones del tiempo y la tem-
peratura que resultarn en un proceso satisfactorio. El experimentador puede hacer el examen visual de
e
~
~ 175,0
E
<:::::>
70,00
~
172.6
170.3
167.9
77.93
~~~~~~;:::i===;;~~;;~~
80.29 82.64 85,00 87,36 89.71 92.07
Tiempo
a) La grficade contorno
70.03
63.75
~
.~ 57.47
'O
<:
'"
a:
51.19
182.1
167.9 77.93
h) La grficade la superficie de respuesta
Figura 1114 Grfica de contorno y grfica de la superficie de

respuesta de la viscosidad, ejemplo 11-2,
450 CAPTULo 11 MTODOS DE SUPERFICIESDE RESPUESTA
179.7
177.4
172.6
170.3
167.9'-- __ '--_..3o..J'--_----'_--" __ ---L_-"---'

...........
77.93 80.29 82.64 85.00 87.36 89.71 92.07
Tiempo
a) La grfica de contorno
3927
~ 3266
2845
182.1
92.07
179.2
89.24
176.4 86.41
J&~~ 173.6 83.59 ffJ
>"61....'<9 170.8 80.76 ....
\la~
167.9 77.93
b) La grfica de la superficie de respuesta
Figura 1115 Grfica de contorno y grfica de la superficie de

respuesta del peso molecular, ejemplo 11-2.
la grfica de contorno para determinar las condiciones de operacin apropiadas. Por ejemplo, es posible
que el experimentador est ms interesado en la regin ms grande de las dos regiones factibles que se
muestran en la figura 11-16.
Cuando hay ms de tres variables del diseo, se hace muy complicada la superposicin de las grficas
de contorno, ya que la grfica de contorno es bidimensional, y k - 2 de las variables del diseo deben man-
tenerse constantes para construir la grfica. Con frecuencia se necesita una gran cantidad de ensayo y
error para determinar cules son los factores que deben mantenerse constantes y qu niveles seleccionar
para obtener la mejor vista de la superficie. Por lo tanto, existe inters prctico en mtodos de optimiza-
cin ms formales para las respuestas mltiples.
182,1
179,7
177.4
I!
::J
e8. 175,0
e
~
172,6
170,3
167,9
77,93 80,29 82,64 85,00 87,36 89.71 92.07
Tiempo
Figura 1116 Regin del ptimo encontrada superponiendo las su-

perficies de respuesta del rendimiento, la viscosidad y el peso molecular,
ejemplo 11-2.
Un enfoque popular consiste en formular y resolver el problema como un problema de optimizacin

restringida. Para ilustrar este enfoque utilizando el ejemplo 11-2, el problema podra formularse como
Mx y,
sujeto a
62s Y2 S 68
Y3 S 3400
Se cuenta con varias tcnicas numricas que pueden usarse para resolver este problema. En ocasiones se
hace referencia a estas tcnicas como mtodos de programacin no lineal. El paquete de software
Design-Expert resuelve esta versin del problema utilizando un procedimiento de bsqueda directa. Las
dos soluciones encontradas son
tempo 83.5 temperatura = 177.1 y = 79.5
y
tiempo = 86.6 temperatura = 172.25 Yl = 79.5
Observe que la primera solucin esla regin factible superior (la ms pequea) del espacio del diseo
(referirse a la figura 11-16), mientras que la segunda solucin es la regin ms grande. Ambas soluciones
estn muy cerca de los lmites de las restricciones. '
Otro enfoque til para la optimizacin de respuestas mltiples es usar la tcnica de optimizacin si-
multnea popularizada por Derringery Suich [37]. Su procedimiento hace uso de las funciones con cond-
cin de deseable. El enfoque general consiste en convertir primero cada respuesta Yi en una funcin con ,
condicin de deseable individual di que vara en el rango
Osdi S 1
donde si la respuestay, est en su metau objetivo, entonces di = 1,Ysi la respuesta est fuera de una regin
aceptable, di = O. Despus las variables del diseo se eligen para maximizar la condicin de deseable global
D =. (d J . d 2 ..... d )l/m m
donde hay m respuestas.

Las funciones con condicin de deseable individual estn estructuradas como se indica en la figura
I(~~
11-17. Si el objetivo T para la respuesta y es un valor mximo,
d= ~r1,
:::~T
y>T
(11-11)
cuando la ponderacin r = 1, la funcin con condicin de deseable es lineal. Al elegir r > 1 se pone ms
inters en estar cerca del valor objetivo, y cuando se elige O < r < 1 esto tiene menos importancia. S el ob-
jetivo para la respuesta es un valor mnimo,
1 y<T
d= (~-o-;r 1'::;, y::;, U (11-12)
1 y>U
La funcin con condicin de deseable de dos colas que se muestra en la figura 11-17c supone que el obje-
tivo se localiza entre los lmites inferior (L) Y superior (U), y se define como
y<L
f(Y~Lr
T--L
L:::,y:::,T
d= (11-13)
(U-yr T:::,y:::,U
U-T
y>U

Se us el paquete de software Design-Expert para resolver el ejemplo 11-2 utilizando el enfoque de la
funcin con condicin de deseable. Se eligi T = 80 como el objetivo para la respuesta rendimiento, U =
70, Y se fij la ponderacin de esta condicin de deseable individual igual a la unidad. Se hizo T = 65 para
la respuesta viscosidad con L = 62 Y U = 68 (para ser consistente con las especificaciones), con ambas
ponderaciones r1 = r2 = 1. Por ltimo, se indic que cualquier peso molecular abajo de 3400 era acepta-
ble. Se encontraron dos soluciones.
Solucin 1:
Tiempo = 86.5 Temperatura = 170.5 D = 0.822
Yl = 78.8 }'2 = 65 }'3 = 3287
Solucin 2:
Tiempo = 82 Temperatura = 178.8 D = 0.792
Y1 = 78.5 h= 65 Y3 = 3400
La solucin 1 tiene la condicin de deseable global ms alta. Observe que resulta en una viscosidad acor-
de con el objetivo y en un peso molecular aceptable. Esta solucin est contenida en la ms grande de las
dos regiones de operacin de la figura 11-16, mientras que la segunda solucin est contenida en la regin
ms pequea. En la figura 11-18 se muestran las grficas de la superficie de respuesta y de contorno de la
funcin con condicin de deseable global D.
L T y
a) El objetivo (blanco) es maximizar y
T u y
b) El objetivo (blanco) es minimizar y
T y
e) El objetivo (blanco) es que y est tan cerca como sea posible de la especificacin
Figura 11-17 Funciones con condicin de deseables individuales para la optimiza-

cin simultnea.
OB20
0.615
~
.J:l
OA10
'"
al
'"
al
"O
al
-o
e:
'o
.;
'6
c:
o
U
175,00
Temperatura
172.50 Tiempo
180.00 ..... -~---------------------.
B 6
~ 175.00
O-
E

~
Tiempo
bl Grfica de contorno
Figura 11-18 Grfica de la superficie de respuesta y de contorno de la funcin con con-

dicin de deseable del ejemplo 11-2.
11-4 DISEOS EXPERIMENTALES PARA AJUSTAR SUPERFICIES DE RESPUESTA 455
11..4 DISEOS EXPERIMENTALESPARA AJUSTAR
SUPERFICIESDE RESPUESTA
El ajuste y anlisis de superficies de respuesta se facilita en gran medida con la eleccin apropiada del di-
sea experimental. En esta seccin se revisan algunos aspectos de la seleccin del diseo apropiado para
ajustar superficies de respuesta.
Cuando se selecciona un diseo de superficie de respuesta, algunas de las caractersticas deseables en
el diseo son las siguientes:
1. Proporciona una distribucin razonable de los puntos de los datos (yen consecuencia informa-
cin) en toda la regin de inters.
2. Permite que se investigue la adecuacin del modelo, incluyendo la falta de ajuste.
3. Permite que los experimentos se realicen en bloques.
4. Permite que los diseos de orden superior se construyan secuencialmente.
5. Proporciona una estimacin interna del error.
6. Proporciona estimaciones precisas de los coeficientes del modelo.
7. Proporciona un buen perfil de la varianza de prediccin en toda la regin experimental.
8. Proporciona una robustez razonable contra los puntos atpicos o los valores faltantes.
9. No requiere un gran nmero de corridas.
10. No requiere demasiados niveles de las variables independientes.
11. Asegura la simplicidad del clculo de los parmetros del modelo.
Estas caractersticas entran en conflicto en ocasiones, por lo que con frecuencia debe aplicarse la discre-
cionalidad al seleccionar un diseo. Para mayor informacin sobre la eleccin de un diseo de superficie
de respuesta, referirse a Myers y Montgomery [85a], Box y Draper [16b] y Khuri y Comell [67].
11..4.1 Diseos para ajustar el modelo de primer orden

Suponga que quiere ajustarse el modelo de primer orden en k variables
k
y= Po + 2: pX +E (11-14)
i~l
Hay una clase nica de diseos que minimizan la varianza de los coeficientes de regresin (p}. Se trata
de los diseos de primer orden ortogonales. Un diseo de primer orden es ortogonal si todos los elemen-
tos que estn fuera de la diagonal de la matriz (X'X) son cero. Esto implica que la suma de los productos
cruzados de las columnas de la matriz X sea cero.
La clase de los diseos de primer orden ortogonales incluye los factoriales 2k y las fracciones de la se-
rie 2k en las que los efectos principales no son alias entre s. Al usar estos diseos se supone que los niveles
bajo y alto de los k factores estn codificados en los niveles usuales 1.
El diseo 2k no permite la estimacin del error experimental a menos que se hagan rplicas de algu-
nas corridas. Un mtodo comn de incluir las rplicas en el diseo 2k es aumentar el diseo con varias ob-
servaciones en el centro (el punto Xi = O, i = 1, 2, ..., k). La adicin de puntos centrales al diseo 2k no
{P
influye en las } para i ~ 1, pero la estimacin de Po se convierte en el gran promedio de todas las obser-
vaciones. Adems, la adicin de puntos centrales no altera la propiedad de ortogonalidad del diseo. En
al
/J)
Figura 11-19 El diseo smplex para

a) k = 2 variables y b) k = 3 variables.
el ejemplo 11-1 se ilustra el uso de un diseo 22 aumentado con cinco puntos centrales para ajustar un mo-
delo de primer orden.
Otro diseo de primer orden ortogonal es el diseo smplex.. El diseo smplex es una figura de lados
regulares con k + 1 vrtices en k dimensiones. Por lo tanto, el diseo smplex para k = 2 es un tringulo
equiltero, y para k = 3 es un tetraedro regular. En la figura 11-19 se muestran diseos smplex de dos y
tres dimensiones.
11~4.2 Diseos para ajustar el modelo de segundo orden
En el ejemplo 11-2 se hizo la introduccin informal (e incluso antes en el ejemplo 6-6) del diseo central
compuesto o DCC para ajustar un modelo de segundo orden. Se trata de la clase ms popular de diseos
usados para ajustar estos modelos. En general, el DCC consta de un factorial Z"(o de un factorial fraccio-
nado de resolucin V) con nF corridas, 2k corridas axiales o estrella y ne corridas centrales. En la figura
11-20 se muestra el DCC para k = 2 Y k = 3 factores.
El despliegue prctico de un DCC surge con frecuencia a travs de la experimentacin secuencial,
como en los ejemplos 11-1 y 11-2. Es decir, se ha usado un diseo 2k para ajustar un modelo de primer or-
den, este modelo ha presentado falta de ajuste, y despus se agregaron las corridas axiales para permitir la
incorporacin de los trminos cuadrticos en el modelo. El DCC es un diseo muy eficiente para ajustar
el modelo de segundo orden. Hay dos parmetros en el diseo que deben especificarse: la distancia a de
las corridas axiales al centro del diseo y el nmero de puntos centrales ne. A continuacin se analiza la
eleccin de estos dos parmetros.
(O,a)
(-1, +1) (+1.+1)
(-a. O) (0,0) (a. O)
(-1,-1) (+1,-1)
(D.-a)
Figura 11-20 Diseos centrales compuestos para k =2yk = 3.
Rotabilidad
Es importante que el modelo de segundo orden proporcione buenas predicciones en toda la regin de in-
ters. Una manera de definir "buenas" es requerir que el modelo tenga una varianza razonablemente
consistente y estable de la respuesta predicha en los puntos de inters x. Recuerde, por la ecuacin 10-40,
que la varianza de la respuesta predicha en algn punto x es
V[5(x)]= a2x'(X'Xr1x
Box y Hunter [17a] propusieron que un diseo de superficie de respuesta de segundo orden debe ser rota-
ble. Esto significa que la Jil5(x)] es la misma en todos los puntos x que estn a la misma distancia dl ceno
tro del diseo. Es decir, la varianza de la respuesta predicha es constante en esferas.
En la figura 11-21 se muestran los contornos de ~l'15(x)]constante para el ajuste del modelo de se-
gundo orden utilizando el DCC en el ejemplo 11-2. Observe que los contornos de desviacin estndar
constante de la respuesta predicha son crculos concntricos. Un diseo con esta propiedad dejar la va-
rianza de y sin cambio cuando el diseo se rota alrededor del centro (O, 0, ... , O), de ah el nombre de dise-
o rotable.
La rotabilidad es una base razonable para la seleccin de un diseo de superficie de respuesta. Puesto
que la finalidad de la MSR es la optimizacin, y la localizacin del ptimo se desconoce antes de correr el
experimento, tiene sentido el uso de un diseo que proporcione una precisin de estimacin igual en to-
das las direcciones (puede demostrarse que cualquier diseo de primer orden ortogonal es rotable),
Un diseo central compuesto se hace rotable mediante la eleccin de a. El valor de a para la rotabili-
dad depende del nmero de puntos en la porcin factorial del diseo; de hecho, a = (nF )1/4 produce un di-
seo central compuesto rotable, donde nF es el nmero de puntos usados en la porcin factorial del
diseo.
El DCC esfrico
La rotabilidad es una propiedad esfrica; es decir, tiene mayor sentido como criterio de diseo cuando la
regin de inters es una esfera. Sin embargo, no es importante tener una rotabilidad exacta para tener un
buen diseo. De hecho, para una regin esfrica de inters, la mejor eleccin de a desde el punto de vista
de la varianza de prediccin para el DCC es hacer a = -Jk. Este diseo, llamado DCC esfrico, coloca to-
dos los puntos factoriales y axiales del diseo sobre la superficie de una esfera de radio..ne. Para una expo-
sicin ms amplia del tema, ver Myers y Montgomery [85a].
458 CAPTULO 11 MTODOS DE SUPERFICIESDE:RESPUESTA
0.3019 0.3484
<ti
s
jj
.,o, 175.0
E
~
172.6
170.3
0.3019
Tiempo
a) Contornosde" V(y(ll))
0.3949
0.3020
I~ 0.2091
~
182.1
167.9 77.93 Figura 11-21 Contornos de desviacin estndar cons-

bl La grfica de la superficie de respuesta
tante de la respuesta predicha para el DCC rotable, ejem-
plo 11-2.
Corridas centrales en el DCC

La eleccin de a en el DCC est dictada principalmente por la regin de inters. Cuando esta regin es
una esfera, el diseo debe incluir corridas centrales para proporcionar una varianza razonablemente es-
table de la respuesta predicha. En general, se recomiendan de tres a cinco corridas centrales.
El diseo de Box-Behnken
Box y Behnken [13] han propuesto algunos diseos de tres niveles para ajustar superficies de respuesta.
Estos diseos se forman combinando factoriales 2k con diseos de bloques incompletos. Los diseos re-
11-4 DISEOS EXPERIMENTAtES PARA AJUSTAR SUPERFICIES DE RESPUESTA 459
Tabla 11-8 Diseo de Box-Behnken
para tres variables
Corrida Xl X X3
1 -1 -1 O
2 -1 1 O
3 1 -1 O
4 1 1 O
5 -1 O -1
6 -1 O 1
7 1 O -1
8 1 O 1
9 O -1 -1
10 O -1 1
11 O 1 -1
12 O 1 1
13 O O O
14 O O O
15 O O O
sultantes suelen ser muy eficientes en trminos del nmero requerido de corridas, y son rotables o casi ro-
tables.
En la tabla 11-8 se muestra el diseo de Box-Behnken para tres variables. El diseo tambin se ilustra
geomtricamente en la figura 11-22. Observe que el diseo de Box-Behnken es un diseo esfrico, con to-
dos los puntos localizados en una esfera de radio V2.Asimismo, el diseo de Box-Behnken no contiene
ningn punto en los vrtices de la regin cbica creada por los lmites superior e inferior de cada variable.
Esto podra ser una ventaja cuando los puntos de los vrtices del cubo representan combinaciones de los
niveles de los factores cuya prueba es prohibitivamente costosa o imposible debido a restricciones fsicas
del proceso.
Regi6n cuboidal de inters

Existen muchas situaciones en las que la regin de inters es cuboidal en lugar de esfrica. En estos casos,
una variante til del diseo central compuesto es el diseo central compuesto con centros en las caras o el
cubo con centros en las caras, en el que a = 1. En este diseo los puntos axiales o estrella se localizan en
=
los centros de las caras del cubo, como se muestra en la figura 11-23 para k 3. Esta variante del diseo
central compuesto se usa en ocasiones debido a que slo requiere tres niveles de cada factor, y en la prc-

I o
"1 ,.-
-1
I
,.1- __
7+1
1
x3k2x,
"1
-1
%3k %,
2
-1 +1 -1 +1
Figura 11-22 Diseo de Box-Behnken para tres Figura 11-23 Diseo central compuesto con centros
factores. en las caras para k :: 3.
0.848
0.742
0.637
0.531
0.425
~
-1.00 -1.00
la) Superficie de respuesla
-1
-1.00 -0.50 0.00 0.50 1.00
Xl
1M GrMlca de contorno
Figura 1124 Desviacinestndar de la respuesta predicha JV[ji(x)] para el cubo con
centros en las caras con k = 3, nc = 3 YX3 = O.
al b)
Figura 11-25 Diseos equirradialespara dos variables. a) Hexgono. b) Pen-

tgono.
tica con frecuencia es difcil cambiar los niveles de los factores. Sin embargo, observe que los diseos cen-
trales compuestos no son rotables.
El cubo con centros en las caras no requiere tantos puntos centrales como el DCC esfrico. En la
prctica, nc = 2 o 3 es suficiente para proporcionar una buena varianza de prediccin en toda la regin ex-
perimental. Cabe sealar que en ocasiones se emplearn ms corridas centrales para dar una estimacin
razonable del error experimental. En la figura 11-24 se muestra la raz cuadrada de la varianza de predic-
cin v'V[5(x)] del cubo can centros en las caras para k = 3 con n = 3 puntos centrales (x3 = O). Observe
que la desviacin estndar de la respuesta predicha es razonablemente uniforme en una porcin relativa-
mente larga del espacio del diseo.
Otros diseos
Existen muchos otros diseos de superficie de respuesta que en ocasiones Son tiles en la prctica. Para
dos variables, podran usarse diseos compuestos de puntos cuya separacin en un crculo es igual y que
forman polgonos regulares. Puesto que los puntos del diseo son equidistantes del origen, a estos arre-
glos con frecuencia se les llama diseos equirradiales.
Para k = 2, un diseo equirradial rotable se obtiene combinando n2 2: 5 puntos con una separacin
igual en un crculo con nl 2: 1 punto en el centro del crculo. Diseos de particular utilidad para k = 2 son
el pentgono y el hexgono. Estos diseos se muestran en la figura 11-25. Otros diseos tiles incluyen el
diseo compuesto pequeo, el cual consiste en un factorial fraccionado en el cubo de resolucin 111* (los
efectos principales son alias de las interacciones de dos factores y ninguna de las interacciones de dos fac-
tores es alias entre s) y las corridas axiales y centrales usuales, y la clase de los diseos hbridos. Estos di-
seos pueden ser de valor considerable cuando es importante reducir el nmero de corridas tanto como
sea posible.
En la tabla 11-9 se muestra un diseo compuesto pequeo para k = 3 factores. Este diseo usa la frac-
cin un medio estndar del diseo 23 en el cubo, ya que satisface los criterios de la resolucin 111*. El dise-
o tiene cuatro corridas en el cubo y seis corridas axiales, y debe incluir al menos un punto central. Por lo
= =
tanto, el diseo tiene un mnimo de N 11 ensayos, y el modelo de segundo orden en k 3 variables tiene
p == 10 parmetros por estimar, por 10 que se trata de un diseo muy eficiente con respecto al nmero de
= =
corridas. El diseo de la tabla 11-9 tiene nc 4 corridas centrales. Se seleccion a 1.73 para obtener un
diseo esfrico debido a que el diseo compuesto pequeo no puede hacerse rotable.
=
En la tabla 11-10 se muestra un diseo hbrido para k 3. Algunos de estos disefios tienen niveles
irregulares, y esto puede ser un factor limitante para su aplicacin. Sin embargo, se trata de diseos muy
Tabla 119 Diseo compuesto pequeo

para k = 3 factores
Orden
estndar X1 Xz X3
1 1.00 1.00 -1.00

2 1.00 -1.00 1.00
3 -1.00 1.00 1.00
4 -1.00 -1.00 -1.00
5 -1.73 0.00 0.00
6 1.73 0.00 0.00
7 0.00 -1.73 0.00
8 0.00 1.73 0.00
9 0.00 0.00 -1.73
10 0.00 0.00 1.73
11 0.00 0.00 0.00
12 0.00 0.00 0.00
13 0.00 0.00 0.00
14 0.00 0.00 0.00
pequeos, y poseen excelentes propiedades de la varianza de prediccin. Para mayores detalles acerca de
los diseos compuestos pequeos y los diseos hbridos, referirse a Myers y Montgomery [85a].
11..4.3 Formacin de bloques en los diseos de superficie de respuesta

Cuando se usan diseos de superficie de respuesta, con frecuencia es necesario considerar la formacin
de bloques para eliminar las variables perturbadoras. Por ejemplo, este problema puede ocurrir cuando
un diseo de segundo orden se ensambla secuencialmente a partir de un diseo de primer orden, como se
ilustr en los ejemplos 11-1 y 11-2. Puede transcurrir tiempo considerable entre que se corre el modelo de
primer orden y se corren los experimentos complementarios requeridos para construir un diseo de se-
Tabla 1110 Diseo hbrido para k = 3

factores
Orden
estndar Xl Xz x)
1 0.00 0.00 1.41
2 0.00 0.00 -1.41
3 -1.00 -1.00 0.71
4 1.00 -1.00 0.71
5 -1.00 1.00 0.71
6 1.00 1.00 0.71
7 1.41 0.00 -0.71
8 -1.41 0.00 -0.71
9 0.00 1.41 -0.71
10 0.00 -1.41 -0.71
11 0.00 0.00 0.00
11-4 DISEOS EXPERlMENT ALES PARA AJUSTAR SUPERFICIES DE RESPUESTA 463
gundo orden, y durante este tiempo las condiciones de prueba pueden cambiar, haciendo necesaria la for-
macin de bloques.
Se dice que un diseo de superficie de respuesta se forma de bloques ortogonales si se divide en blo-
ques tales que sus efectos no afecten las estimaciones de los parmetros del modelo de superficie de res-
puesta. Si se usa un diseo 2k o 2k-p como un diseo de superficie de respuesta de primer orden, pueden
usarse los mtodos del captulo 7 para disponer las corridas en 2' bloques. Los puntos centrales de estos
diseos debern asignarse por igual entre los bloques.
Para hacer la formacin de bloques ortogonales de un diseo de segundo orden, deben satisfacerse
dos condiciones. Si hay nb observaciones en el bloque b-simo, entonces estas condiciones son
1. Cada bloque debe ser un diseo ortogonal de primer orden; es decir,
~ x"xju =O i '# j = O, 1, ... , k para todab

,j=1
donde Xiu Yxju son los niveles de las variables i-sima yj-sima en la corrida u-sima del experi-
mento con XOu = 1 para toda u.
2. La fraccin de la suma de cuadrados total para cada variable con que contribuye cada bloque,
debe ser igual a la fraccin de las observaciones totales que estn contenidas en el bloque;
es decir,
i = 1, 2, ... , k para todab
donde N es el nmero de corridas del diseo.
Como un ejemplo de la aplicacin de estas condiciones, considere un diseo central compuesto rota-
ble en k = 2 variables con N = :1.2corridas. Los niveles Xl y X2 de este diseo pueden escribirse en la matriz
del diseo
-1
-1
1
1
O
O
D= 1.414 O
Xl
-1
-1
1
1
O
O
X2
Bloque 1
-1.414 O
O 1.414
O -1.414 Bloque 2
O O
O O
Observe que el diseo se ha dispuesto en dos bloques, con el primer bloque consistiendo en la porcin
factorial del diseo ms dos puntos centrales y el segundo bloque consistiendo en los puntos axiales ms
dos puntos centrales adicionales. Es claro que la condicin 1 se satisface; es decir, ambos bloques son di-
seos de primer orden ortogonales. Para investigar la condicin dos, considere primero el bloque 1y ob-
serve que
~
L.,
X2
tu
=L
~ X2
2u
=4
u=*l u;;;;;l
Por lo tanto,
4 6
-::;:::;:-
8 12
As, la condicin 2 se satisface en el bloque 1. Para el bloque 2 se tiene
Por lo tanto,
4 6
-=-
8 12
Puesto que la condicin 2 tambin se satisface en el bloque 2, este diseo est formado de bloques ortogonales.
En general, el diseo central compuesto siempre puede construirse para hacer la formacin de blo-
ques ortogonales en dos bloques con el primer bloque consistiendo en np puntos factoriales ms ncp pun-
tos centrales y el segundo bloque consistiendo en nA = ']k puntos axiales ms nCA puntos centrales. La
primera condicin de la formacin de bloques ortogonales se cumplir siempre independientemente del
valor que se use para a en el diseo. Para que la segunda condicin se cumpla,
~ x! = nA +nCA
.s__
(11-15)
El miembro izquierdo de la ecuacin 11-15 es 2a2/np, y despus de sustituir esta cantidad, la ecuacin para
el valor de a que resultar en la formacin de bloques ortogonales puede resolverse como
a= [nF(nA +nCA )]1/2 (11-16)

2(np +nCF)
11-4 DISEOS EXPERlMENT ALES PARA AJUSTAR SUPERFICIES DE RESPUESTA 465
Este valor de a no dar como resultado, en general, un diseo rotable o esfrico. Si se requiere que el
diseo tambin sea rotable, entonces a = (nF)1!4Y
1/2 _ nF(nA +nCA)
( nF ) - (11-17)
2(nF +nCF)
No siempre es posible encontrar un diseo que satisfaga exactamente la ecuacin 11-17. Por ejemplo, si
k = 3, nI:' = 8 Y nA = 6, la ecuacin 11-17 se reduce a
(8)1/2 = 8(6+nCA)
2(8+nCF)
2.83= 48+8nCA
16+2ncF
Es imposible encontrar valores de nCAYnCFque satisfagan exactamente esta ltima ecuacin. Sin embar-
go, observe que si na = 3 Y nC-A = 2, entonces el segundo miembro es
48+8(2)
2.91
16+2(3)
por lo que el diseo se separa en bloques casi ortogonales. En la prctica podra relajarse un tanto el re-
querimiento de la rotabilidad o bien el de la formacin de bloques ortogonales sin ninguna prdida im-
portante de informacin.
El diseo central compuesto es muy verstil en cuanto a su capacidad para incorporar la formacin
de bloques. Si k es lo suficientemente grande, la porcin factorial del diseo puede dividirse en dos o ms
bloques. (El nmero de bloques factoriales debe ser una potencia de 2, con la porcin axial formando un
solo bloque.) En la tabla 11-11 se presentan varias disposiciones tiles de la formacin de bloques para el
diseo central compuesto.
Tabla 11-11 Algunos diseos centrales compuestos rotables V casi rotables que se separan en bloques ortogonales
5 6 7
k 2 3 4 5 tRepo 6 tRepo 7 tRepo
Bloque{s} factorial{ es}
nF 4 8 16 32 16 64 32 128 64
Nmero de bloques 1 2 2 4 1 8 2 16 8
Nmero de puntos en cada
bloque 4 4 8 8 16 8 16 8 8
Nmero de puntos centrales
en cada bloque 3 2 2 2 6 1 4 1 1
Nmero total de puntos en
cada bloque 7 6 10 10 22 9 20 9 9
Bloque axial
nA 4 6 8 10 10 12 12 14 14
nCA 3 2 2 4 1 6 2 11 4
Nmero total de puntos en el
bloque axial 7 8 10 14 11 18 14 25 18
Nmero total de puntos N del
disefio 14 20 30 54 33 90 54 169 80
Valores dea
Separacin en bloques ortogonales 1.4142 1.6330 2.0000 2.3664 2.0000 2.8284 2.3664 3.3636 2.8284
Rotabilidad 1.4142 1.6818 2.0000 2.3784 2.0000 2.8284 2.3784 3.3333 2.8284
Cabe destacar dos puntos importantes acerca del anlisis de varianza cundo el diseo de superficie
de respuesta se ha corrido en bloques. El primero se refiere al uso de los puntos centrales para calcular
una estimacin del error puro; Slo los puntos centrales que se corren en el mismo bloque pueden consi-
derarse como rplicas, por lo que el trmino del error puro slo puede calcularse dentro de cada bloque.
Si la variabilidad es consistente en todos los bloques, entonces estas estimaciones del error puro podran
agruparse. El segundo punto se refiere al efecto de bloque. Si el diseo se forma de bloques ortogonales
en m bloques, la suma de cuadrados de los bloques es
(11-18)
donde B es el total de las nb observaciones en el bloque b-simo y G es el gran total de las N observaciones
en los m bloques. Cuando los bloques no son exactamente ortogonales, puede usarse la prueba general de
significacin de la regresin (el mtodo de la "suma de cuadrados extra") que se describi en el captulo 10.
11-4.4 Diseos (ptimos) generados por computadora

Los diseos estndares de superficie de respuesta estudiados en las secciones anteriores, como el diseo
central compuesto y el diseo de Box-Behnken y sus variantes (como el cubo con centros en las caras), son
de uso generalizado porque son diseos bastante generales y flexibles. Si la regin experimental es un
cubo o una esfera, de manera tpica existe un diseo de superficie de respuesta que ser aplicable al pro-
blema. Sin embargo, ocasionalmente un experimentador se encuentra con una situacin en la que el dise-
o estndar de superficie de respuesta puede no ser una eleccin obvia. Los diseos generados por
computadora son una alternativa por considerar en estos casos.
Hay tres situaciones en las que puede ser apropiado algn tipo de diseo generado por computadora.
1. Una regin experimental irregular. Si la regin de inters del experimento no es un cubo o una esfera,
los diseos estndares quiz no sean la mejor eleccin. Las regiones de inters irregulares ocurren con
bastante frecuencia. Por ejemplo, un experimentador est investigando las propiedades de un adhesivo
particular. El adhesivo se aplica a dos piezas y despus se cura a una temperatura elevada. Los dos facto-
res de inters son la cantidad de adhesivo aplicada y la temperatura de curado. En los rangos de estos dos
factores, tomados como -1a + 1en la escala de la variable codificada usual, el experimentador sabe que si
se aplica muy poco adhesivo y la temperatura de curado es muy baja, las piezas no se pegarn satisfacto-
riamente. En trminos de las variables codificadas, esto lleva a una restriccin sobre las variables del dise-
o, por ejemplo
dondex, representa la cantidad aplicada de adhesivo yx2la temperatura. Adems, si la temperatura es de-
masiado elevada y se aplica mucho adhesivo, las piezas resultarn daadas por la fatiga trmica o bien
ocurrir un pegado inadecuado. Por lo tanto, hay otra restriccin sobre los niveles de los factores
Xl +X2 s1
En la figura 11-26 se muestra la regin experimental que resulta de aplicar estas restricciones. Observe
que las restricciones eliminan de hecho dos de los vrtices del cuadrado, produciendo una regin experi-
.."
-1.0 -0.5 b 0.5 1.0

x,
Figura 11.26 Regin restringida del diseo en dos variables.
mental irregular (en ocasiones a estas regiones irregulares se les llama "latas abolladas"). No existe nin-
gn diseo de superficie de respuesta estndar que se ajuste exactamente a esta regin.
2. Un modelo no estndar. Por lo general, un experimentador elige un modelo de superficie de respues-

ta de primer o de segundo orden, consciente de que este modelo emprico es una aproximacin del verda-
dero mecanismo subyacente. Sin embargo, en ocasiones el experimentador puede tener un conocimiento
o idea especial acerca del proceso bajo estudio que puede sugerir un modelo no estndar. Por ejemplo, el
modelo
y= [30 +[31x1 +[32x2 +[312XIX2 +[311X~+[322X;
+[3l12X12X2 +[31l12X;X2 +e
puede ser de inters. El experimentador estara interesado en obtener un diseo eficiente para ajustar
este modelo reducido de cuarto grado. Como otra ilustracin, en ocasiones se encuentran problemas de
superficie de respuesta en los que algunos de los factores del diseo son variables categricas. No hay di-
seos de superficie de respuesta estndares para esta situacin (referirse a Myers y Montgomery [85a]
para un estudio de las variables categricas en problemas de superficie de respuesta).
3. Requerimientos inusuales para el tamao de la muestra. Ocasionalmente, un experimentador quiz

necesite reducir el nmero de corridas requeridas en un diseo estndar de superficie de respuesta. Por
ejemplo, suponga que se pretende ajustar un modelo de segundo orden en cuatro variables. El diseo
central compuesto para esta situacin requiere entre 28 y 30 corridas, dependiendo del nmero de puntos
centrales seleccionados. Sin embargo, el modelo slo tiene 15 trminos. Si las corridas tienen un costo
muy elevado o se llevan mucho tiempo, el experimentador querr un diseo con menos ensayos. Aun
cuando los diseos generados por computadora pueden usarse para este fin, por lo general se cuenta con
enfoques mejores. Por ejemplo, puede construirse un diseo compuesto pequeo para cuatro factores
con 20 corridas, incluyendo cuatro puntos centrales, y tambin se cuenta con un diseo hbrido con ape-
nas 16 corridas. stas son en general elecciones superiores al uso de un diseo generado por computado-
ra para reducir el nmero de ensayos.
Gran parte del desarrollo de los diseos generados por computadora se deriva del trabajo de Kiefer
[65a, b] YKiefer y Wolfowitz [66] en la teora de los diseos optimales. Por diseo optimal se entiende un
diseo que es "mejor" con respecto a algn criterio. Se requieren programas de computadora para cons-
truir estos diseos. El enfoque usual es especificar un modelo, determinar la regin de inters, seleccio-
nar el nmero de corridas que debern hacerse, especificar el criterio de optimalidad y despus elegir los
puntos del diseo de un conjunto de puntos candidatos que el experimentador considerara usar. De ma-
nera tpica, los puntos candidatos son una matriz de puntos distribuidos en la regin factible del diseo.
Hay varios criterios de optimalidad populares. Quiz el de uso ms generalizado es el criterio de opt-
maldad D. Se dice que un diseo es optimal D si
se minimiza. Ocurre que un diseo optimal D minimiza el volumen de la regin de confianza conjunta
para el vector de los coeficientes de regresin. Una medida de la eficiencia relativa del diseo 1 respecto
del diseo 2 de acuerdo con el criterio D est dada por
D = (I(X;Xz f11)lJP (11-19)

e I(X~Xlfll
donde Xl Y X2 son las matrices X de los dos diseos y p es el nmero de parmetros del modelo.
El criterio de optimalidadA slo se ocupa de las varianzas de los coeficientes de regresin. Un diseo
es optimalA si minimiza la suma de los elementos de la diagonal principal de (X'Xtl [a sta se le llama la
traza de (X'xt\ denotada generalmente como tr(X'Xr1]. Por 10 tanto, un diseo optimalA minimiza la
suma de las varianzas de los coeficientes de regresin.
Puesto que muchos experimentos de superficie de respuesta se refieren a la prediccin de la respues-
ta, los criterios de la varianza de prediccin son de gran inters prctico. Quizs el ms popular de estos
criterios sea el criterio de optimalidad G. Se dice que un diseo es optimal G si minimiza 'la varianza de
prediccin escalada mxima en la regin del diseo. Es decir, si el valor mximo de
NV[5(x)]
aZ
en la regin del diseo es un mnimo, donde N es el nmero de puntos del diseo. Si el modelo tiene p pa-
rmetros, la eficiencia G de un diseo es precisamente
p
G. = , NV[5(x)]
(11-20)
max 2
a
El criterio V considera la varianza de prediccin en un conjunto de puntos de inters en la regin del dise-
o, por ejemplo Xl' X2, , Xm El conjunto de puntos podra ser el conjunto de candidatos del que se selec-
cion el diseo, o podra ser alguna otra coleccin de puntos que tienen un significado especfico para el
experimentador. Un diseo que minimiza la varianza de prediccin promedio en este conjunto de m pun-
tos es un diseo optimal V.
En conjunto, a los criterios de diseo que se han venido estudiando suele llamrseles criterios d op-
timalidad alfabtica. Existen algunas situaciones en las que el diseo optimal alfabtico se conoce o bien
11-4 DISEOS EXPERIMENTALES PARA AjUSTAR SUPERFICIES DE RESPUESTA 469
puede construirse analticamente. Un buen ejemplo es el diseo r,que es optimal D, A, G YV para ajus-
tar el modelo de primer orden en k variables o para ajustar el modelo de primer orden con interaccin.
Sin embargo, en la mayora de los casos el diseo optimal no se conoce y debe emplearse un algoritmo ba-
sado en "Computadora para encontrar un diseo. Muchos paquetes de software de estadstica que sopor-
tan experimentos diseados cuentan con esta capacidad. La mayora de los procedimientos para construir
diseos se basan en el algoritmo de intercambio. En esencia, el experimentador selecciona una matriz de
puntos candidatos y un diseo inicial (quiz al azar) a partir de este conjunto de puntos. Entonces el algo-
ritmo intercambia los puntos que estn en la matriz, pero no en el diseo, con los puntos que estn actual-
mente en el diseo, en un esfuerzo por mejorar el criterio de optimalidad seleccionado. Debido a que no
se evalan explcitamente todos los diseos posibles, no hay garanta de que se ha encontrado un diseo
optimal, pero el procedimiento de intercambio suele asegurar que se obtiene un diseo que est "cerca"
del optimal. Algunas implementaciones repiten varias veces el proceso de construccin del diseo, empe-
zando con diseos iniciales diferentes, para incrementar la posibilidad de que se obtendr un diseo final
que est muy cerca del optimal.
Para ilustrar algunas de estas ideas, considere el experimento del adhesivo expuesto anteriormente y
que llev a la regin experimental irregular de la figura 11-26. Suponga que la respuesta de inters es la
fuerza de desprendimiento y que quiere ajustarse un modelo de segundo orden para esta respuesta. En la
figura 11-27a se muestra un diseo central compuesto con cuatro puntos centrales (12 corridas en total)
inscrito dentro de esta regin. Se trata de un diseo que no es rotable, pero es el DCC ms grande que
puede ajustarse dentro del espacio del diseo. Para este diseo I (X'X)-JI = 1.852 E-2, y la traza de (X'xt1
es 6.375. En la figura 11-27a tambin se muestran los contornos de desviacin estndar constante de la
respuesta predicha, calculada suponiendo que a = 1. En la figura 11-27b se muestra la grfica de superfi-
cie de respuesta correspondiente.
En la figura 11-28a y enla tabla 11-12 se muestra un diseo optimalD de 12 corridas para este proble-
ma, generado con el paquete de software Design-Expert. Para este diseo, I (X'Xt11 = 2.153 E-4. Observe
que el criterio D es considerablemente mejor para este diseo que el DCC inscrito. La eficiencia relativa
del DCC inscrito con respecto al diseo optimal D es
D = (I(X;X )-II)IIP-= (0.0002153)1/6 = 0.476

2
I(X~XIr11 0.01852
Es decir, el DCC inscrito tiene una eficiencia de slo 47.6% que la del diseo optimal D. Esto implica que
tendran que hacerst:.1/0.476 = 2.1 rplicas del DCC (o aproximadamente el doble) para tener la misma
precisin de la estimacin de los coeficientes de regresin que la que se consigue con el diseo optimal D.
La traza de (X'Xt1 es 2.516 para el diseo optimal D, lo cual indica que la suma de las varianzas de los
coeficientes de regresin es considerablemente ms pequea para este diseo que para el DCC. En las fi-
guras 11-28a y b se muestran tambin los contornos de desviacin estndar constante de la respuesta pre-
dicha y la grfica de la superficie de respuesta asociada (suponiendo que a = 1). En general, los contornos
de la desviacin estndar de la prediccin son ms bajos para el diseo optimalD que para el DCC inscri-
to, particularmente cerca de los lmites de la regin de inters, donde el DCC inscrito no incluye ninguno
de los puntos del diseo.
En la figura 11-29a se muestra un tercer diseo, creado al tomar las dos rplicas de los vrtices de la
regin en el diseo optimal D y pasarlas al centro del diseo. Esto podra ser una idea til, ya que la figura
11-28b muestra que la desviacin estndar de la respuesta predicha se incrementa ligeramente cerca del
centro de la regin del diseo para el diseo optimalD. En la figura 11-29a se muestran tambin los con-
tornos de desviacin estndar constante de la prediccin para este diseo optimalD modificado, y en la fi-
-1.00 .__----
-1.00 ~.60 0.00 0.60 1.00
JI,
'Il) Eldlsello y los contornos de .J'V (f'.lIIi constante
(b) La grfica de superficie de respuesta
Figura 11-27 Un diseno central compuesto inscrito para la regin restringida del diseo
de la figura 11-26.
2
.,"
-1.00 '-------....::
-1.00 -0.50 0.00 0.50 1.00
x,
(a) El disello y los conlDrnos de N lj(xWa2 constante
0.837
0.755
0.674
B
l
0.592
.b
::.
(b) La grfica de superftcle de respuesta
Figura 11-18 Un diseo optimal D para la regin restringida del diseo de la figura
11-26.
Tabla 11-12 Diseo optimal D para la

regin restringida de la
figura 11-26
Orden
estndar
1 --{).50 -1.00
2 1.00 0.00
3 --{).08 --{).08
4 -1.00 1.00
5 1.00 -1.00
6 0.00 1.00
7 -1.00 0.25
8 0.25 -1.00
9 -1.00 --{).50
10 1.00 0.00
11 0.00 1.00
12 --{).08 --{).08
gura 11-29b se muestra la grfica de la superficie de respuesta. El criterio D para este diseo es I (X'xyll
;: 3.71 E-4, Y la eficiencia relativa es
D = (I(X;Xz f11)l/P = (0.0002153)1/6 = 0.91

e I(X;Xrll 0.000371
Es decir, este diseo es casi tan eficiente como el diseo optimalD. La traza de (X'Xr1 es 2.448 para este
diseo, un valor ligeramente mayor que el que se obtuvo para el diseo optimal D. Los contornos de des-
viacin estndar constante de la prediccin para este diseo dan la impresin visual de ser al menos tan
buenos como los del diseo optimal D, particularmente en el centro de la regin.
Los diseos generados por computadora con base en los criterios de optimalidad alfabtica pueden
ser ciertamente tiles en situaciones en las que la regin experimental no es ni esfrica ni cuboidal. Sin
embargo, no son sustitutos de los diseos estndares en la mayora de los problemas. Los diseos optima-
les alfabticos se generan apegndose estrictamente a un solo criterio y, como se seal al principio de la
seccin 11-4, donde se enlistaron varios criterios para diferentes diseos, incluyen varios que son de ca-
rcter un tanto cualitativo o subjetivo. En problemas experimentales reales, por lo general hay muchos
criterios que es necesario evaluar para seleccionar un diseo. Para un estudio ms amplio de este tema,
referirse a Myers y Montgomery [85a, captulo 8].
11~5 EXPERIMENTOS CON MEZCLAS
En las secciones anteriores se presentaron diseos de superficie de respuesta para aquellas situaciones en
las que los niveles de cada factor son independientes de los niveles de otros factores. En los experimentos
con mezclas, los factores son los componentes o ingredientes de una mezcla y, por consiguiente, sus nive-
les no son independientes. Por ejemplo, si Xl> x2, ... , xp denota las proporciones de p componentes de una
mezcla, entonces
i = 1, 2, ... , p
y
(es decir, 100%)
11-5 EXPERIMENTOS CON MEZCLAS 473
-1.00 '--------
-1.00 -0.50 0.00 0.50 1.00
x,
(a' El diseo y ~oscontornos de "V Ij(al)fa' constante
(b' La grfica de superficie de respuesta
Figura 11-29 Un diseo optimal D modificado para la regin restringida del diseo de la fi-
gura 11-26.
b)
Figura 11-30 Espacio de los factores Figura 11-31 Sistema coordenado trilineal.
restringidos para mezclascon (1) p = 2
componentesy b) P = 3 componentes.
Estas restricciones se ilustran grficamente en la figura 11-30 para p :::;2 YP = 3 componentes. Para dos
componentes, el espacio de los factores del diseo incluye todos los valores de los dos componentes que
estn sobre el segmento de recta Xl + Xz = 1, con cada componente siendo acotado por Oy L Con tres
componentes, el espacio de la mezcla es un tringulo con vrtices que corresponden a las formulaciones
que son mezclas puras (mezclas que son 100% de un solo componente).
Cuando hay tres componentes en la mezcla, la regin experimental restringida puede representarse
convenientemente en papel milimtrico trilineal, como se muestra en la figura 11-31. Cada uno de los
tres lados de la grfica de la figura 11-31 representa una mezcla que no contiene nada de alguno de los
tres componentes (el componente indicado en el vrtice opuesto). Las nueve lneas de graduacin en
cada direccin marcan incrementos de 10% en el componente respectivo.
Los diseos smplex se usan para estudiar los efectos de los componentes de una mezcla sobre la va-
riable de respuesta. Un diseo smplex reticular {p, m} parap componentes consta de los puntos defini-
dos por los siguientes arreglos de las coordenadas: las proporciones asumidas por cada componente
toman los m + 1 valores que estn separados por una distancia igual de O a 1,
1 2
x=O,-,-, ..,l i=l,2, ...,p (11-21)
mm
y se usan todas las combinaciones posibles (mezclas) de las proporciones de la ecuacin 11-21. Como un
ejemplo, sean p = 3 Y m = 2. Entonces
i = 1, 2, 3
%," 1
Retrcula [3, 21 %, ~ 1 Reticula [3, 3)
%3 ~ 1 %3 ~ 1
Retrcula [4, 2) Retrcula [4, 3)
Figura 11-32 Algunos diseos smplexreticulares para p = 3 y P = 4 componentes.
y el diseo smplex reticular consta de las seis corridas siguientes:

(x}>xz' X3) = (1,O,O),(O,1,0),(0, O,l),(t, t, O),(t,O,t), (O,t, t)
En la figura 11-32 se ilustra este diseo. Los tres vrtices (1, O,O),(O,1, O)y (O,O,1) son las mezclas puras,
mientras que los puntos (t,t, O), (t, O,t) y (O,t, t) son mezclas binarias o mezclas de dos componentes lo-
calizadas en los puntos medios de los tres lados del tringulo. En la figura 11-32 se muestran tambin los
diseos smplex reticulares {3, 3}, {4, 2} y {4, 3}. En general, el nmero de puntos en un diseo smplex
reticular {p, m} es
N = ..,.(p,--+_m_-_l.<...)!
m!(p-l)!
Una alternativa del diseo smplex reticular es el diseo smplex de centroide. En un diseo smplex
de centroide conp componentes, hay 2P -1 puntos, que corresponden a las p permutaciones de (1,O,O,...,
t.
O),las ( ~) permutaciones de (t, O,..., O),las (~) permutaciones de (t, t, t, O,..., O),..., y el centroide glo-
bal (}, }, ..., }). En la figura 11-33 se muestran algunos diseos smplex de centroide.
al bl
Figura 11-33 Diseossmplexde centroide cona) p = 3 componentesy b) P = 4 componentes.

Una crtica a los diseos smplex descritos antes es que la mayora de las corridas ocurren en la fron-
tera de la regin y, por consiguiente, incluyen slo p - 1 de los p componentes. Suele ser deseable aumen-
tar el diseo smplex reticular o de centroide con puntos adicionales en el interior de la regin donde las
mezclas estarn formadas por la totalidad de los p componentes. Para un estudio ms amplio, ver Cornell
[33] y Myers y Montgomery [85a].
Los modelos para mezclas difieren de los polinomios usuales empleados en los diseos de superficie
de respuesta debido a la restriccin l:x = 1. Las formas estndares de los modelos para mezclas que se
usan ampliamente son
Lineal:
p
E(y) = 2: f3x (11-22)

i~l
Cuadrtico:
(11-23)
Cbico completo:
(11-24)
i-c j
Cbico especial:
;m1 i<j (11-25)

+ LLL i-c j-ck
f3ijkXXjXk
Los trminos de estos modelos tienen interpretaciones relativamente simples. En las ecuaciones
11-22 a 11-25, el parmetro f3i representa la respuesta esperada para la mezcla purax, = 1Yxj = Ocuando
j :;I!: i. A la porcin ~~lf3iX se le llama porcin de mezcla lineal. Cuando hay curvatura derivada de una
mezcla no lineal entre pares de componentes, los parmetros f3ij representan una mezcla sinrgica o bien
antagnica. Los trminos de rdenes superiores suelen ser necesarios en los modelos para mezclas por-
que 1) los fenmenos estudiados pueden ser complejos y 2) la regin experimental con frecuencia es la re-
gin de operabilidad completa y, en consecuencia, es grande y requiere un modelo elaborado.
EJEMPLO ,11~3.....................................
Una mezcla de tres componentes
Cornell [33] describe el experimento con una mezcla en el que se combinaron tres componentes =-polie-
tileno (Xl), poliestireno (xz)y polipropileno (x3)- para hilar una fibra que se usar en cortinas. La variable
de respuesta de inters es la elongacin del hilo en kilogramos de fuerza aplicada. Se usa un diseo smplex
Tabla 11-13 El diseo smplex reticular {3, 2} para el problema de la elongacin del hilo
Punto del Proporciones de los componentes Valores observados Valor promedio _
diseo X Xl Xl de la elongacin de la elongacin (y)
1 1 O O 11.0,12.4 11.7
) 1
2 "2 "2 O 15.0, 14.8, 16.1 15.3
3 O 1 O 8.8,10.0 9.4
) 1
4 O "2 "2 10.0,9.7,11.8 10.5
5 O O 1 16.8,16.0 16.4
1 )
6 "2 O "2 17.7,16.4,16.6 16.9
reticular para estudiar el producto. El diseo y las respuestas observadas se muestran en la tabla 11~13.
Observe que todos los puntos del diseo incluyen mezclas puras o binarias; es decir, nicamente se usan
a lo sumo dos de los tres componentes en cualquier formulacin del producto. Tambin se corren rplicas
de las observaciones, con dos rplicas de cada una de las mezclas puras y tres rplicas de cada una de las
mezclas binarias. La desviacin estndar del error puede estimarse a partir de estas rplicas de las observa-
ciones como = 0.85. Comell ajusta el polinomio de segundo grado de la mezcla a los datos, obteniendo
y= 11.7x) +9.4xz +16.4x3 + 19.0xx2 +11.4xx3 - 9.6x2x3
Puede demostrarse que este modelo es una representacin adecuada de la respuesta. Observe que como
{J3 > {J1 > {Jz'
se concluira que el componente 3 (polipropileno) produce el hilo con la elongacin mxi-
ma. Adems, puesto que {J2 y {J3 son positivos, la mezcla de los componentes 1 y 2 o de los componentes
1 y 3 produce valores ms altos de la elongacin de los que se esperaran si nos limitramos a promediar
las elongaciones de las mezclas puras. Se trata de un ejemplo de los efectos de mezclado "sinrgicos". Los
componentes 2 y 3 tienen efectos de mezclado antagnicos, ya que {J 23 es negativa.
En la figura 11-34 se grafican los contornos de la elongacin, lo cual puede ser de utilidad para inter-
pretar los resultados. Al examinar la figura, se observa que si se desea la elongacin mxima, deber ele-
girse la mezcla de los componentes 1 y 3, la cual est formada por aproximadamente 80% del componente
3 y 20% del componente 1.
... ,. ,. .
%,
Figura 11-34 Contornos de la elongacin estimada del

hilo constante en el modelo de segundoorden para la mez-
cla del ejemplo 11-3.
Se seal ya que los diseos smplex reticular y smplex de centroide son diseos de puntos fronte-
ra. Si el experimentador quiere hacer predicciones acerca de las propiedades de mezclas completas, se-
ra muy deseable contar con ms corridas en el interior del smplex. Se recomienda aumentar los
diseos smplex ordinarios con corridas axiales y el centroide global (si el centroide no es ya un punto
del diseo).
El eje del componente i es la recta o rayo que se extiende del punto base r, = O,x} = 1/(P -1), para toda

j :;t: i, al vrtice opuesto donde r, = 1,xi = para todaj :;t: i. El punto base siempre se localizar en el cen-
troide de la frontera de (p - 2) dimensiones del diseo smplex que est opuesto al vrtice X = 1, Xi =
para todaj :;t: i. [Ala frontera se le llama en ocasiones el (p -2)-llano.] La longitud del eje del componente
es una unidad. Los puntos axiales se sitan sobre los ejes de los componentes a una distancia .:l del cen-
troide. El valor mximo de .:l es (p -1 )/p. Se recomienda que las corridas axiales se coloquen a la mitad en-
tre el centroide del diseo smplex y cada vrtice para que .:l = (p - 1)/2p. En ocasiones a estos puntos se
les llama mezclas de verificacin axial, porque es una prctica comn excluirlas cuando se ajusta el mode-
lo preliminar de la mezcla y usar despus las respuestas en estos puntos axiales para verificar la adecua-
cin del ajuste del modelo preliminar.
En la figura 11-35 se muestra el diseo smplex reticular {3, 2} aumentado con los puntos axiales.
Este diseo tiene 10 puntos, con cuatro de ellos en el interior del diseo smplex. La retcula smplex {3,
3} soportar el ajuste del modelo cbico completo, mientras que la retcula smplex aumentada no lo
har; sin embargo, la retcula smplex aumentada permitir al experimentador ajustar el modelo cbico
especial o agregar al modelo cuadrtico trminos especiales de cuarto orden, como f31233X1X2X~. La
retcula smplex aumentada es superior para estudiar la respuesta de mezclas completas en el sentido de
que puede detectar y modelar la curvatura en el interior del tringulo que no puede tomarse en conside-
racin por los trminos del modelo cbico completo. La retcula smplex aumentada tiene ms potencia
para detectar la falta de ajuste que la retcula {3, 3}. Esto es de particular utilidad cuando el experimenta-
dor no est seguro acerca del modelo apropiado que debe usar y tambin planea construir un modelo se-
cuencialmente empezando con un polinomio simple (quiz de primer orden), probar el modelo para la
Figura 11-35 Un diseo smplexreticular aumentado.

falta de ajuste, despus aumentar el modelo con trminos de rdenes superiores, probar el nuevo modelo
para la falta de ajuste y as sucesivamente.
En algunos problemas de mezclas surgen restricciones sobre los componentes individuales. Las res-
tricciones sobre la frontera inferior de la forma
i = 1, 2,... ,p
son muy coinunes. Cuando slo estn presentes restricciones sobre la frontera inferior, la regin factible
del diseo sigue siendo un diseo smplex, pero se inscribe dentro de la regin del smplex original. Esta
situacin puede simplificarse mediante la introduccin de pseudocomponentes, definidos como
, xj -lj
(11-26)
x,= (1- ~ 1,)
Xl +X2 ++Xp
" I
=1
por lo que el uso de pseudocomponentes permite utilizar diseos tipo smplex cuando las fronteras infe-
riores forman parte de la situacin experimental. Las formulaciones especificadas por el diseo smplex
para los pseudocomponentes se transforman en formulaciones para los componentes originales invirtien-
do la transformacin de la ecuacin 11-26. Es decir, six~es el valor asignado al pseudocomponente i-si-
mo en una de las corridas del experimento, el componente i-simo de la mezcla original es
x, = 1, +(1-~ 1] )x: (11-27)
Cuando los componentes tienen restricciones tanto sobre la frontera superior como la inferior, la re-
gin factible deja de ser un diseo smplex; ser, en cambio, un politopo irregular. Puesto que la regin
experimental no tiene una forma "estndar", los diseos generados por computadora son muy tiles para
este tipo de problemas de mezclas.
Ej"El.fPLO 11...4 ........ .............. 11' 111
Formulacin de una pintura

Un experimentador est intentando optimizar la formulacin de una pintura automotriz de recubrimien-
to total. Se trata de productos complejos que tienen requerimientos de desempeo muy especficos. El
cliente quiere, en particular, que la dureza Knoop exceda de 25 y que el porcentaje de slidos est abajo
de 30. El recubrimiento total es una mezcla de tres componentes, que consiste en un monmero (Xl), un
entrelazador (x2) y una resina (X3). Existen restricciones sobre las proporciones de los componentes:
XI +x2 +x3 = 100
5sxls25
25Sx2 s40
50sx3 s70
El resultado es la regin de experimentacin restringida ilustrada en la figura 11-36. Puesto que la regin
de inters no es smplex, se usar un diseo optimal D para este problema. Suponiendo que posiblemente
ambas respuestas sern modeladas con un modelo cuadrtico de una mezcla, el diseo optimal D ilustra-
Mon6mero
25.00
~ ~~ _'2
45 5.00 70
Entrelazador Resina
Figura 1136 La regin experimentalrestringidapara

el problema de la formulacin de la pintura del ejem-
plo 11-4(mostrada en la escalareal del componente).
Tabla 1114 Diseo optimal D para el problema de la formulacin de la

pintura del ejemplo 114
Orden Monmero Entrelazador Resina Dureza Slidos
estndar Corrida Xl X2 X3 Yl Y2
1 2 17.50 32.50 50.00 29 9.539
2 1 10.00 40.00 50.00 26 27.33
3 4 15.00 25.00 60.00 17 29.21
4 13 25.00 25.00 50.00 28 30.46
5 7 5.00 25.00 70.00 35 74.98
6 3 5.00 32.50 62.50 31 31.5
7 6 11.25 32.50 56.25 21 15.59
8 11 5.00 40.00 55.00 20 19.2
9 10 18.13 28.75 53.33 29 23.44
10 14 8.13 28.75 63.13 25 32.49
11 12 25.00 25.00 50.00 19 23.01
12 9 15.00 25.00 60.00 14 41.46
13 5 10.00 40.00 50.00 30 32.98
14 8 5.00 25.00 70.00 23 70.95
11-5 EXPEIUMENTOS CON MEZCLAS 481
Tabla 11-15 Ajuste del modelo para la respuesta dureza
Response: hardness
ANOVA for Mixture Quadratic Modal
Analysis of variance tabla [Partlal sum of squares]
Sum oi Mean F
Model 279.73 5 55.95 2.37 0.1329
Linear Mixture 29.73 2 14.56 0.62 0.5630
A8 72.67 1 72.61 3.08 0.1174
AC 179.67 1 179.67 7.62 0.0247
8e 8.26 1 8.26 0.35 0.5703
Residual 188.63 8 23.58
Lack of Fit 63.63 4 15.91 0.51 0.7354
Pure Error 125.00 4 31.25
Cor Total 468.36 13
C.V. 19.59 Pred R-Squared -0.3635
PRESS 638.60 Adeq Preeision 4.975
Coefficient Standard 950/0 CI 95%CI
Component Estimate OF Error Low High
A-Monomer 23.81 1 3.36 16.07 31.55
B-Crosslinker 16.40 1 7.68 -1.32 34.12
C-Resin 29.45 1 3.36 21.71 37.19
AB 44.42 1 25.31 -13.95 102.80
AC -44.01 1 15.94 -80.78 -7.25
Be 13.80 1 23.32 -39.97 67.57
Anal Equatlon In Terms of Pseudo Components:

hardness =
+23.81 * A
+16.40" B
+29.45" e
+44.42" A" B
-44.01 * A" e
+13.80" B .. C
do en la figura 11-36 puede generarse utilizando Design-Expert, Se supuso que, adems de las seis corridas
requeridas para ajustar el modelo cuadrtico de una mezcla, se haran cuatro corridas diferentes adicio-
nales para verificar la falta de ajuste y que se haran rplicas de cuatro de estas corridas a fin de proporcio-
nar una estimacin del error puro. Design-Expert utiliz los vrtices, los centros en los bordes, el centroide
global y las corridas de verificacin (los puntos localizados a la mitad entre el centroide y los vrtices)
como los puntos candidatos.
El diseo con 14 corridas se muestra en la tabla 11-14junto con las respuestas dureza y slidos. Los re-
sultados del ajuste de modelos cuadrticos para ambas respuestas se resumen en las tablas 11-15 y 11-16.
Observe.que los modelos cuadrticos se ajustan muy bien tanto a la respuesta dureza como a la respuesta
slidos. En estas tablas se muestran las ecuaciones ajustadas para ambas respuestas (en trminos de los
pseudocomponentes). En las figuras 11-37 y 11-38se muestran las grficas de contorno de las respuestas.
La figura 11-39 es una grfica de superposicin de las dos superficies de respuesta, donde se muestra
el contorno de la dureza Knoop de 25% y el contorno de 30% para los slidos. La regin factible para este
producto es el rea sin sombrear cerca del centro de la grfica. Evidentemente, existen varias elecciones
Tabla 11-16 Ajuste del modelo para la respuesta slidos
Response: solids
ANOVA for Mixture Quadratic Modal
Analysis of variance table lPartial sum of squares)
Sumof Mean F
Modal 4297.94 5 859.59 25.78 <0.0001
tineer Mixture 2931.09 2 1465.66 43.95 <0.0001
AB 211.20 1 211.20 6.33 0.0360
AC 285.67 1 285.67 8.57 0.0191
BC 1036.72 1 1036.72 31.09 0.0005
Residual 266.79 8 33.35
Lack ofFit 139.92 4 34.98 1.10 0.4633
Pure Error 126.86 4 31.72
Cor Total 4564.73 13
Coefficient Standard 95%<:1 950/0 CJ
Component Estlmata DF Error Low High
A-Monomer 26.53 1 3.99 17.32 35.74
B-Crosslinker 46.60 1 9.14 25.53 67.68
C-Resin 73.23 1 3.99 64.02 82.43
,,
AB -75.76 1 30.11 -145.19 -6.34
AC -55.50 18.96 -99.22 -11.77
~C -154.61 27.73 -218.56 -90.67
Final Equation in Terms of P~eudo Components:
solids '='
+26.53 * A
+46.60 * B
+73.23 * C
-75.76 * A * B
-55.50 * A * e
-154.61 * B * e
Mon6mero
45.00 5.00 70.00

Entrelazador ResIna
Figura 11-37 Grfica de contorno de la respuesta dureza

Knoop, ejemplo 11-4.
Monmero
25.00
Entrelazador Resina
Figura 1138 Grfica de contorno de la respuesta slidos,
ejemplo 11-4.
Monmero
45.00 5.00 70.00

Entrelazador Resina
Figura 1139 Grfica de contorno de las respuestas dureza
Knoopy porcentaje de slidos,donde se indicala regin factible
para la formulacin de la pintura.
para las proporciones del monmero, el entrelazador y la resina para el recubrimiento total que redunda-
r en un producto que satisfaga los requerimientos de desempeo.
iIII iII 111 l1li 111
11~6 OPERACINEVOLUTIVA
Personal de investigacin y desarrollo aplica con frecuencia la metodologa de superficies de respuesta en

operaciones de plantas pijota. Cuando se aplica a un proceso de produccin a gran escala, suele hacerse
una sola vez (o con poca frecuencia), ya que el procedimiento experimental es relativamente minucioso.
Sin embargo, las condiciones que fueron ptimas para la planta piloto quiz no lo sean para el proceso a
gran escala. La planta piloto puede producir 2 libras de producto por da, mientras que el proceso a gran
escala puede generar 2000 libras diarias. Esta "escalacin" de la planta piloto al proceso de produccin a
gran escala da por lo general como resultado la distorsin de las condiciones ptimas. Incluso si la planta
a gran escala empieza a operar en el ptimo, con el tiempo se "desva" de ese punto debido a las variacio-
nes en las materias primas, los cambios ambientales y el personal de operacin.
Se requiere un mtodo para el monitoreo y el mejoramiento continuo de un proceso a gran escala
cuyo objetivo sea mover las condiciones de operacin hacia el ptimo o despus de una "desviacin". El
mtodo no deber requerir cambios grandes o repentinos de las condiciones de operacin que pudieran
interrumpir la produccin. La operacin evolutiva (EVOP, por sus siglas en ingls) fue propuesta por Box
[12c] como un procedimiento de operacin con estas caractersticas. Est diseado como un mtodo de
operacin rutinaria en la planta que lleva a cabo el personal de manufactura con un mnimo de asistencia
del equipo de investigacin y desarrollo.
La EVOP consiste en introducir de manera sistemtica pequeos cambios en los niveles de las va-
riables de operacin bajo consideracin. Generalmente se emplea un diseo 2k para hacer esto. Se su-
pone que los cambios de las variables son lo suficientemente pequeos para que no ocurran
perturbaciones serias en el rendimiento, la calidad o la cantidad, pero lo suficientemente grandes
para descubrir en ltima instancia mejoras potenciales en el desempeo del proceso. Se colectan da-
tos de las variables de respuesta de inters en cada punto del diseo 2k. Cuando se ha hecho una ob-
servacin en cada punto del diseo, se dice que se ha completado un ciclo. Entonces pueden
calcularse los efectos y las interacciones de las variables del proceso. Finalmente, despus de varios
ciclos, el efecto de una o ms variables del proceso o sus interacciones sobre la respuesta puede pare-
cer significativo. En este punto se debe tomar una decisin para modificar las condiciones de opera-
cin bsicas a fin de mejorar la respuesta. Cuando se han detectado las condiciones mejoradas, se
dice que se ha terminado una fase.
Para probar la significacin de las variables e interacciones del proceso, se necesita una estimacin
del error experimental. sta se calcula a partir de los datos del ciclo. Adems, el diseo 2k se centra por lo
general en torno a las mejores condiciones de operacin actuales. Mediante la comparacin de la res-
puesta en este punto con los 2k puntos de la porcin factorial, es posible verificar la curvatura o cambio en
la media (CIM, por sus siglas en ingls); es decir, si el proceso en realidad se centra en el mximo, por
ejemplo, entonces la respuesta en el centro deber ser significativamente mayor que las respuestas en los
puntos perifricos del diseo 2k.
En teora, la EVOP puede aplicarse a k variables del proceso. En la prctica es comn considerar slo
dos o tres variables. Se presentar un ejemplo del procedimiento para dos variables. Box y Draper [16a]
ofrecen un estudio detallado del caso de tres variables, incluyendo las formas y hojas de trabajo necesa-
rias. Myers y Montgomery [85a] revisan la implementacin en computadora de la EVOP.
11-6 OPERACiN EVOLUTIVA 485
84.3 84.9
(5) (3)
(1)

84.5
r.:'
(2) (4)
84.2 84.5
245 250
x, (OF)
Figura 1140 Un diseo 22 para la EVO P.
Ej'EMPLO 11_,5 iII iIII 111 111 111 lo 111 111 111
Considere un proceso qumico cuyo rendimiento es una funcin de la temperatura (Xl) y la presin (x2). Las
condiciones de operacin actuales sonz, = 250FYX2 = 145 psi. El procedimiento EVOP utiliza el diseo 22
ms el punto central mostrado en la figura 1140. El ciclo se completa corriendo cada punto del diseo en
orden numrico (1, 2, 3, 4, 5). Los rendimientos del primer ciclo se muestran tambin en la figura 1140.
Los rendimientos del primer ciclo se anotan en la hoja de clculo EVOp, la cual 'se muestra en la tao
bla 1117. Al trmino del primer ciclo no puede hacerse ninguna estimacin de la desviacin estndar.
Tabla 11.17 Hoja de clculo EVOP para el ejemplo 11-5. n =1

5 r--:;-13 Ciclo: n := 1 Fase: 1
2d4 Respuesta: Rendimiento Fecha: 1/11/00
Clculo de la
desviacin
Clculo de los promedios estndar
Condiciones de operacin (1) (2) (3) (4) (5)
(i) Suma del ciclo anterior Suma anterior S =
(ii) Promedio del ciclo anterior Promedio anterior
S:=
(iii) Nuevas observaciones 84.5 84.2 84.9 84.5 84.3 Nueva S := rango x
fs.n =
(iv) Diferencias [(ii) - (i)] Rango de (iv)=
(v) Nuevas sumas [(i) + (iii)] 84.5 84.2 84.9 84.5 84.3 Nueva suma S =
(vi) Nuevos promedios [Y = (v)/n] 84.5 84.2 84.9 84.5 84.3 Nuevo promedio S =
Nueva sumaS
n-I
Clculo de los efectos Clculo de los lmites de error
Efecto de la temperatura = t(Y3 + Y4 - Y2 - Ys) = 0.45 Para el nuevo promedio = Jn S=
Efecto de la presin = t(Y3 + Ys - Y2 - Y4) = 0.25 2

Efecto de la interacci6n T x P=t(Y2+ y) -Y4 -)15) = 0.15
Para los nuevos efectos .J S =
1.78
Efecto del cambio en la media = t(Y2 + y) + Y4+Ys - 4y) = 0.02 Para el cambio en la media .J S =
Tabla 11-18 Hoja de clculo EVOP para el ejemplo 11-5, n = 2

5~3 Ciclo: n 2 = Fase: 1
2i...:2.J4 Respuesta: Rendimiento Fecha: 1/11/00
Clculo de la
desviacin
(i) Suma del ciclo anterior 84.5 84.2 84.9 84.5 84.3 Suma anterior S =
(ii) Promedio del ciclo anterior 84.5 84.2 84.9 84.5 84.3 Promedio anterior S =
(iii) Nuevas observaciones 84.9 84.6 85.9 83.5 84.0 Nueva S ::::rango x
=
/SII 0.60
(iv) Diferencias [(ii) - (iii)] -0.4 -0.4 -1.0 +1.0 0.3 Rango de (iv) = 2.0
(v) Nuevas sumas [(i) + (iii)] 169.4 168.8 170.8 168.0 168.3 Nueva suma S = 0.60
(vi) Nuevos promedios rYi = (v)/n] 84.70 84.40 85.40 84.00 84.15 Nuevo promedio S =
Nueva suma S ::::0.60
n-1
Efecto de la temperatura = t(Y3 + Y4 -Yz -Ys):::: 0.43 Para el nuevo promedio = in =

S 0.85
Efecto de la presin = tcv3 + Ys - Yz - Y4) = 0.58 Para los nuevos efectos

2
J S = 0.85
Efecto de la interaccin T x P = t(Y2 + ji3 - ji4 - Ys) = 0.83
Efecto del cambio en la media = t(yz + Y3+ y, + Ys -4Yl) = Para el cambio en la media ~ S = 0.76
-0.17
Los efectos y la interaccin de la temperatura y la presin se calculan de la manera usual para un di-
seo 22
Despus se corre un segundo ciclo y los datos del rendimiento se registran en otra hoja de clculo
EVOp, la cual se muestra en la tabla 11-18. Al final del segundo ciclo, el error experimental puede esti-
marse y las estimaciones de los efectos pueden compararse con lmites aproximados de 95% (dos desvia-
ciones estndar). Observe que el rango se refiere al rango de las diferencias del rengln (iv); por 10 tanto,
el rango es + 1.0 - (-1.0) = 2.0. Puesto que ninguno de los efectos de la tabla 11-18 excede sus lmites de
error, probablemente el verdadero efecto sea cero, y no se contemplan modificaciones en las condiciones
de operacin.
En la tabla 11-19 se muestran los resultados de un tercer ciclo. Ahora, el efecto de la presin excede
su lmite de error y el efecto de la temperatura es igual al lmite de error. Probablemente ahora se justifi-
que un cambio en las condiciones de operacin.
A la luz de los resultados, parece razonable empezar una nueva fase EVOP alrededor del punto (3).
Por lo tanto, Xl = 225F y X2 = 150 psi seran el centro del diseo 22 en la segunda fase.
Un aspecto importante de la EVOP es la retroalimentacin de informacin generada por el proceso
para operadores y supervisores. Esto se consigue mediante un tablero con informacin EVOP a la vista
de todos. En la tabla 11-20 se muestra el tablero de informacin para este ejemplo al final del ciclo 3.
.. .. .. ........ .. .... .. .. .. .. .. .. .. .. .. .. .. .. .. ........ .. .. ....................... .............

11-6 OPERACIN EVOLUTIVA 487
Tabla 11-19 Hoja de clculo EVOP para el ejemplo 11-5, n = 3
5~3 Ciclo: n = 3 Fase: 1
2d4 Respuesta: Rendimiento Fecha: l/l1/00
Clculo de la
desviacin
(i) Suma del ciclo anterior 169.4 168.8 170.8 168.0 168.3 Suma anterior S = 0.60
(ii) Promedio del ciclo anterior 84.70 84.40 85.40 84.00 84.15 Promedio anterior S =
0.60
(iii) Nuevas observaciones 85.0 84.0 86.6 84.9 85.2 =
Nueva S rango x
/SII = 0.56
(iv) Diferencias [(ii) - (iii)] -0.30 +0.40 -1.20 -0.90 -1.05 Rango de (iv)= 1.60
(v) Nuevas sumas [(i) + (iii)] 254.4 252.8 257.4 252.9 253.5 Nueva suma S = 1.16
(vi) Nuevos promedios lYi = (v)/n] 84.80 84.27 85.80 84.30 84.50 Nuevo promedio S =
Nueva suma S = 0.58
n-1
Efecto de la temperatura = t(Y3 + Y4 -Y2 -Ys) = 0.67 Para el nuevo promedio = J, S = 0.67
Efecto de la presin = t(Y3 + Ys - Y2 - Y4) = 0.87 2

Efecto de la interaccin T x P=t(Y2+ y] -Y4 -Ys)=
Para los nuevos efectos ..J S = 0.67
0.64
Efecto del cambio en la media =t(Y2+ Y3+Y4+Ys -4YI)= Para el cambio en la media ~ S = 0.60
-0.07
'Fabla 11-20 Tablero de informacin EVOp,ciclo 3

Respuesta: Rendimiento porcentue
Requerimiento; MlIXimizar
84.60 85.80

e
-o

] 84.80

84.27 84.30
245 250 266

Temperatura
Lmites de error para los promedios: 0.67

Efectos con 'Iemperatura 0.67 0.67
lmites de error Presin 0.87 0.67
de 95%: TxP 0.64 0.67
Cambio en la media 0.07 0.60
Desviacin estndar 0.58
488 CAPTULO 11 MTODOS DE SUPERFICIES DE RESPUESTA
Tabla 11-21 Valoresde A. n

n'" 2 3 4 5 6 7 8 9 10
k"'5 0.30 0.35 0.37 0.38 0.39 0.40 0.40 0.40 0.41
9 0.24 0.27 0.29 0.30 0.31 0.31 0.31 0.32 0.32
10 0.23 0.26 0.28 0.29 0.30 0.30 0.30 0.31 0.31
La mayora de las cantidades de la hoja de clculo EVOP se obtienen directamente del anlisis del di-
seo factorial Z".Por ejemplo, la varianza de cualquier efecto, como tcY3 + YS-Y2- Y4), es simplemente crin,
donde cr es la varianza de las observaciones (Y). Por lo tanto, los lmites de error de dos desviaciones es-
tndar (que corresponden a 95%) para cualquier efecto seran 2a/vn. La varianza del cambio en la me-
dia es
Por lo tanto, los lmites de error de dos desviaciones estndar para el CIM son (2..fJJJff3"ja/vn =
1.78a/vn.
La desviacin estndar a se estima por el mtodo del rango. Sea que Y(n) denote la observacin en el
punto del diseo i-simo en el ciclo n, y que Yi(n) denote el promedio correspondiente de y(n) despus de
n ciclos. Las cantidades del rengln (iv) de la hoja de clculo EVOP son las diferenciasy(n) -Y(n-l). La
varianza de estas diferencias es
V[Yi(n)-y(n-1)]::a;,=a2[1+_1_]=a2_( n )
(n-l) n-l
El rango de las diferencias, por ejemplo RD, se relaciona con la estimacin de la desviacin estndar de las
diferencias por fD '" Rdd2 El factor d2 depende del nmero de observaciones utilizadas para calcular RD
Entonces RD/d2 = fr/n!(n - 1), por 10 que puede usarse
para estimar la desviacin estndar de las observaciones, donde k denota el nmero de puntos que se uti-
lizaron en el diseo. Para un diseo 22 con un punto central se tiene k = 5, y para un diseo 23 con un pun-
to central se tiene k = 9. Los valores de fk n se dan en la tabla 11-21.
11~7 DISEOROBUSTO
11~7.1 Antecedentes
A lo largo de este libro se ha hecho hincapi en la importancia del uso de experimentos diseados estads-
ticamente en el proyecto, desarrollo y mejoramiento de productos y procesos. A partir de la dcada de
1980, los ingenieros y cientficos han adquirido la conciencia creciente de los beneficios del uso de experi-
11-7 DISEO ROBUSTO 489
mentos diseados y, en consecuencia, ha habido muchas reas de aplicaciones nuevas. Una de las ms im-
portantes de stas es el diseo robusto, donde la atencin se centra en uno o ms de los siguientes puntos:
1. El diseo de sistemas (productos o procesos) que no sean sensibles a factores ambientales que
puedan afectar el desempeo una vez que el sistema se ha desplegado en el campo. Un ejemplo
es la formulacin de una pintura para exteriores que debe tener gran duracin cuando se expo-
nga a una variedad de condiciones climticas. Puesto que las condiciones climticas no son del
todo predecibles, y ciertamente no son constantes, el responsable de )a formulacin del producto
quiere que ste sea robusto contra un amplio rango de factores de temperatura, humedad y pre-
cipitacin pluvial que afectan el desgaste y acabado de la pintura.
2. El diseo de productos para que no sean sensibles a la variabilidad transmitida por los compo-
nentes del sistema. Un ejemplo es el diseo de un amplificador electrnico para que el voltaje de
salida est tan cerca como sea posible del valor nominal deseado, independientemente de la va-
riabilidad de los parmetros elctricos de los resistores, transistores y fuentes de poder que son
los componentes del aparato.
3. El diseo de procesos para que el producto manufacturado est tan cerca como sea posible de las
especificaciones nominales, aun cuando sea imposible controlar con toda precisin algunas va-
riables del proceso (como la temperatura) o las caractersticas de las materias primas.
4. Determinar las condiciones de operacin de un proceso para que las caractersticas crticas del
producto estn tan cerca como sea posible del valor objetivo deseado y la variabilidad en torno a
este objetivo se minimice. Ejemplos de este tipo de problema ocurren con frecuencia. Uno de
ellos sucede en la manufactura de semiconductores, donde sera deseable que el espesor del xi-
do de una oblea estuviera lo ms cerca posible del espesor objetivo promedio, as como que la va-
riabilidad del espesor a lo largo de la oblea (una medida de uniformidad) fuese lo ms pequea
posible.
A principios de la dcada de 1980, el ingeniero japons Genichi Thguchi introdujo un enfoque para
resolver problemas de este tipo, a los que se hace referencia de manera conjunta como el problema del di-
seo paramtrico robusto (RPD, por sus siglas en ingls) (ver Taguch y Wu [109] y Taguchi [108a, b]). Su
enfoque se bas en la clasificacin de las variables de un proceso o producto como variables de control (o
controlables) y variables de ruido (o no controlables) para despus encontrar los ajustes de las variables
controlables que minimizan la variabilidad transmitida a la respuesta por las variables no controlables. Se
establece el supuesto de que aun cuando los factores de ruido no son controlables en el sistema a gran es-
cala, pueden controlarse para los fines de un experimento. Referirse a la figura 1-1 para una ilustracin
grfica de las variables controlables y no controlables en el contexto general de un experimento diseado.
Taguchi introdujo algunos mtodos estadsticos novedosos y ciertas variantes de las tcnicas estable-
cidas como parte de este procedimiento RPD. Hizo uso de diseos factoriales altamente fraccionados y
otros tipos de diseos fraccionados obtenidos a partir de arreglos ortogonales. Su metodologa gener
mltiples debates y controversias. Parte de la polmica surgi porque la metodologa de Taguchi fue de-
fendida en Occidente inicialmente (y principalmente) por empresarios, y la ciencia estadstica subyacente
no haba sido revisada adecuadamente por los especialistas. Para finales de la dcada de 1980, los resulta-
dos de una revisin muy completa indicaron que aun cuando los conceptos de ingeniera de Taguchi y el
objetivo global del RPD tenan bases slidas, haba problemas de fondo con esta estrategia experimental
y con los mtodos para el anlisis de datos. Para detalles especficos de estos temas, ver Box [12d], Box,
Bisgaard y Fung [14], Hunter [59a, b], Montgomery [80b], Myers y Montgomery [85a] y Pignatiello y
Ramberg [94]. Muchas de estas preocupaciones se encuentran resumidas tambin en el amplio panel de
......
01-.:1"
t"-("')t"-'DN'D
o\""':o-.iIl"i-.i""'<-.ioO
"""NNNNNNNN
ON("')NV"lV"l("')N'D
d-.i...-i...-ir.:N-.i...-iN
NNNNNNNNN
\OOONOIv\O\O\Ot"-
0\
~._.,
0\0000""'<
................
0\ 00 0\ N
NT"""fT"""f'!"""'iN
...
O
N ............
\Ot"-\OO\Ot"-oooo
eiei~~~~~~~
......
.C::
O
~(1)
OIN \O \O"" 00 \000("')
..2
Ol) ......
NN o\o\lI"ioOlI"io\...-i\r.:
...............................
~ ........('lT"""lT"""l
~
,.-...
..o 0'\.",. .... "'-.:1"0.",.
......
("')
......
N ...... \o\o\oOo\ooOlI"io\
........
................................
N ................
T"""f
V"lt"'!r-:-<t:~"!~~o)
-:\0\0 r-oo\O 0'\ <n 01
.... ~ ........................................ 11""""'1 'I!""""( ""'""'
'DO"l"lt"-N-.:rN ......
.................. v)v)\ooo\\\-.i\
T"""fT"""l ........ .,...................................... ,......
....
O
.:
dJ ~~j
><
dJ
~
O
<.)
g
s
.s
B
::
S
...
.9
...
'"
..9 (1)
bJ)
~
.5
CIl
o
c "5b
o
u
~
.--.,
.~ <::!
'dJ
El
'"tao..
o
.::
dJ
.~
o
N
~
....
....
~
'"
Fi
490
discusin publicado en Technometrics (ver Nair, et al. [86]). En el material suplementario del texto de este
captulo tambin se comentan e ilustran muchos de los problemas implcitos en los mtodos tcnicos de
Taguchi.
La metodologa de 'Iaguchi para el problema RPD gira en tomo al uso de un diseo ortogonal para
los factores controlables, el cual se "cruza" con un diseo ortogonal separado para los factores de ruido.
En la tabla 11-22 se presenta un ejemplo de Byrne y 'Iaguchi [23] que trata del desarrollo de un mtodo
para ensamblar un conector elastomtrico en un tubo de nylon que producira la fuerza de separacin re-
= =
querida. Hay cuatro factores controlables, cada uno con tres niveles (A interferencia, B espesor de la
= =
pared del conector, e profundidad de insercin y D porcentaje de adhesivo), y tres factores de ruido
o no controlables (E = tiempo de acondicionamiento, F = temperatura de acondicionamiento y G hu- =
medad relativa del acondicionamiento). El panel a de la tabla 11-22 contiene el diseo para los factores
controlables. Observe que se trata de un diseo factorial fraccionado de tres niveles; especficamente, es
un diseo 34-2. 'Iaguchi lo llama el diseo de arreglo interior. El panelb de la tabla 11-22 contiene un dise-
o 23 para los factores de ruido, al que Taguchi llama el diseo de arreglo exterior. Entonces se realiza
cada corrida del arreglo interior para todas las combinaciones de tratamientos del arreglo exterior, pro-
ducindose las 72 observaciones de la fuerza de separacin que se muestran en la tabla. A este tipo de di-
seo se le llama diseo de arreglo cruzado.
Taguchi sugiri que los datos de un experimento de arreglo cruzado se resumieran con dos estads-
ticos: el promedio de cada observacin en el arreglo interior para todas las corridas del arreglo exterior
y un resumen de estadsticas que intentaba combinar informacin acerca de la media y la varianza, lla-
mado relacin seal a ruido. Las relaciones seal a ruido se definen a propsito para que un valor mxi-
mo de la relacin minimice la variabilidad transmitida por las variables de ruido. Entonces se lleva a
cabo un anlisis para determinar cules son los ajustes de los factores controlables que dan como resul-
tado 1) una media tan prxima como sea posible al objetivo deseado y 2) un valor mximo de la relacin
seal a ruido.
El examen de la tabla 11-22 revela un problema importante con la estrategia de diseo de 'Iaguchi; a
saber, el enfoque del arreglo cruzado llevar a un experimento muy grande. En el ejemplo tratado aqu
slo hay siete factores, pero el diseo tiene 72 corridas. Adems, el diseo de arreglo interno es un diseo
34-2 de resolucin III (ver el captulo 9 para un estudio de este diseo), por lo que a pesar del gran nmero
de corridas, no es posible obtener ninguna informacin acerca de las interacciones entre las variables con-
trolables. De hecho, incluso la informacin acerca de los efectos principales est potencialmente corrom-
pida, ya que los efectos principales tienen estrechas relaciones de alias con las interacciones de dos
factores. Ocurre tambin que las relaciones seal a ruido de 'Iaguchi son problemticas; al maximizarse la
relacin no se minimiza necesariamente la variabilidad. Referirse al material complementario del texto
para mayores detalles.
Un punto importante acerca del diseo de arreglo cruzado es que s proporciona informacin acerca
de las interacciones factor controlable x factor de ruido. Estas interacciones son cruciales para la solu-
cin de un problema RPD. Por ejemplo, considere las grficas de las interacciones de dos factores de la fi-
gura 11-41, donde x es el factor controlable y z el factor de ruido. En la figura 11-41a no hay ninguna
interaccin x x z; por lo tanto, no hay ningn valor de la variable controlable x que afecte la variabilidad
transmitida a la respuesta por la variabilidad enz. Sin embargo, en la figura 11-41b hay una fuerte nterac-
cinx x z. Observe que cuando x se pone en el nivel bajo, hay mucho menos variabilidad en la variable de
respuesta que cuando x est en el nivel alto. Por lo tanto, a menos que haya como mnimo una interaccin
factor controlable x factor de ruido, no hay ningn problema de diseo robusto. Como se ver en la si-
guiente seccin, enfocarse en la identificacin y el modelado de estas interacciones es una de las claves de
un enfoque ms eficiente y eficaz del RPD.
z z
a) Ningunainteraccin control x ruido b) Interaccincontrol x ruido significativa
Figura 11-41 El papel de la interaccincontrol x ruido en un disenorobusto.
11~7.2 El enfoque de la superficie de respuesta para el diseo robusto

Como se seal en la seccin anterior, las interacciones entre los factores controlables y los de ruido son
la clave en un problema de diseo robusto. Por lo tanto, es lgico usar un modelo de respuesta que incluya
tanto a los factores controlables como a los factores de ruido y sus interacciones. Para ilustrar, suponga
que se tienen dos factores controlables Xl y X2 Yun solo factor de ruido Zl' Se supone que tanto los factores
controlables como el de ruido se expresan como las variables codificadas usuales (es decir, tienen su cen-
tro en cero y tienen lmites inferior y superior a). Si quiere considerarse un modelo de primer orden que
incluya las variables controlables, un modelo lgico es
(11-28)
Observe que este modelo incluye los efectos principales de ambos factores controlables, su interaccin, el
efecto principal de la variable de ruido y las dos interacciones entre las variables controlables y la de rui-
do. A este tipo de modelo, el cual incorpora a las variables controlables y las de ruido, suele llamrsele
modelo de respuesta o de reaccin. Excepto cuando al menos uno de los coeficientes de regresin n y 21
sea diferente de cero, no habr ningn problema de diseo robusto.
Una ventaja importante del enfoque del modelo de respuesta es que tanto los factores controlables
como los factores de ruido pueden colocarse en un solo diseo experimental; es decir, puede evitarse la
estructura de los arreglos interior y exterior del enfoque de Taguchi. Al diseo que contiene tanto los fac-
tores controlables como los de ruido suele llamrsele diseo de arreglo combinado.
Como se seal anteriormente, se supone que las variables de ruido son aleatorias, aun cuando son
controlables para los fines de un experimento. Especficamente, se supone que las variables de ruido es-
tn expresadas en unidades codificadas, que tienen valor esperado cero, varianza a ~,y que si hay varias
variables de ruido, tienen covarianzas cero. Bajo estos supuestos es sencillo encontrar un modelo para la
respuesta media tomando el valor esperado de yen la ecuacin 11-28. Se obtiene as
donde el subndicez del operador expectativa es un recordatorio para tomar el valor esperado con respec-
to a ambas variables aleatorias de la ecuacin 11-28, z, Yf. Para encontrar un modelo de la varianza de la
respuesta y se usa el enfoque de la transmisin del error. Primero, el modelo de respuesta de la ecuacin
11-28 se expande en una serie de Taylor de primer orden alrededor de Zl = O. Se obtiene as
Y a; y ,-o + dz
dy (z - O)+R+E
1
a; {Jo +{JIXl +{J2X2 +{J12XIX2
+(Yt +llX +ZX2 )z + R+E
donde R es el trmino del residuo de la serie de Thylor. Como es comn en la prctica, se ignorar el tr-
mino del residuo. Ahora puede obtenerse la varianza de y aplicando el operador varianza en esta ltima
expresin (sin R). El modelo para la varianza resultante es
Vz (y) = a~(y I +nx1 +21X2 )2 +o"
De nueva cuenta se ha usado el subndice z en ;;:1operador varianza como recordatorio de que tanto z,
como E son variables aleatorias.
Se han derivado modelos simples para la media y la varianza de la variable de respuesta de inters.
Observe lo siguiente:
1. Los modelos de la media y la varianza incluyen nicamente las variables controlables. Esto signi-
fica que es potencialmente posible fijar las variables controlables para alcanzar un valor objetivo
de la media y minimizar la variabilidad transmitida por la variable de ruido.
2. Aun cuando en el modelo de la varianza intervienen slo las variables controlables, incluye asi-
mismo los coeficientes de regresinde la interaccin entre las variables controlables y la de ruido.
Es as como la variable de ruido influye en la respuesta.
3. El modelo de la varianza es una funcin cuadrtica de las variables controlables.
4. El modelo de la varianza (dejando de lado 02) es slo el cuadrado de la pendiente del modelo de
respuesta ajustado en la direccin de la variable de ruido.
Para dar un uso operacional a estos modelos sera necesario:
1. Realizar un experimento y ajustar un modelo de respuesta apropiado, tal como la ecuacin

11-28.
2. Sustituir los coeficientes de regresin desconocidos en los modelos de la media y la varianza con
sus estimaciones de mnimos cuadrados del modelo de la respuesta o de reaccin, y sustituir la a2
del modelo de la varianza con el cuadrado medio de los residuales que se encontr cuando se
ajust el modelo de respuesta.
3. Optimizar los modelos de la media y la varianza utilizando los mtodos estndares de optimiza-
cin de respuestas mltiples revisadas en la seccin 11-3.4.
Es muy sencillo generalizar estos resultados. Suponga que hay k variables controlables y rvariables de
ruido. El modelo de respuesta general que incluye estas variables se escribir como
>{x, z) = f(x)+h(x, z)+e
donde f(x) es la porcin del modelo que incluye slo las variables controlables y h(x, z) son los trminos
que incluyen los efectos principales de los factores de ruido y las interacciones entre los factores controla-
bles y los de ruido. De manera tpica, la estructura de h(x, z) es
494 CAPTT_
LO 11 MTODOS DE SUPERFICIESDE RESPUESTA
La estructura de f(x) depender de cul sea el tipo de modelo que el experimentador considere apropiado
para las variables controlables. Las elecciones lgicas son el modelo de primer orden con interaccin y el
modelo de segundo orden. Si se supone que las variables de ruido tienen media cero, varianza <1; y cova-
rianzas cero, y que las variables de ruido y los errores aleatorios e tienen covarianzas cero, entonces el mo-
delo de la media para la respuesta es
Ez[y(x, z)]= f(x) (11-30)
y el modelo de la varianza para la respuesta es
Vz[}(x, Z)]=<1;~ [~~jz)r +<72 (11-31)
Myers y Montgomery [85a] presentan una forma un tanto ms general de la ecuacin 11-31 basada en la
aplicacin directa de un' operador de varianza condicional al modelo de respuesta.
EJEMPLO 11...
6 ... . . . " " " " . " " . " " . " . " " " " " " " 110 " " " " " " " " " " " " " " " "
Para ilustrar el procedimiento anterior, considere nuevamente el ejemplo 6-2 en el que se estudiaron cua-
tro factores en un diseo factorial 24 para investigar su efecto sobre la rapidez de filtracin de un producto
qumico. Se supondr que el factor A, la temperatura, es difcil de controlar en el proceso a gran escala,
pero que puede controlarse durante el experimento (el cual se llev a cabo en una planta piloto). Los
otros tres factores, la presin (B), la concentracin (C) y la velocidad de agitacin (D), son fciles de con-
trolar. Por lo tanto, el factor de ruido z es la temperatura, y las variables controlablesx., X2 YX3 son la pre-
sin, la concentracin y la velocidad de agitacin, respectivamente. Puesto que tanto los factores
controlables como el factor de ruido estn en el mismo diseo, el diseo factorial 24 utilizado en este ex-
perimento es un ejemplo de un diseo de arreglo combinado.
Utilizando los resultados del ejemplo 6-2, el modelo de respuesta es
5( x, z ) -- 7006
. + (21.625)
2 z + (9.875)
2 x2 + (14.625)
2 x)
18.125)
_
- ( -2- x2z + (16.625)
-2- X3Z1
= 70.06+10.81z 1 +4.94x2 +7.31x3 -9.06x2Z1 +8.31x3z1
Utilizando las ecuaciones 11-30 y 11-31, se encuentra que los modelos de la media y la varianza son
E.[}(x, Zl)]= 70.06+ 4. 94x2 +7.31x3
y
Vz[}(x, Zl)]= 0;(10.81- 9.06x2 +8.3lx3)2 +<72
= <7;(116.91 + 82.08x; + 69.06x; -195.88x2
+179.66x3 -150.58x2x3)+<72
respectivamente. Suponga ahora que los niveles bajo y alto de la variable de ruido, temperatura, se corrie-
ron a una desviacin estndar a ambos lados de su valor tpico o promedio, de tal modo que = 1, Y que o;
se usa {2 = 19.51 (ste es el cuadrado medio de los residuales obtenido al ajustar el modelo de respuesta).
Por lo tanto, el modelo de la varianza queda como
Vz[y(x, Zl)]= 136.42-195.88x2 +179.66x3 -150.58x2x3 + 82.08x; + 69.06x;
e
:2
~
e
fle
e
U
11
11'"
-0.500
-1.000 '-- _ ___;I.....-_..I...... :t..L..... .....L.. -'
-1.000 -0.500 0.000 0.500 1.000
". = Velocidad de agitacin
Figura 11-42 Contornos del ndice de filtracin medio constante, ejemplo 11-6,
=
con XI temperatura = O.
En la figura 11-42 se presenta la grfica de contorno del paquete de software Design-Expert de los
contornos de respuesta del modelo de la media. Para construir esta grfica se fij el factor de ruido (tem-
peratura) en cero y el factor controlable no significativo (presin) tambin en cero. Observe que la rapi-
dez de filtracin promedio se incrementa cuando tanto la concentracin como la velocidad de agitacin
se incrementan. Design-Expert constituir tambin de manera automtica grficas de la raiz cuadrada de
los contornos de la varianza, que denomina propagacin del error (o POE, por sus siglas en ingls). Evi-
dentemente, la POE no es sino la desviacin estndar de la variabilidad que se transmite a la respuesta
como una funcin de las variables controlables. En la figura 11-43 se muestra la grfica de contorno y la
grfica de superficie de respuesta tridimensional de la POE, obtenida con Design-Expert (en esta grfica
la variable de ruido se mantiene constante en cero, como se explic anteriormente).
Suponga que el experimentador quiere mantener una rapidez de filtracin promedio de cerca de 75 y
minimizar la variabilidad alrededor de este valor. En la figura 11-44 se muestra una grfica de superposi-
cin de los contornos de la rapidez de filtracin media y la POE como una funcin de la concentracin y la
velocidad de agitacin, las variables controlables significativas. Para conseguir los objetivos deseados ser
necesario mantener la concentracin en el nivel alto y la velocidad de agitacin muy cerca del nivel inter-
medio .
...................... ., .
El ejemplo 11-6 ilustra el uso de un modelo de primer orden con interaccin como el modelo para los
factores controlables,f(x). Se presenta ahora un ejemplo adaptado de Montgomery [80b] que incluye un
modelo de segundo orden.
e
'o
.
E
E
~
c:
o
(.J
..'"'
11
-1.00 L...___ ....L._--'- ....L.:....L J.....oc:....... .....J
-1.00 ...{l.SO 0.00 0.50 1.00

x. = Velocidad de agitacin
al Grfica de contorno
28.5315
22.5032
16.4748
10.4465
:i>
w
( 4.41816
bl Grfica de superficie de respuesta
Figura 11-43 Grfica de contorno y superficie de respuesta de la propagacin del error

(POE) en el ejemplo 11.-6,con XI = temperatura "" O.
1.00
0.50
r::
-o
"i
.b
i
:!1
o 0.00
(,,)
..".,
-0.50
-1.00
-1.00 -0.50 0.00 0.50 1.00
Concentraci6n x. - Velocidad de agitaci6n
Figura 11-44 Grfica de superposicin de los contornos de la media y la POE del

ndice de filtracin, ejemplo 11-6, con X, = temperatura = O.
EJEMPLO 11~7......................................................
En una fbrica de semiconductores se realiz un experimento que incluy dos variables controlables y tres
variables de ruido. En la tabla 11-23 se muestra el diseo de arreglo combinado utilizado por los experimen-
tadores. El diseo es una variante de 23 corridas de un diseo central compuesto que se cre empezando
con un DCC estndar para cinco factores (la porcin del cubo es un diseo 2s-1) y eliminando las corridas
axiales asociadas con las tres variables de ruido. Este diseo soportar un modelo de respuesta que tiene un
modelo de segundo orden en las variables controlables, los efectos principales de las tres variables de ruido
y las interacciones entre los factores controlables y los de ruido. El modelo de respuesta ajustado es
Y(x, z)= 30.37- 2.92x -4.13x2 + 260x +2.18x~ + 2.87xx2
+2.73z-2.33z2 +233z3 -0.27xz +0.89xZ2 +2.58xZ3
+2.01x2z-1.43x2Z2 +1.56x2Z3
Los modelos de la media y la varianza son
E,[y(x, z)] = 30.37 - 2.92x - 4.l3xz + 2.60x)2+ 218x; + 2.87xXz
y
Vz[y(x, z)]= 19.26+3.20x +12.45x2 + 7.52x; + 8.52x; +2.21xxZ
donde se han sustituido las estimaciones de los parmetros del modelo de respuesta ajustado en las ecua-
ciones de los modelos de la media y la varianza y, como en el ejemplo anterior, se supone que a~ = 1. En
las figuras 11-45 y 11-46 se presentan las grficas (de Design-Expeny de contorno de la media y la POE del
proceso (recuerde que la POE es la raz cuadrada de la varianza de la superficie de respuesta) generadas a
partir de estos modelos.
498 CAPTIJLO 11 . MTODOS DE SUPERFICIESDE RESPUESTA
Tabla 1123 Experimento de arreglo combinado con dos variables controlables y tres variables de ruido, ejemplo 11-7
Nmero de corrida Xl X2 Z Zz Zs y
1 -1.00 -1.00 -1.00 -1.00 1.00 44.2
2 1.00 -1.00 -1.00 -1.00 -1.00 30.0
3 -1.00 1.00 -1.00 -1.00 -1.00 30.0
4 1.00 1.00 -1.00 -1.00 1.00 35.4
S -1.00 -1.00 1.00 -1.00 -1.00 49.8
6 1.00 -1.00 1.00 -1.00 1.00 36.3
7 -1.00 1.00 1.00 -1.00 1.00 41.3
8 1.00 1.00 1.00 -t.oo -LOO 31.4
9 -1.00 -1.00 -1.00 1.00 -1.00 43.5
10 1.00 -1.00 -1.00 1.00 1.00 36.1
11 -1.00 1.00 -1.00 1.00 1.00 22.7
12 1.00 1.00 -1.00 1.00 -1.00 16.0
13 -1.00 -1.00 1.00 1.00 1.00 43.2
14 1.00 -1.00 1.00 1.00 -1.00 30.3
15 -1.00 1.00 1.00 1.00 -1.00 30.1
16 1.00 1.00 1.00 1.00 1.00 39.2
17 -2.00 0.00 0.00 0.00 0.00 46.1
18 2.00 0.00 0.00 0.00 0.00 36.1
19 0.00 -2.00 0.00 0.00 0.00 47.4
20 0.00 2.00 0.00 0.00 0.00 31.5
21 0.00 0.00 0.00 0.00 0.00 30.8
22 0.00 0.00 0.00 0.00 0.00 30.7
23 0.00 0.00 0.00 0.00 0.00 31.0
0.50
..'" 0.00
-<l.SO
-1.00 L.....;._.3o,__--L~ ~ ...._ ----'
-1.00 -<l.SO 0.00 0.50 1.00
Figura 11-45 Grfica de contorno del modelo de la media, ejemplo 11-7.

117 DISEO ROBUSTO 499
~.. 0.00
-0.50
-1.00 ....... ---L -'- J.-__".____ --'
-1.00 -0.50 0.00 0.50 1.00
Figura 11-46 Grfica de contorno de la POE, ejemplo 11-7.
1.00
0.50
"... 0.00
-0.50
-1.00
-1.00 -0.50 0.00 0.50 1.00
Figura 11-47 Superposicin de los contornos de la media y la POE para el ejem-

plo 11-7, con la regin en blanco indicando condiciones de operacin satisfactorias
para la media y la varianza.
500 CAPTUl,O JI MTODOS DE SUPERFICIESDE RESPUESTA
En este problema es deseable mantener la media del proceso abajo de 30. Al inspeccionar las figuras
11-45 y 11-46, es claro que se necesitar hacer un ajuste si se quiere hacer pequea la varianza del proce-
so. Puesto que slo hay dos variables controlables, una forma lgica de llegar a este arreglo es superponer
los contornos de la respuesta media constante y la varianza constante, como se muestra en la figura 11-47.
Esta grfica muestra los contornos para los que la media del proceso es menor o igual que 30 y la desvia-
cin estndar del proceso es menor o igual que 5. La regin delimitada por estos contornos representara
una zona de operacin tpica de respuesta media baja y varianza del proceso baja.
11~8 PROBLEMAS
ll-1. En una planta qumica se produce oxgeno licuando aire y separndolo por destilacin fraccionada en sus ga-
ses componentes. La pureza del oxgeno es una funcin de la temperatura del condensador principal y de la
relacin de la presin entre las columnas superior e inferior. Las condiciones de operacin actuales son tem-
peratura (';1) = -220C Yla relacin de la presin (';1) = 1.2. Utilizando los datos siguientes, encontrar la tra-
yectoria del ascenso ms pronunciado:
Thmperatura (';,) ndice de la presin (';2) Pureza

-225 1.1 82.8
-225 1.3 83.5
-215 1.1 84.7
-215 1.3 85.0
-220 1.2 84.1
-220 1.2 84.5
-220 1.2 83.9
-220 1.2 84.3
11-2. Un ingeniero industrial ha desarrollado un modelo de simulacin por computadora para un sistema de in-
ventario de dos artculos. Las variables de decisin son la cantidad del pedido y el punto de reorden de cada
artculo. La respuesta que debe minimizarse es el costo total del inventario. El modelo de simulacin se usa
para producir los datos que se muestran en la tabla siguiente. Identificar el diseo experimental. Encontrar
la trayectoria del descenso ms pronunciado.
Artculo 1 Artculo 2
Cantidad del Punto de Cantidad del Punto de Costo
pedido (';1) reorden (.;2) pedido (';3) reorden (';4) total
100 25 250 40 625
140 45 250 40 670
140 25 300 40 663
140 25 250 80 654
100 45 300 40 648
100 45 250 80 634
100 25 300 80 692
140 45 300 80 686
120 35 275 60 680
120 35 275 60 674
120 35 275 60 681
11-8 PROBLEMAS 501
11-3. Verificarque el siguientediseo es smplex.Ajustar el modelo de primer orden y encontrar la trayectoria del
ascenso ms pronunciado.
Xl Xz y
o .ti -1 18.5
-.ti O 1 19.8
O -.ti -1 17.4
.ti O 1 22.5
11-4. Para el modelo de primer orden
encontrar la trayectoriadel ascensomspronunciado.Lasvariablesestn codificadascomo -1 ::s; Xi -s 1.

11-5. La regin de experimentacinde tres factores son el tiempo (40 ::s; TI s 80 min), la temperatura (200 ::s; Tz ::s;
300C) Yla presin (20 ::s; P ::s; 50 psig). Se ha ajustado un modelo de primer orden en variablescodificadasa
los datos del rendimiento de un diseo 23 El modelo es
El punto TI = 85, Tz = 325, P == 60 est en la trayectoria del ascenso ms pronunciado?

11-6. La regin de experimentacin de dos factores son la temperatura (100 !O T!O 300F) y la velocidad de ali-
mentacin del catalizador (10 s e s 30 lb/pulg), Un modelo de primer orden con las variables codificadas
usuales 1 se ha ajustado a la respuesta peso molecular, obtenindose el modelo siguiente:
y= 2000+125x +40x2
a) Encontrar la trayectoria del ascenso ms pronunciado.

b) Se desea mover a una regin donde los pesos molecularesrebasen 2500. Con base en la informacinque
se tiene por la experimentacinen esta regin, aproximadamentecuntos pasos en la trayectoria del as-
censo ms pronunciado se necesitan para moverse a la regin de inters?
11-7. La trayectoria del ascensomspronunciado suelecalcularsesuponiendo que el modeloes en realidad de pri-
mer orden; es decir, que no hayinteraccin.Sin embargo,inclusosi hay interaccin, el ascensomspronun-
ciado que se determina ignorandola interaccinseguirproduciendo por lo general buenos resultados. Para
ilustrar, suponga que se ha ajustado el modelo
utilizando variables codificadas (-1 ::s; Xi S +1).

a) Trazar la trayectoria del ascenso ms pronunciado que se obtendra si se ignorara la interaccin.
b) Trazarla trayectoria del ascensoms pronunciado que se obtendra incluyendola interaccin en el mo-
delo. Compararla con la trayectoria que se encontr en el inciso a.
11-8. Los datos que se muestran en la siguiente tabla se recolectaron en un experimento para optimizar el creci-
miento de un cristal como una funcin de tres variablesXl' X2 YX3 Son deseableslosvaloresgrandes de y (ren-
dimiento en gramos). Ajustar un modelo de segundo orden y analizar la superficie ajustada. Bajo qu
conjunto de condiciones se alcanza el crecimiento mximo?
502 CAPTULo 11 MTODOS DE SUPERFICIESDE RESPUESTA
Xl Xl Xl Y
-1 -1 -1 66
-1 -1 1 70
-1 1 -1 78
-1 1 1 60
1 -1 -1 80
1 -1 1 70
1 1 -1 100
1 1 1 75
-1.682 O O 100
1.682 O O 80
O -1.682 O 68
O 1.682 O 63
O O -1.682 65
O O 1.682 82
O O O 113
O O O 100
O O O 118
O O O 88
O O O 100
O O O 85
11-9. Un ingeniero qumico recolect los siguientes datos. La respuesta y es el tiempo de filtracin, Xl es la tempe-
ratura y x2 es la presin. Ajustar un modelo de segundo orden.
Xl Xz y
-1 -1 54
-1 1 45
1 -1 32
1 1 47
-1.414 O 50
1.414 O 53
O -1.414 47
O 1.414 51
O O 41
O O 39
O O 44
O O 42
O O 40
a) Qu condiciones de operacin se recomendaran si el objetivo es minimizar el tiempo de filtracin?

b) Qu condiciones de operacin se recomendaran si el objetivo es operar el proceso con una velocidad
de filtracin media muy prxima a 46?
11-10. El diseo hexagonal que se presenta a continuacin se usa en un experimento que tiene como objetivo ajus-
tar un modelo de segundo orden:
11-8 PROBLEMAS 503
Xl Xz y
1 O 68
0.5 .J0.75 74
-{J.5 .Jo.75 65
-1 O 60
-{J.5 -.JU75 63
0.5 -.J0.75 70
O O 58
O O 60
O O 57
O O 55
O O 69
a) Ajustar el modelo de segundo orden.

b) Efectuar el anlisis cannico. Qu tipo de superficie se ha encontrado?
e) Qu condiciones de operacin para Xl y Xl llevan al punto estacionario?
d) Dnde se correra este proceso si el objetivo es obtener una respuesta que est tan cerca de 65 como sea
posible?
11-11. Un experimentador corri un diseo de Box-Behnken y obtuvo los siguientes resultados, donde la variable
de respuesta es la viscosidad de un polmero:
Velocidad de
Nivel Temperatura agitacin Presin Xl Xz x3
Alto 200 10.0 25 +1 +1 +1
Intermedio 175 7.5 20 O O O
Bajo 150 5.0 15 -1 -1 -1
Corrida Xl Xz X3 y
1 -1 -1 535
O
2 +1 -1 580
O
3 -1 +1 596
O
4 +1 +1 563
O
5 -1 O 645
-1
6 +1 O -1 458
7 -1 O +1 350
8 +1 O +1 600
9 O -1 -1 595
10 O +1 -1 648
11 O -1 +1 532
12 O +1 +1 656
13 O O O 653
14 O O O 599
15 O O O 620
a) Ajustar el modelo de segundo orden.

b) Efectuar el anlisis cannico. Qu tipo de superficie se ha encontrado?
e) Ou condiciones de operacin para Xl> Xl Y X3 llevan al punto estacionario?

d) Qu condiciones de operaciri se recomendaran si es importante obtener una viscosidad que est tan
cerca de 600 como sea posible?
11-12. Considere el diseo central compuesto de tres variables que se muestra a continuacin. Analizar los datos y
sacar conclusiones, suponiendo que se quiere maximizar la conversin '1) con la actividad '2) entre 55 y 60.
Conversin
Tiempo Temperatura Catalizador (%) Actividad
Corrida (min) CC) (%) Yl Y2
1 -1.000 -1.000 -1.000 74.00 53.20
2 1.000 -1.000 -1.000 51.00 62.90
3 -1.000 1.000 -1.000 88.00 53.40
4 1.000 1.000 -1.000 70.00 62.60
5 -1.000 -1.000 1.000 71.00 57.30
6 1.000 -1.000 1.000 90.00 67.90
7 -1.000 1.000 1.000 66.00 59.80
8 1.000 1.000 1.000 97.00 67.80
9 0.000 0.000 0.000 81.00 59.20
10 0.000 0.000 0.000 75.00 60.40
11 0.000 0.000 0.000 76.00 59.10
1.2 0.000 0.000 0.000 83.00 60.60
13 -1.682 0.000 0.000 76.00 59.10
14 1.682 0.000 0.000 79.00 65.90
15 0.000 -1.682 0.000 85.00 60.00
16 0.000 1.682 0.000 97.00 60.70
17 0.000 0.000 -1.682 55.00 57.40
18 0.000 0.000 1.682 81.00 63.20
19 0.000 0.000 0.000 80.00 60.80
20 0.000 0.000 0.000 91.00 58.90
11-13. Un fabricante de herramientas de corte ha desarrollado dos ecuaciones empricas para la vida de la herra-
mienta en horas '1) y para el costo de la herramienta en dlares '2)' Ambos modelos son funciones lineales
de la dureza del acero (Xl) y de la fecha de fabricacin (Xl)' Las dos ecuaciones son
JI = 10+5x1 +2x2
J2 = 23+ 3x1 + 4x2
y ambas ecuaciones son vlidas en el rango-1.5 :s; xi:5 1.5. El costo unitario de la herramienta debe estar aba-
jo de $27.50 y la vida debe exceder 12 horas para que el producto sea competitivo. Existe algn conjunto de
condiciones de operacin factible para este proceso? Dnde se recomendara correr este proceso?
11-14. Se corre un diseo central compuesto en un proceso de deposicin qumica por vapor y se obtienen los datos
experimentales que se muestran a continuacin. Se procesaron simultneamente cuatro unidades experi-
mentales en cada corrida del diseo, y las respuestas son la media y la varianza del espesor, calculadas en las
cuatro unidades.
11-8 PROBLEMAS 505
Xl Xz y s~
-1 -1 360.6 6.689
1 -1 445.2 14.230
-1 1 412.1 7.088
1 1 601.7 8.586
1.414 O 518.0 13.130
-1.414 O 411.4 6.644
O 1.414 497.6 7.649
O -1.414 397.6 11.740
O O 530.6 7.836
O O 495.4 9.306
O O 510.2 7.956
O O 487.3 9.127
a) Ajustar un modelo a la respuesta media. Analizar los residuales.

b) Ajustar un modelo a la respuesta varianza. Analizar los residuales.
e) Ajustar un modelo a In(s2). Este modelo es superior al que se encontr en el inciso b?
d) Suponga que se quiere que el espesor medio est en el intervalo 450 25. Encontrar un conjunto de con-
diciones de operacin que consiga este objetivo y que al mismo tiempo minimice la varianza.
e) Comentar los aspectos de la minimizacin de la varianza del incisod. Se ha minimizado tambin la va-
rianza total del proceso?
11-15. Verificar que el diseo de primer orden ortogonal es tambin un diseo de primer orden rotable.
11-16. Demostrar que aumentar un diseo 2k con nc puntos centrales no afecta las estimaciones de{J(i = 1,2, ..., k),
pero que la estimacin de la ordenada al origen {Jo es el promedio de las 2k + nc observaciones.
11-17. El diseo central compuesto roltlble. Puede demostrarse que un diseo de segundo orden es rotable si
=
I::~lX:X~" Osi a o b (o ambas) son impares y si I::~lX~ = 3I::.x;'x:u' Demostrar que para el diseo central
compuesto estas condiciones llevan a a = (np)1I4 para la rotabilidad, donde n es el nmero de puntos en la
porcin factorial.
11-18. Verificar que el diseo central compuesto que se muestra abajo est separado en bloques ortogonales:

Xl X2 X3 Xl X2 X3 Xl X2 X3
O O O O O O -1.633 O O
O O O O O O 1.633 O O
1 1 1 1 1 -1 O -1.633 O
1 -1 -1 1 -1 1 O 1.633 O
-1 -1 1 -1 1 1 O O -1.633
-1 1 -1 -1 -1 -1 O O 1.633
O O O
O O O
11-19. Formacin de bloques del diseo central compuesto. Considere un diseo central compuesto para k = 4 varia-
bles en dos bloques. Puede encontrarse siempre un diseo rotable formado de bloques ortogonales?
11-20. Cmo puede correrse un diseo hexagonal en dos bloques ortogonales?
11-21. En la tabla siguiente se muestra el rendimiento durante los cuatro primeros ciclos de un proceso qumico.
Las variables son el porcentaje de concentracin (Xl) en 108 niveles 30, 31 Y32 Yla temperatura (X2) en 140,
142 Y 144DE Hacer el anlisis utilizando mtodos EVOP.
Condiciones
Ciclo (1) (2) (3) (4) (5)
1 60.7 59.8 60.2 64.2 57.5
2 59.1 62.8 62.5 64.6 58.3
3 56.6 59.1 59.0 62.3 61.1
4 60.5 59.8 64;5 61.0 60.1
11-22. Suponga que se aproxima una superficie de respuesta con un modelo de orden d, tal como y = XIJ + e,
cuando la verdadera superficie est descrita por un modelo de orden dz > di; es decir, E(y) = XIJ + X1J2.
a) Demostrar que los coeficientes de regresin son sesgados, es decir, que E(jJI) = /11 + AfJz, donde A =
(X'X)-X'Xz. Es comn llamar a A la matriz alias.
b) Si d = 1 Ydz = 2, Yse utiliza un diseo 2k completo para ajustar el modelo, usar el resultado del inciso a
para determinar la estructura de los alias.
c) Si di = 1, dz = 2 Yk = 3, encontrar la estructura de los alias, suponiendo que se usa un diseo 23-1 para
ajustar el modelo.
= = =
d) Si d, 1, dz 2 Yk 3, Yse utiliza el diseo smplex del problema 11-3 para ajustar el modelo, determi-
nar la estructura de los alias y comparar los resultados con el inciso c.
11~23. En un artculo ("Conozcamos todos el cuadrado latino", en Quality Engineering, vol. 1, pp. 453-465), J.S.
Hunter ilustra algunos de los problemas asociados con los diseos factoriales fraccionados 3k-p. El factor A
es la cantidad de etanol agregada a un combustible estndar y el factor B representa la relacin aire/com-
bustible. La variable de respuesta es la emisin de monxido de carbono (CO) en g/m'. El diseo se mues-
tra abajo:
Diseo Observaciones
A B y
Xl Xz
O O -1 -1 66 62
1 O O -1 78 81
2 O +1 -1 90 94
O 1 -1 O 72 67
1 1 O O 80 81
2 1 +1 O 75 78
O 2 -1 +1 68 66
1 2 O +1 66 69
2 2 +1 +1 60 58
Observe que se ha usado el sistema de notacin de O, 1 Y2 para representar los niveles bajo, intermedio y alto
de los factores. Se ha usado tambin una "notacin geomtrica" de -1, OY + 1. Se hacen dos rplicas de cada
corrida del diseo.
a) Verificar que el modelo de segundo orden
y= 78.5+4.5x-7.0x2 - 4.5x; - 4.0x; - 9.0xx2
es un modelo razonable para este experimento. 'Irazar los contornos de la concentracin de CO en el es-
pacio Xl' Xz.
11-8 PROBLEMAS 507
b) Suponga ahora que en lugar de slo dos factores, se usaron cuatro factores en un diseo factorial frac-
cionado 34-Z y que se obtuvieron exactamente los mismos datos que en el inciso a. El diseo sera el si-
guiente:
Diseo Observaciones
A B e D Xl X2 X) X. Y
o o o o -1 -1 -1 -1 66 62
1 o 1 1 . o -1 o o 78 81
2 o 2 2 +1 -1 +1 +1 90 94
o 1 2 1 -1 o +1 o 72 67
1 1 o 2 o o -1 +1 80 81
2 1 1 o +1 o o -1 75 78
o 2 1 2 -1 +1 o +1 68 66
1 2 2 o o +1 +1 -1 66 69
2 2 o 1 +1 +1 -1 o 60 58
Confirmar que este diseo es un arreglo ortogonal L9'

e) Calcular los promedios marginales de la respuesta CO en cada nivel de los cuatro factores A, B, e y D.
Construir grficas de estos promedios marginales e interpretar los resultados. Los factores e y D pare-
cen tener efectos grandles? Estos factores tienen en realidad algn efecto sobre la emisin de CO? Por
qu su efecto aparente es grande?
d) El diseo del inciso b permite el ajuste del modelo
4 4
y= Po + ~ pX + ~ PI/X; +E
i;) i~l
Suponga que el verdadero modelo es

4 4
y= Po +~ pX
i~l .
+~ p;x; +
;-1
~ Pi/XIX}
i<}
=E
Demostrar que si las Pi representan las estimaciones de mnimos cuadrados de los coeficientes del mode-
lo ajustado, entonces
E(Po)= Po - Pu - Pl4 - P34

E(Pd:;:: PI - (P23 +P14) /2
E(P2) = P2 - (P13 +PI4 +P34)/ 2
E(P3)= P3 -(Pu +pz.)/ 2
E(P.)= P. -(PI2 +P23 )/2
E(Pll) = Pll - (P23 - P24)/ 2
E(P22)= P22 +(P13 +P14 +P34)/ 2
E(P33) = P33 - (P24 - P12)/2+ PI.
E(P 44 ) =P 44 - (P12 - P 23 ) / 2 + PI3
Ayuda esto a explicar los efectos grandes de los factores e y D que se observaron grficamente en el in-
ciso c?
11-24. Suponga que es necesario disear un experimento para ajustar un modelo cuadrtico en la regin -1 :s; Xi :s;
+ 1, i = 1,2 sujeto a la restriccinx, + X2 :s; 1. Si se viola la restriccin, el proceso no funcionar adecuada-
mente. No es posible hacer ms de n = 12 corridas. Establecer los siguientes diseos:
a) Un modelo DCC "inscrito" con punto central en Xl = X2 = O.
b) Un diseo factorial 32 "inscrito" con punto central en Xl = X2 = -0.25.
e) Un diseo optimal D.
d) Un diseo optimal D modificado que sea idntico al del inciso e, pero con todas las rplicas de las corri-
das en el centro del diseo.
e) Evaluar el criterio I(X'X)-ll para cada diseo.
f) Evaluar la eficiencia D para cada diseo en comparacin con el diseo optimal D del inciso c.
g) Qu diseo preferira el lector? Por qu?
11-25. Considere un diseo 23 para ajustar un modelo de primer orden.
a) Evaluar el criterio D I(X'X)-ll para este diseo.
b) Evaluar el criterio A tr(X'X)-l para este diseo.
e) Encontrar la varianza de prediccin escalada mxima para este diseo. Este diseo es optimal G?
11-26. Repetir el problema 11-25 utilizando un modelo de primer orden con las interacciones de dos factores.
11-27. Un ingeniero qumico desea ajustar una curva de calibracin para un nuevo procedimiento utilizado para
medir la concentracin de un ingrediente particular de un producto fabricado en sus instalaciones. Pueden
prepararse 12 muestras, cuya concentracin es conocida. El ingeniero quiere construir un modelo para las
concentraciones medidas. Piensa que una curva de calibracin lineal ser adecuada para modelar la concen-
tracin medida como una funcin de las concentraciones conocidas; es decir,y = Po + px + E, donde x es la
concentracin real. Estn bajo consideracin cuatro diseos experimentales. El diseo 1 consta de seis corri-
das con la concentracin conocida 1 y seis corridas con la concentracin conocida 10. El diseo 2 consta de
cuatro corridas con las concentraciones 1, 5.5 Y10. El diseo 3 consta de tres corridas con las concentraciones
1, 4, 7 Y10. Por ltimo, el diseo 4 consta de tres corridas con las concentraciones 1 y 10 y seis corridas con la
concentracin 5.5.
a) Graficar la varianza de prediccin escalada para los cuatro diseos en la misma grfica en el rango de la
concentracin 1 :s; x S 10. Qu diseo sera preferible?
b) Calcular el determinante de (X'X)-l para cada diseo. Qu diseo sera preferible de acuerdo con el
criterio D?
e) Calcular la eficienciaD de cada diseo en comparacin con el "mejor" diseo que se haya encontrado en
el inciso b.
d) Para cada diseo, calcular la varianza de prediccin promedio en el conjunto de puntos dado por x == 1,
1.5, 2, 2.5, ..., 10. Qu diseo sera preferible de acuerdo con el criterio V?
e) Calcular la eficiencia V de cada diseo en comparacin con el mejor diseo que se haya encontrado en el
inciso d.
f) Cul es la eficiencia G de cada diseo?
11-28. Resolver de nuevo el problema 11-27, suponiendo que el modelo que el ingeniero quiere ajustar es cuadrti-
co. Evidentemente, ahora slo pueden considerarse los diseos 2, 3 Y 4.
11-29. Un experimentador quiere correr un experimento de una mezcla de tres componentes. Las restricciones so-
bre las proporciones de los componentes son las siguientes:
0.2:s Xl :S 0.4
0.1 :S x2 ::;; 0.3
0.4:s X2 s 0.7
a) Establecer un experimento para ajustar un modelo cuadrtico para mezclas. Usar n = 14 corridas, con
cuatro rplicas. Usar el criterio D.
b) Trazar la regin experimental.
11-8 PROBLEMAS 509
e) Establecer un experimento para ajustar un modelo cuadrtico para mezclas con n :::12 corridas, supo-
niendo que tres de estas corridas son rplicas. Usar el criterio D.
d) Comentar los dos diseos que se encontraron.
11-30. Myers y Montgomery [85a] describen un experimento con una mezcla de gasolina en el que intervienen tres
componentes de la mezcla. No hay restricciones sobre las proporciones de la mezcla, y se us el siguiente di-
seo con 10 corridas:
Punto del diseo Xl X2 X3 y, mi/gal

1 1 O O 24.5,25.1
2 O 1 O 24.8,23.9
3 O O 1 22.7,23.6
1 1
4 "2 '2 O 25.1
1 1
5 "2 O "2 24.3
1 1
6 O '2 "2 23.5
1 1 1
7 "3 '3 "3 24.8,24.1
2 I 1
8 "3 6' '6 24.2
I 1. .!.
9 '6 J 6 23.9
1 1 2
10 6' '6 "3 23.7
a) Qu tipo de diseo utilizaron los experimentadores?

b) Ajustar un modelo cuadrtico para mezclas a los datos. Es adecuado este modelo?
e) Gracar los contornos de la superficie de respuesta. Qu mezcla se recomendara para maximizar las
millas por galn?
11-31. Considere el experimento del llenado de las botellas del ejemplo 6-1. Suponga que el porcentaje de carbona-
tacin (A) es una variable de ruido (en unidades codificadas a;
= 1).
a) Ajustar el modelo de respuesta a estos datos. Se trata de un problema de diseo robusto? .
b) Encontrar el modelo de la media y el modelo de la varianza o bien la POE.
e) Encontrar un conjunto de condiciones que resulten en una desviacin del llenado promedio tan prxima
a cero como sea posible con varianza transmitida mnima.
11-32. Considere el experimento del problema 11-12. Suponga que la temperatura es una variable de ruido (a~= 1
en unidades codificadas). Ajustar modelos de respuesta para las dos respuestas. Se trata de un problema de
diseo robusto con respecto a ambas respuestas? Encontrar un conjunto de condiciones que maximicen la
conversin con la actividad entre 55 y 60 Yque minimice la variabilidad transmitida por la temperatura.
11-33. Se ha corrido un experimento en un proceso que aplica un material de recubrimiento a una oblea. En cada
corrida del experimento se fabric una oblea y se midi varias veces el espesor del recubrimiento en varios si-
tios de la misma. Despus se obtuvo la media y I Yla desviacin estndar Y2 de la medicin del espesor. Los da-
tos (adaptados de Box y Draper [16b]) se muestran en la tabla siguiente:
Media Desviacin estndar

Corrida Velocidad Presin Distancia YI Y2
1 -1.000 -1.000 -1.000 24.0 12.5
2 0.000 -1.000 -1.000 120.3 8.4
3 1.000 -1.000 -1.000 213.7 42.8
4 -1.000 0.000 ~1.000 86.0 3.5
5 0.000 0.000 -1.000 136.6 80A
6 1.000 0.000 -1.000 340.7 16.2
7 -1.000 1.000 -1.000 112.3 27.6
510 CAPTULo 11 MToDOs DE SUPERFICIES DE RESPUESTA
Media Desviacin estndar

Corrida Velocidad Presin Distancia YI yz
8 0.000 1.000 -1.000 256.3 4.6
9 1.000 1.000 -1.000 271.7 23.6
10 -1.000 -1.000 0.000 81.0 0.0
11 0.000 -1.000 0.000 101.7 17.7
12 1.000 -1.000 0:000 357.0 32.9
13 -1.000 0.000 0.000 171.3 15.0
14 0.000 0.000 0.000 372.0 0.0
15 1.000 0.000 0.000 501.7 92.5
16 -1.000 1.000 0.000 264.0 63.5
17 0.000 1.000 0.000 427.0 88.6
18 1.000 1.000 0.000 730.7 21.1
19 -1.000 -1.000 1.000 220.7 133.8
20 0.000 -1.000 1.000 239.7 23.5
21 1.000 -1.000 1.000 422.0 18.5
22 -1.000 0.000 1.000 199.0 29.4
23 0.000 0.000 1.000 485.3 44.7
24 1.000 0.000 1.000 673.7 158.2
25 -1.000 1.000 1.000 176.7 55.5
26 0.000 1.000 1.000 501.0 138.9
27 1.000 1.000 1.000 1010.0 142.4
a) Qu tipo de diseo utilizaron los experimentadores? Es sta una buena eleccin del diseo para ajus-
tar un modelo cuadrtico?
b) Construir los modelos para ambas respuestas.
e) Encontrar un conjunto de condiciones ptimas que resulten en una media tan grande como sea posible
con la desviacin estndar menor que 60.
11-34. Una variaci6n del ejemplo 6-2. En el ejemplo 6-2 se encontr que una de las variables del proceso (B = pre-
sin) no era importante. Al eliminar esta variable se producen dos rplicas de un diseo 23 Los datos se
muestran enseguida:
e D A (+) A(-) y S2
- - 45,48 71,65 57.75 121.19

+ - 68,80 60,65 68.25 72.25
- + 43,45 100, 104 73.00 1124.67
+ + 75, 70 86,96 81.75 134.92
Suponer que e y D son factores controlables y que A es una variable de ruido.

a) Ajustar un modelo para la respuesta media.
b) Ajustar un modelo para la respuesta ln(s2).
e) Encontrar las condiciones de operacin que resulten en la respuesta de rapidez de filtracin media que
exceda 75 con varianza mnima.
d) Comparar los resultados obtenidos con los del ejemplo 11-6, en el que se aplic el enfoque de la transmi-
sin del error. Hasta qu punto son similares las dos respuestas?
Experimentos
con factores
aleatorios
A lo largo de gran parte de este libro se ha supuesto que los factores de un experimento son factores rijos,
es decir, los niveles de los factores usados por el experimentador son los niveles de inters especfico. La
implicacin de esto es, desde luego, que las inferencias estadsticas que se hacen acerca de estos factores
se restringen a los niveles especficos estudiados. Es decir, si se investigan tres tipos de materiales, como
en el experimento de la vida de la batera del ejemplo 5-1, las conclusiones slo son vlidas para esos ti-
pos especficos de materiales. Una variante de esto ocurre cuando el factor o factores son cuantitativos.
En estas situaciones, con frecuencia se usa un modelo de regresin que relaciona la respuesta con los fac-
tores para predecir la respuesta en la regin que abarcan los niveles de los factores usados en el dseo ex-
perimental. Varios ejemplos de esto se presentaron en los captulos 5 al 9. En general, cuando se trabaja
con un efecto fijo, se dice que el espacio inferencial del experimento es el conjunto especfico de los nive-
les de los factores investigados.
En algunas situaciones experimentales, los niveles de los factores se eligen al azar de una poblacin
ms grande de niveles posibles, y el experimentador quiere sacar conclusiones acerca de la poblacin
completa de los niveles, no slo de los que se usaron en el diseo experimental. En esta situacin se dice
que se trata de un factor aleatorio. Se empieza con una situacin simple, un experimento con un solo fac-
tor en el que el factor es aleatorio y se usa esto para introducir el modelo de efectos aleatorios para el an-
lisis de varianza y los componentes de la varianza. Los factores aleatorios ocurren tambin normalmente
en experimentos factoriales, as como en otros tipos de experimentos. Este captulo se enfoca en los mto-
dos para el diseo y anlisis de experimentos factoriales con factores aleatorios. En el captulo 13 se pre-
sentarn los diseos anidados y de parcelas subdivididas, dos situaciones en las que es frecuente
encontrar factores aleatorios en la prctica.
12..1 MODELO CON EFECTOSALEATORIOS
Es comn que un experimentador est interesado en un factor que tiene un gran nmero de posibles nive-
les. Cuando el experimentador selecciona aleatoriamente a de estos niveles de la poblacin de los niveles
del factor, entonces se dice que el factor es aleatorio. Puesto que los niveles del factor utilizados realmente
en el experimento se eligieron al azar, se hacen inferencias acerca de la poblacin completa de los niveles
del factor. Se supone que la poblacin de los niveles del factor es de tamao infinito o bien lo suficentemen-
511
512 CAPTULO 12 EXPERIMENTOS CON FACTORES ALEATORIOS
te grande para considerarla infinita. No es frecuente encontrar situaciones en las que la poblacin de los ni-
veles del factor sea lo suficientemente pequea para emplear el enfoque de una poblacin finita. Referirse
a Bennett y Franklin [9] y Searle y Fawcett [101] para una revisin del caso de una poblacin finita.
El modelo estadstico lineal es
i = 1, 2, ... , a
y lJ.. =fl+'C+ 'IJ ...{J= 1, 2, ..., n (12-1)
donde tanto e como ij son variables aleatorias. Si 'Ctiene varianza a; y es independiente de BU' la varianza
de cualquier observacin es
V(Yij) = a; +02
Alas varianzas a;
ya2 se les llama los componentes de la varianza, y al modelo (ecuacin 12-1) se le llama
modelo de efectos aleatorios o de los componentes de la varianza. Para probar hiptesis en este modelo se
requiere que las {BU} sean NID(O, 02), que las {r.} seanNID(O, a; ),
y que r, YEij sean independientes.'
La suma de cuadrados identidad
(12-2)
sigue siendo vlida. Es decir, se hace la particin de la variabilidad total en las observaciones en un com-
pcnerite que mide la variacin entre los tratamientos (SSnatamientos) y un componente que mide la variacin
dentro de los tratamientos (SSE)' Probar hiptesis acerca de los efectos de tratamientos individuales no
tiene sentido, por lo que en su lugar se prueban hiptesis acerca del componente de la varianza a;:
Ho:o;=O
(12-3)
H1 :0; >0
Si a; a;
= 0, todos los tratamientos son idnticos; pero si > 0, existe variabilidad entre los tratamientos.
Como anteriormente, SSE/cr se distribuye como ji-cuadrada con N-a grados de libertad y, bajo la hipte-
sis nula, SSnatamientoJa2se distribuye como ji-cuadrada con a - 1 grados de libertad. Ambas variables alea-
torias son independientes. Por lo tanto, bajo la hiptesis nula = 0, el cociente a;
S S Tratamiento,
F = _....:a:::--::-=1=--_
= MS Tratamientos
(12-4)
SSE MSE
N-a
se distribuye como F con a -1y N - a grados de libertad. Sin embargo, es necesario examinar los cuadra-
dos medios esperados para tener la descripcin completa del procedimiento de prueba.
Considere
1
E(MSTratamicnto,): a-1 E(SSTratamienlos)=
1
a-l
[.
E ~
y;
--;;-
y'~ ]
N
1 1
( L .t+r +ij ) 2 -- N ('L? u+t )2]
la n a n
= ---=1 E [ ;; L +ij
a ,-J J=1 ,=1 J=1 .
Cuando se eleva al cuadrado y se toma la funcin esperanza de las cantidades entre corchetes, se observa
r;
que los trminos que incluyen a son reemplazados por a;
como E ('C;) = O.Adems, los trminos que in-
1 El supuesto de que las {r;} son variables aleatorias independientes implica que el supuesto usual de que l:7~1T; = Odel modelo de
efectos fijos no se aplica al modelo de efectos aleatorios.
12-1 MODELO CON EFEcrOS ALEATORIOS 513
Ti
cluyen a ez, e.2 y l:~~1l:7_ son reemplazados por na", anery an2 a;,
respectivamente. Por otra parte, to-
dos los productos cruzados que incluyen a Ti y ejtienen valor esperado cero. Esto lleva a
E( MSTrawruentos) = a ~ 1 [N,u2 + Na; +aa2 - N,u 2 - na; - a2]
o
E( MS Tratamientos) = a 2 + na; (12-5)
De manera similar, puede demostrarse que
E(MSE)= a2 (12-6)
Por los cuadrados medios esperados, se observa que bajo H tanto el numerador como el denomina-
dor del estadstico de prueba (ecuacin 12-4) son estimadores insesgados de er,
mientras que bajo H el
valor esperado del numerador es mayor que el valor esperado del denominador. Por lo tanto, H deber
rechazarse para los valores de Fo que sean muy grandes. Esto implica una regin crtica de una cola supe-
rior, por lo que H se rechaza si F > F", a _ 1, N-a'
El procedimiento de clculo y el anlisis de la tabla de varianza del modelo de efectos aleatorios son
idnticos a los que se utilizaron en el caso de efectos fijos. Sin embargo, las conclusiones son muy diferen-
tes, ya que se aplican a la poblacin completa de los tratamientos.
Por lo general habr inters en estimar los componentes de la varianza (er
ya;) del modelo. Al pro-
er
cedimiento que se usa para estimar ya; se le llama mtodo del anlisis de varianza, ya que hace uso de
las lneas de la tabla del anlisis de varianza. El procedimiento consiste en igualar los cuadrados medios
esperados con sus valores observados en la tabla del anlisis de varianza y despejar los componentes de la
varianza. Al igualar los cuadrados medios observados con los esperados en el modelo de efectos aleato-
rios con un solo factor, se obtiene
y
MSf; =a2
Por lo tanto, los estimadores de los componentes de la varianza son
a2 = MS E (12-7)
y
a
A 2 MS Tratamientos - MS E
= ---===;.;:__----"- (12-8)
T n
Para tamaos de las muestras desiguales, se reemplaza n en la ecuacin 12-8 con
(12-9)
En el mtodo del anlisis de varianza para estimar los componentes de la varianza no se requiere el
er
supuesto de normalidad. Produce estimadores de ya; que son los mejores estimadores cuadrticos in-
sesgados (es decir, de todas las funciones cuadrticas insesgadas de las observaciones, estos estimadores
tienen mnima varianza).
514 CAPITULO 12 EXPERIMENTOSCON FACTORES ALEATORIOS
Ocasionalmente, el mtodo del anlisis de varianza produce una estimacin negativa de uno de los
componentes de la varianza. Evidentemente, los componentes de la varianza son por definicin no nega-
tivos, por lo que la estimacin negativa de un componente de la varianza se considera con cierta preocu-
pacin. Un curso de accin es aceptar la estimacin y usarla como evidencia de que el verdadero valor del
componente de la varianza es cero, suponiendo que la variacin muestralllev a la estimacin negativa.
Esto tiene un atractivo intuitivo, pero adolece de algunas dificultades tericas. Por ejemplo, usar cero en
lugar de la estimacin negativa puede alterar las propiedades estadsticas de otras estimaciones. Otra al-
ternativa es volver a estimar el componente de la varianza negativa utilizando un mtodo que produzca
siempre estimaciones no negativas. Una alternativa ms es considerar la estimacin negativa como evi-
dencia de que el modelo lineal supuesto es incorrecto y examinar de nuevo el problema. El tratamiento
completo de la estimacin de los componentes de la varianza se ofrece en Searle [99a, b l, Searle, Casella y
McCullogh [lOO]y Burdck y Graybill [22].
EJEMPLO 12..1 .
Una compaa textil fabrica un tejido en un gran nmero de telares. Le gustara que los telares fueran ho-
mogneos a fin de obtener un tejido de resistencia uniforme. El ingeniero del proceso sospecha que, ade-
ms de la variacin usual de la resistencia dentro de las muestras del tejido del mismo telar, puede haber
tambin variaciones significativas en la resistencia entre un telar y otro. Para investigar esta posibilidad, el
ingeniero selecciona cuatro telares al azar y hace cuatro determinaciones de la resistencia del tejido fabr-
cado en cada telar. Este experimento se corre de manera aleatoria, y los datos obtenidos se muestran en la
tabla 12-1. Se realiza el anlisis de varianza, el cual se muestra en la tabla 12-2. Por el anlisis de varianza
se concluye que los telares de la planta difieren significativamente.
Los componentes de la varianza se estiman con 2 1.90 y =
: = 29.73;1.90 = 6.96
Por lo tanto, la varianza de cualquier observacin de la resistencia se estima con

f1T = 1'12 +; = 1.90+6.96= 8.86.
La mayor parte de esta variabilidad es atribuible a las diferencias entre los telares .
.................. ....................................... .................
Este ejemplo ilustra un uso importante de los componentes de la varianza: la separacin de las dife-
rentes fuentes de variabilidad que afectan un producto o sistema. El problema de la variabilidad de un
producto se presenta con frecuencia en el control de calidad, y en muchas ocasiones es difcil aislar las
Tabla 12-1 Datos de la resistencia del ejemplo 12-1

Observaciones
Telares 1 2 3 4 Yi
1 98 97 99 96 390
2 91 90 93 92 366
3 96 95 97 95 383
4 95 96 99 98 388
1527 = y_
12-1 MODELQCONEFECTOSALEATORIOS 515
Tabla 12-2 Anlisis de varianza de los datos de la resistencia
variacin cuadrados libertad medio Fa Valor P
Telares 89.19 3 29.73 15.68 <0.001
Error 22.75 12 1.90
Total 111.94 15
fuentes de la variabilidad. Por ejemplo, este estudio puede haber sido motivado por una gran variabilidad
en la resistencia del tejido, como se ilustra en la figura 12-1a. En esta grfica se presenta la salida del pro-
ceso (resistencia del tejido) modelado como una distribucin normal con varianza a~
= 8.86. (sta es la
estimacin de la varianza de cualquier observacin de la resistencia del ejemplo 12-1.) Las especificacio-
nes superior e inferior de la resistencia se muestran tambin en la figura 12-1a, y es relativamente inme-
diato ver que una proporcin bastante grande de la salida del proceso se sale de las especificaciones (las
reas sombreadas de las colas de la figura 12-1a). El ingeniero del proceso se ha preguntado por qu es
tan grande la cantidad de tejido defectuoso que debe desecharse, reelaborarse o degradarse a un produc-
to de menor calidad. Larespuesta es que la mayor parte de la variabilidad de la resistencia del producto es
el resultado de las diferencias entre los telares. El desempeo irregular de los telares podra ser el resulta-
do de una instalacin incorrecta, un mantenimiento deficiente, una supervisin ineficaz, operadores sin
la capacitacin suficiente, fibra de entrada defectuosa, etctera.
El ingeniero del proceso debe intentar ahora aislar las causas especficas de la diferencia en el desem-
peo de los telares. Si pudiera identificar y eliminar estas fuentes de variabilidad entre los telares, sera
posible reducir considerablemente la varianza de la salida del proceso, quiz hasta a;
= 1.90, la estima-
cin del componente de la varianza dentro del telar (error) en el ejemplo 12-1. En la figura 12-1b se mues-
tra la distribucin normal de la resistencia de la fibra con a~ = 1.90. Observe que la proporcin del
producto defectuoso en la salida se ha reducido radicalmente. Aun cuando es improbable que pueda eli-
minarse toda la variabilidad entre los telares, es claro que una reduccin significativa en este componente
de la varianza incrementara sensiblemente la calidad de la fibra producida.
__/' 5:- ~~g8.86
LS (especificacininferior) US (especificacinsuperior)
a) Variabilidadde la salidadel proceso.
LS (especificacininferior) US (especificacinsuperior,
b) Variabilidadde la salidadel proceso si O'~ =0.
Figura 12-1 Salida del proceso en el problema de la

resistencia de la fibra.
516 cxrrnno 12 EXPERIMENTOSCON FACTORES ALEATORIOS
Es sencillo encontrar un intervalo de confianza para el componente de la varianza o'. Si las observa-
ciones siguen una distribucin normal e independiente, entonces (N -a)MSE/er se distribuye como Xt-a'
Por lo tanto,
2 (N - a)MS F. 2 ]
P [ Xl-(a/2),N-a S a2 S X n.u- = 1- a
y un intervalo de confianza de 100(1- a) por ciento para er es

(N-a)MSE 2 (N-a)MSE
2 S a S -'--2~-'-----':::'" (12-10)
Xa/2,N-a XI-(a!2),N-a
Considere ahora el componente de la varianza a;. El estimador puntual de a; es

fJ2 = MSTratarnientos- MSE
n
La variable aleatoria (a -1)MSnatamientoj(er + na;) se distribuye como X;-1> y (N - a)MSE/er se distribuye
como X~-a' Por lo tanto, la distribucin de probabilidad de fJ; es una combinacin lineal de dos variables
aleatorias ji-cuadrada, por ejemplo
donde
o? +no2 a2
u1 = n(a-l) y u =---
2 n(N-a)
Desafortunadamente, no puede obtenerse una expresin predeterminada para la distribucin de esta
combinacin lineal de variables aleatorias ji-cuadrada. Por lo tanto, no es posible construir un intervalo
de confianza exacto para a;.
En Graybill [50] y Searle [99a] se presentan procedimientos aproximados.
Ver tambin la seccin 12"7.
Es sencillo encontrar una expresin exacta para un intervalo de confianza del cociente a;/(a; + al).
Se trata de un cociente con significado, ya que refleja laproporcin de la varianza de una observacin [re-
cuerde que V(YJ = a; + 02] que es el resultado de las diferencias entre los tratamientos. Para desarrollar
este intervalo de confianza en el caso de un diseo balanceado, observe que MSnatamientos y MSE son varia-
bles aleatorias independientes y, adems, que puede demostrarse que
MSTraramjentos/ (na; +a2) _ F
MSE /02 a-l,N-o
Por lo tanto,
F: < MSTratamentos 02 )
( l-a/2,a-l,N-o - ~ISE
.l,,~, na,2 +0 2 S Fa/2 "0-1 N-a = 1-a (12-11)
Al reordenar la ecuacin 12-11, puede obtenerse la siguiente expresin:
P(LS:; SU)=I-a (12-12)
donde
L=!(MSTratarnientos
n MS E
1
Fa/2,a-l,N-o
-1) (l2-13a)
12-2 DISEO FACTORIAL DE OOS FACTORES ALEATORIOS 517
u- 1 (MSTta"uruenros 1 ) (12-13b)
n MS E F1-aI2,a-l,N-a 1
Observe queL y U son los lmites de confianza inferior y superior del intervalo 100(1-a) por ciento, res-
pectivamente, del cociente o;/if. Por lo tanto, un intervalo de confianza de 100(1- a) por ciento para
0;/(0; + cr) es
__L < 02 U
< __
T
(12-14)
l+L - o; +,;2 -l+U
Para ilustrar este procedimiento, se encontrar un intervalo de confianza de 95% de 0;/(0; + 02)
para los datos de la resistencia del ejemplo 12-1. Recuerde que MSTtatamientos = 29.73, MSE = 1.90, a = 4, n
= 4, FO_o25,3.n = 4.47 YFO.975,3,12 = l/FO.o25, 12,3 = 1/14.34 = 0.070. Por lo tanto, parlas ecuaciones 12-13ay b,
L=![(29.73)(_1 )-1]=0.625
4 1.90 4.47
U= !4 [(29.73)(_1_)_1]
1.90 0.070
= 54.883
y por la ecuacin 12-12, el intervalo de confianza de 95% para 0;/(0; + 02) es

0.625 02 54.883
--< <--
1.625 - o; +0 <
2 - 55.883
o
02
0.39:;;; 2 T 2 :;;;0.98
T+O
Se concluye que la variabilidad entre los telares explica entre 39 y 98% de la varianza en la resistencia ob-
servada del tejido producido. Este intervalo de confianza es relativamente ancho debido al tamao pe-
queo de la muestra que se us en el experimento. Sin embargo, es evidente que la variabilidad entre los
telares (o;) no es insignificante.
12..2 DISEO FACTORIAL DE DOS FACTORES ALEATORIOS
Suponga que se tienen dos factores, A y B, Y que ambos tienen un gran nmero de niveles de inters
(como en la seccin anterior, se supondr que el nmero de niveles es infinito). Se escogern al azar a ni-
veles del factor A y b niveles del factor B, y estos niveles de los factores se incluirn en un diseo experi-
mental factorial. Si el experimento se hace con n rplicas, las observaciones pueden representarse con el
modelo lineal
i.: 1,2, ,a
{ ]-1, 2, , b
k = 1, 2, , n
(12-15)
donde todos los parmetros del modelo, t,{JI' (t{J)1Yejk' son variables aleatorias independientes. Thmbin
se supondr que las variables aleatorias ti' {Jj, (t{J)lj y ejk siguen una distribucin normal con media cero y
518 cxrmno 12 EXPERIMENTOS CON FACTORES ALEATORIOS
varianzas dadas por V(l";) = a;, V(j3j) = a~, V{(r,B)J= a~ y V(Sjk) = o'. Por lo tanto, la varianza de cual-
quier observacin es
(12-16)
ya; , a~ , a;{l yer son los componentes de la varianza. Las hiptesis que quieren probarse sonHo:a; = O,
Ho:a ~ = O y Ho:a ~ = O. Observe la similitud con el modelo de efectos aleatorios de un solo factor.
Los clculos numricos del anlisis de varianza se mantienen sin cambios; es decir, SSA, SSB, SSAB,SST
y SSE se calculan como en el caso de efectos fijos. Sin embargo, para formar los estadsticos de prueba, de-
ben examinarse los cuadrados medios esperados. Puede demostrarse que
E(MS A) = a2 +na;{l +bnai
E(MSB) = a? +na;{l +ana~ (12-17)
E(MS AB) = a2 +na2 .{l
y
E(MSE)=a2
Por los cuadrados medios esperados se observa que el estadstico apropiado para probar la hiptesis
de que no hay interaccin, Ho:a;{l = O, es
MSAB
F=-- (12-18)
o MS E
ya que bajo Ha tanto el numerador como el denominador de F o tienen valor esperado 02, y slo si H es fal-
sa E(MS AB)es mayor que E(MS E)' El cociente Fa se distribuye como F(o -1), ab(n -1)' De manera similar, para
probar Ho:a; = O se usara
MSA
F=-- (12-19)
o MS AB
que se distribuye como F. _1, (o _ 1)(b _ 1)' Y para probar Ho:a~ = O el estadstico es
MSB
Fo= MS (12-20)
AB
-que se distribuye como Fb-1, (a -1)(b -1)' Todas estas pruebas son de una sola cola superior. Observe que estos
estadsticos de prueba no son los mismos que se usaran si ambos factores A y B fuesen fijos. Los cuadra-
dos medios esperados se usan siempre como gua para construir los estadsticos de prueba.
En muchos experimentos que incluyen factores aleatorios existe al menos inters tanto en estimar los
componentes de la varianza como en la prueba de las hiptesis. Los componentes de la varianza pueden
estimarse con el mtodo del anlisis de varianza, es decir, igualando los cuadrados medios observados de
las lneas de la tabla del anlisis de varianza con sus valores esperados y resolviendo para los componentes
de la varianza. Se obtiene as
{J2 = MSE
A2 MSAB -MSe
at{J = n
(12-21)
2 MSB -MSAB
{J {l = -....;;;..-a-n--'-=-
A2 MSA -MSAB
U. = bn
122 DISEO FACTORIAL DE DOS FACTORES ALEATORIOS 519
como las estimaciones puntuales de los componentes de la varianza en el modelo de efectos aleatorios de
dos factores. En la seccin 12~7 se revisarn otros mtodos para obtener estimaciones puntuales de los
componentes de la varianza y los procedimientos para construir intervalos de confianza.
E)'E~LO 12,2 .
Estudio de capacidad o aptitud de sistemas de medicin
Con frecuencia se usan experimentos diseados estadsticamente para investigar las fuentes de variabili-
dad que afectan a un sistema. Una aplicacin industrial comn es usar un experimento diseado para es-
tudiar los componentes de la variabilidad en un sistema de medicin. Estos estudios se conocen
comnmente como estudios de capacidad o aptitud de instrumentos de medicin (calibradores) o estu-
dios de repetibilidad y reproductibilidad (R&R) de instrumentos de medicin (calibradores), ya que s-
tos son los componentes de la variabilidad de inters.
En la tabla 12-3 se muestra un experimento R&R de instrumentos de medicin tpico (de Montgo-
mery [BOaD. Se usa un instrumento o calibrador para medir una dimensin crtica de una pieza. Se han se-
leccionado 20 piezas del proceso de produccin, y tres operadores escogidos al azar miden dos veces cada
pieza con este calibrador. El orden en que se hacen las mediciones est completamente aleatorizado, por
lo que se trata de un experimento factorial de dos factores en el que los factores del diseo son las piezas y
los operadores, con dos rplicas. Las piezas y los operadores son factores aleatorios. Es vlida la identi-
dad del componente de la varianza de la ecuacin 12-15; es decir,
a2y = a2r +a2fJ +a2rfJ +a2
donde a! es la variabilidad total (que incluye la variabilidad debida a las diferentes piezas, la variabilidad
debida a los diferentes operadores y la variabilidad debida al calibrador), a; es el componente de la va-
rianza de las piezas, a~ es el componente de la varianza de los operadores, a;1I es el componente de la va-
'Thbla 12-3 Elexperimentode lacapacidado aptituddelsistemade

medicin delejemplo 12-2
Nmero de
lapieza Operador 1 Operador 2 Operador 3
1 21 20 20 20 19 21
2 24 23 24 24 23 24
3 20 21 19 21 20 22
4 27 27 28 26 27 28
5 19 18 19 18 18 21
6 23 21 24 21 23 22
7 22 21 22 24 22 20
8 19 17 18 20 19 18
9 24 23 25 23 24 24
10 25 23 26 25 24 25
11 21 20 20 20 21 20
12 18 19 17 19 18 19
13 23 25 25 25 25 25
14 24 24 23 25 24 25
15 29 30 30 28 31 30
16 26 26 25 26 25 27
17 20 20 19 20 20 20
18 19 21 19 19 21 23
19 25 26 25 24 25 25
20 19 19 18 17 19 17
rianza que representa la interaccin entre las piezas y los operadores, y cr

es el error experimental
aleatorio. De manera tpica, al componente de la varianza cr
se le llama la repetibilidad del instrumento
cr
de medicin (calibrador), ya que puede considerarse que refleja la variacin obtenida cuando la misma
pieza es medida por el mismo operador, y es comn llamar a
2 2
a p +a,p
la reproductibilidad del instrumento de medicin (calibrador), ya que refleja la variabilidad adicional en
el sistema de medicin que resulta del uso del instrumento por parte del operador. Estos experimentos
suelen realizarse con el objetivo de estimar los componentes de la varianza.
En la tabla 12-4 se muestra el anlisis de varianza de este experimento. Los clculos se realizaron uti-
lizando la rutina Balanced ANOVA (anlisis de varianza balanceado) de Minitab. Con base en los valores
P, se concluye que el efecto de las piezas es grande, que los operadores quiz tengan un efecto pequeo y
que no hay ninguna interaccin significativa pieza-operador. La ecuacin 12-21 puede usarse para esti-
mar los componentes de la varianza de la siguiente manera:
A2 = 62.39-0.71 = 10.28
o; (3)(2)
e;2 = 1.31- 0.71 == 0.015

p (20)(2)
A 2 0.71- 0.99
(},p == 2 -0.14
y
o? = 0.99
La parte inferior de la salida de Minitab de la tabla 12-4 contiene los cuadrados medios esperados del
modelo aleatorio, con los nmeros entre parntesis representando los componentes de la varianza [(4)
representa al, (3) representa a;, etc. J. Se presentan tambin las estimaciones de los componentes de la
varianza, junto con el trmino del error que se utiliz para probar ese componente de la varianza en el
anlisis de varianza. Ms adelante se estudiar la terminologa modelo no restringido; sta no tiene rele-
vancia en los modelos aleatorios.
Observe que la estimacin de uno de los componentes de la varianza, o';, es negativa. Desde luego,
esto no tiene sentido, ya que por definicin las varianzas son no negativas. Desafortunadamente, pueden
obtenerse estimaciones negativas de los componentes de la varianza cuando se usa el mtodo de estima-
cin del anlisis de varianza (lo cual se considera una de sus desventajas). Existen varias maneras de abor-
dar esta situacin. Una posibilidad es suponer que la estimacin negativa significa que el componente de
la varianza en realidad es cero y simplemente se hace cero, dejando sin cambios las dems estimaciones
no negativas. Otro enfoque es estimar los componentes de la varianza con un mtodo que asegure estima-
ciones no negativas (este enfoque se revisar brevemente en la seccin 12-7). Por ltimo, podra observar-
se que el valor P del trmino de interaccin de la tabla 12-4 es muy grande, tomar esto como evidencia de
que a~p es en realidad cero (es decir, que no hay efecto de interaccin) y ajustar un modelo reducido de la
forma
Yijk == u+e +f3j +ejk

que no incluye el trmino de interaccin. ste es un enfoque relativamente sencillo y que con frecuencia
funciona casi tan bien como los mtodos ms elaborados.
e
'-
"
1-
.t=
"""-4' U
e- ca
w .....
....
'-
O't:l "
"'1"'10 ....0
... N Ei
N "
'-"'ti .....
caGl ......
N
N
,..... :s..,.-~
11'1NO- 0..01"'1'" o
o ........ o
0 ......
'"
C'u .....
-4'
1
.,
';j
... 00
000
(1) .,.. '"
C:+-'++
ca (11
'-
V
"O
......
-4' ... 00
....In -4'N
" e......,......,,,,
11"",.-..
E '-1"'11"'11"'1
~ -.o 00 ...... 't:I ::::JNNN

cu
: .........
00
0 +-' 01+++
u e
::;E 1"'10 ......
1"'1 CIJi tr-'-"~""'_'
~ ........ 00"1"1
(1) ...
Q.(II-4'-4'-4'-4'
)(~ft,J.._,,"",,,,,-,
E 0-0'" o- w ....
~ 1"'1....,
......
0-
O
~
.,
"O
NO-"ON
... "1 ... 00
'O
'-
o e
'- '-1"'11"'1-4'
..

E9. ,-..
(11
" ....0011'1 ...

.... >-
(1)11'1 ...... 00"1
enN.-InOO-
-4''()01l'l1l'l
'- GI
W+-'
o
-g .g""
::::J
...J
ca '- 11'1"1"""0--4'
" +-'
uc:ooo-o-
C:1U0--4'0-
......
...
..
~
.D
'"~
~
'"
<1)

.o
>
1110
...JN
IU
:>
1"'1
....
o
"c:
U
...
00
e-
NIn ......
....0-"10000-
N
...
cac: .........
.,.. 0"10"'0-
'- Q.
ca EiOOOO
> O ... I
u
.
I"'IO-
'::
>
""
o
'1::
'"., :.a1Il
cu
-l
Ei
....ca
'-
e ... 1"'1'0.-
... '-
o
IU e o ca +-'
"O '-' Q.o "'ti > '- ca
'" '"
>.'t:I
I-C:
c:
ca ....o o
+-' '-
'-
IU
1 .~...'" ;>-
ni
'-
'-
'-
o
111
.,.. '-"
OQ.
10
'-
OQ.
+-'0
ca", '-
+-''-+-'0
"... '-1Q. o"Q. '-1Q.W '-'-

<1)
-r +-,0
....>. u"'-::::J....'-
'- +-' 111
ca'" '- ....
"O
....
N ,~
<lO .......
o
u '-
ca
s, ....oca
U
..!! ~ 41
Q.
ca ... 41 ... '- .... ::::J
1 1 c: OlQ.I'-O o ...."11"'1-4'
~ ~ ....Q. o o enQ.oQ.wl- en
521
522 CAPTULO 12 EXPERIMENTOS CON FACTORES AlEATORIOS
Tabla 12-5 Anlisis de varianza del modelo reducido, ejemplo 12-2

Anlisis de varianza (diseos balanceados)
Factor Type LeveLs VaLues

part random 20 1 2 3 4 5 6 7
8 9 10 11 12 13 14
15 16 17 18 19 20
operator random 3 1 2 3
Analysis of Variance for y
Source DF SS MS f P
part 19 1185.425 62.391 70.64 0.000
operator 2 2.617 1.308 1. 48 0.232
Error 98 86.550 0.883
Total 119 1274.592
Source Variance Error Expected Mean Square for Each Term
component term (using unrestricted model>
1 part 10.2513 3 (3) + 6 < 1 )
2 operator 0.0106 3 (3) + 40(2)
3 Error 0.8832 (3)
En la tabla 12-5 se muestra el anlisis de varianza del modelo reducido. Puesto que no hay trmino de
interaccin, los dos efectos principales se prueban contra el trmino del error, y las estimaciones de los
componentes de la varianza son
2 = 62.39- 0.88 = 10.25
A
a. (3)(2)
A 2 = 1.31- 0.88 :;: O0108
a {J (20)(2) .
f2 = 0.88
Por ltimo, la varianza del calibrador podra estimarse como la suma de las estimaciones de los compo-
nentes de la varianza f2 y f~ como
A2
a calibrador = aA2+A2 a {J
=== 0.88+0.0108
= 0.8908
La variabilidad del calibrador parece ser pequea en comparacin con la variabilidad del producto. Se
trata generalmente de una situacin deseable, la cual implica que el calibrador tiene la capacidad de dis-
tinguir entre las diferentes gradaciones del producto.
12-3 MODELO MIXTO CON DOS FACTORES
Se considera ahora la situacin en que uno de los factores,A, est fijo y el otro, B, es aleatorio. Se le llama
anlisis de varianza del modelo mixto. El modelo estadstico lineal es
l
i.:1,2, ,a
Yijk = J1.+-r + {Ji +(-r{J)ij +Eijk J -1,2, , b (12-22)
k= 1,2, ,n
12-3 MODELO MIXTO CON DOS FACTORES 523
Aqu t,es un efecto fijo,Pj es un efecto aleatorio, se supone que la interaccin (rp)jj es un efecto aleatorio y
Ejjk es un error aleatorio. Se supone tambin que las {ri} son efectos fijos tales que :1:7_1 r j = OYque Pj es
una variable aleatoria NID(O, a~). El efecto de la interaccin, (rf3)jj,es una variable aleatoria normal con
media Oyvarianza [(a -l)/a]O';/!; sin embargo, la operacin suma del componente de la interaccin en el
rango del factor fijo es igual a cero. Es decir,
! (rp)jj
;-1
= (rf3).j = O t= 1, 2,...,b
Esta restriccin implica que algunos elementos de la interaccin en diferentes niveles del factor fijo no
son independientes. De hecho, puede demostrarse (ver el problema 12-25) que
Cov[(rp);,(rf3)I}] =- !O'~ i -:!:; i'

a
La covarianza entre (rf3)j y (rf3)jj' paraj -:!:; ji es cero, y el error aleatorio Ejk es NID(O, 02). Puesto que la
suma de los efectos de la interaccin en los niveles del factor fijo es igual a cero, a esta versin del modelo
mixto con frecuencia se le llama modelo restringido.
En este modelo la varianza de (rp); se define como [(a - 1)/a]a ~ en vez de como O'~ para simplificar
los cuadrados medios esperados. El supuesto (rf3)J = Otambin tiene un efecto sobre los cuadrados me-
dios esperados, los cuales puede demostrarse que son
a
bn r;
B(MS )= 0'2 +n0'2 + j~l
A r/i a-1
E(MSB)=a2 +ana~
E(MS AB)= 0'2 +na~/i (12-23)
y
E(MSE)= 0'2
Por lo tanto, el estadstico de prueba apropiado para probar que las medias de los efectos del factor fijo
son iguales, o HO:r = O, es
que tiene la distribucin de referenciaFa_1, (a-l)(b-l)' Para probar Ho: a~, el estadstico de prueba es
MSB
Fo = MS
E
con la distribucin de referencia Fb _ 1, ab(n _ 1)' Por ltimo, para probar la hiptesis de la interaccin
Ho:a~ = O, se usara
MSAB
F. =--
o MS E
que tiene la distribucin de referencia F(a _ l)(b _ 1), ..b(n _ 1)'
En el modelo mixto es posible estimar los efectos del factor fijo como
{l = Y... (12-24)
t j-Yi._-y'
- - -.. i = 1,2,... ,a
.-----------------------------------------------------------------------------------------------
524 CAP11JLO 12 EXPERIMENTOSCON FACTORESALEATORIOS
Los componentes de la varianza a~, a;1Iya2 pueden estimarse aplicando el mtodo del anlisis de varian-
za. Al eliminar la primera ecuacin de las ecuaciones 12-23 quedan tres ecuaciones can tres incgnitas,
cuyas soluciones son
y
62 -
- MS E
Este enfoque general puede emplearse para estimar los componentes de la varianza en cualquier modelo
mixto. Despus de eliminar los cuadrados medios que contienen factores fijos, siempre quedar un siste-
ma de ecuaciones que puede resolverse para los componentes de la varianza.
En los modelos mixtos, el experimentador puede tener inters en probar hiptesis o en construir in-
tervalos de confianza para las medias de tratamientos individuales del factor fijo. Al utilizar estos proce-
dimientos, deber tenerse cuidado de usar el error estndar apropiado de la media de los tratamientos. El
error estndar de la media de los tratamientos del efecto fijo es
Cuadrado medi para probar el efecto fijo ]1/2 ~ MS AS

[Nmero de observaciones en la media de cada tratamiento =--;;;-
Observe que esto es simplemente el error estndar que se usara si ste fuera un modelo con efectos fijos,
salvo porque MS E se ha reemplazado con el cuadrado medio que se us en la prueba de la hiptesis.
EJEMPLO 12~3...... ".. ".... "..... "" ...... ".. "." ....... "."""
Retomando el experimento de la capacidad o aptitud del sistema de medicin
Considere de nuevo el experimento R&R del calibrador descrito en el ejemplo 12-2. Suponga ahora que
slo tres operadores usan este calibrador, de tal modo que los operadores son un factor fijo. Sin embargo,
puesto que las piezas se eligen al azar, se trata ahora de un experimento con un modelo mixto.
El anlisis de varianza del modelo mixto se muestra en la tabla 1Z-6. Los clculos se realizaron utili-
zando la rutina Balanced ANOVA (anlisis de varianza balanceado) de Minitab. Se especific el uso del
modelo restringido en el anlisis de Minitab, el cual gener tambin los cuadrados medios esperados para
este modelo. En la salida de Minitab, la cantidad Q[2] indica una expresin cuadrtica que incluye al ope-
rador del efecto de factor fijo. Es decir, Q[Z] = ~~-lP~ / (b-1). Las conclusiones son similares al ejemplo
1Z-2. Los componentes de la varianza pueden estimarse con la ecuacin 12-25 como
A2 = MSpie1.as -MSE = 62.39-0.99 10.23

a Pieza. an (3)(2)
2
fj Piezas X operadores
MSPiezasXopen"'do~'
-MS
= --------=--------- = 0.71-Z0.99
E =-0.14
62 = MS = 0.99
E
Estos resultados tambin se muestran en la salida de Minitab. De nueva cuenta, resulta una estimacin
negativa del componente de la varianza de la interaccin. Un curso de accin apropiado sera ajustar un
e
1..
.......
.c.
u
tU
o W
1~
o
1.. .....
0--'
......."ti
...o ,..,
o ,...
-4" 1.. e N
..- 111
e
"'C L..I
:1"'0 CI
o 0'''' o
C1) .... ~
...r::: '()t"IO a..Ot"l..- u
e...
..-N O,...'()
0 ...00 tU 1..
+
~ cu .....,....""'".....
... 000 E 111...,.,,.,.,
ir:
...;
11'\
......o-
N
....
N~N ...
cu"'-""....,....,
"ti I..,()NN
N odio .... .... + + +
o u ele
-4"...00 N ...c cu .,... "......_"'""",.... ,-.,
1-
Q)
e-i e- -e o.lII~~~-4"
)(:1,,-,,"'--'1'-"'''''''
"V' Wv
C1) ... ooNN
~
B ......
""0,...,.., ':0-0 ...0-
,..,,..,
.....
0- 1..
o e
" N .....
'()
OO 1.. I..~"""'"
1.. ...
..9 NO-'()N W ....
Q)
-o ....
e ...:I"'oall'\.-
111 U) 11'\"'"
.."N.-InOO-
CON .......
N
u e,..,
0- .....
0-.-
~
::g '' --'
tU
... >.
1..
~'()clI'\'"
II'IN .....
O--4"
e ...,.,
tUeN
o
""0-
"'0-
.... "O
:5 8
..s > o
.... .....-
oa N In"'"
N
....
1.. 0.0
tU e.-
00
I
;; a
.,. -;
1110
--'N
...
I"l
...u >o
U
.Q
e
.,. o
~
"C
<Il
.::
>
... ....111
....
()O'NoaOO-
Q .... ,..,-0 ..-....
~ <1)
<lO
....1
E
... 1..
....o
~ ~
..s
CII
0.0 ...
"'O
>
111
.... 111
:!1i'" ........
>'"'0
~ l:!..s I-~
)(
~ ....o .... ...
1..
. tU o a:J 00.
~ .... .... ....0
>- .... 11)
'" ti
tU.,. 1..
\oC
11)
....o ...u .... 00.
"'IVo.a:J'"
... "''''
....
"' ....
0
-
11) 0
N
"O
'" >. 111.,."'--'
ti
<Il
'J ....o ........ tU
s,
"''''''''''''0
U
~ U
tU 111
CII
Q.
--'
IV
e
;:, ...... "' ........IV '":1o ....N,..,...,.
OIV 0.111 '" o
o. o o.w
~ ~ ....0. o < U) o. o Q.W 1- U)
525
modelo reducido, como se hizo en el ejemplo 12-2. En el caso de un modelo mixto con dos factores, esto
lleva a los mismos resultados del ejemplo 12-2.
111 111 111 111 111 111 111 iII
Modelos mixtos alternativos

Se han propuesto varias versiones diferentes del modelo mixto. Estos modelos difieren de la versin res-
tringida del modelo mixto estudiado anteriormente en los supuestos establecidos acerca de los compo-
nentes aleatorios. A continuacin se revisa brevemente uno de estos modelos alternativos.
Considere el modelo
Ylfle = u+a +rj +(ay) +Ek
donde a (i = 1,2, ..., a) son efectos fijos tales que ~:~la= Oyrj, (ay) y Ejkson variables aleatorias no co-
rrelacionadas que tienen media cero y varianzas Ver) = a~, V[(ay)j] = a!, y V(Ejk) = fil. Observe que
aqu no se usa la restriccin impuesta anteriormente sobre el efecto de la interaccin; por consiguiente, a
esta versin del modelo mixto se le llama con frecuencia modelo mixto no restringido.
Es posible demostrar que los cuadrados medos esperados para este modelo son (referirse al material
suplementario del texto de este captulo)
bn_! a;
E(MS A)= o? +na:" + ;-1
a-1
E(MS B )= a2 +na2 ~ +ana2 r
E(MS AB)= a2 +na:" (12-26)

y
E(MSE)=a2
Al comparar estos cuadrados medios esperados con los de la ecuacin 12-23, se observa que la nica dife-
rencia evidente es la presencia del componente de la varianza en el cuadrado medio esperado del a:"
efecto aleatorio. (En realidad, hay otras diferencias debido a las definiciones diferentes de la varianza del
efecto de la interaccin en los dos modelos.) Por consiguiente, se probara la hiptesis de que el compo-
nente de la varianza del efecto aleatorio es igual a cero (Ho:a:" = O) usando el estadstico
MSB
Fo=--
- MSAB
en contraste con probar Ho: a~ con Fo = MSB/MSE en el modelo restringido. La prueba deber ser ms
conservadora cuando se emplee este modelo porque por lo general MSAB ser mayor que MSE-
Los parmetros de los dos modelos guardan una relacin cercana. De hecho, puede demostrarse que
{Jj = r +(ayt
(r{J)ij = (ay) +(ar),
a2r = a2{J +!a

a 2~
y
a~ = a!,
12-3 MODELO MIXTO CON DOS FACTORES 527
Puede usarse el mtodo del anlisis de varianza para estimar los componentes de la varianza. Con re-
ferencia a los cuadrados medios esperados, se encuentra que el nico cambio de las ecuaciones 12-25 es
que
{
2
y
= MSB-MS
an
AB
--=-_--=..:::;... (12-27)
Estos dos modelos son casos especiales del modelo mixto propuesto por Scheff [98b, d]. En este mo-
delo se supone que las observaciones pueden representarse con
i.: 1, 2, ,a
Yiik=mij+Eijk
{ }-l,2, ,b
k = 1, 2, .n
donde mlj Y Eljk son variables aleatorias independientes. La estructura de mij es

mi = u+t , +bj +cij
E(mij)=,t+T
y
C.J =0 j = 1,2,... , b
Las varianzas y covarianzas de b y ci se expresan a travs de las covarianzas de las mlJ' Adems, los par-
metros de los efectos aleatorios en otras formulaciones del modelo mixto pueden relacionarse con b y CijO
El anlisis estadstico del modelo de Scheff es idntico al del modelo restringido tratado aqu, salvo por-
que, en general, el estadstico MSA/MSAB no siempre se distribuye como F cuando Ro: 'l' = O es verdadera.
A la luz de esta multiplicidad de modelos mixtos, una pregunta lgica es: Zqu modelo deber usarse?
La mayora de los especialistas en estadstica prefieren el modelo restringido, mismo que se encuentra
con mayor frecuencia en la literatura del tema. El modelo restringido es en realidad un poco ms general
que el no restringido, ya que en el primero la covarianza entre dos observaciones del mismo nivel del fac-
tor aleatorio puede ser positiva o negativa, mientras que en el segundo esta covarianza slo puede ser po-
sitiva. Si la estructura correlativa de los componentes aleatorios no es grande, entonces cualquiera de los
dos modelos mixtos es apropiado, y slo hay diferencias menores entre ellos. Cuando se haga referencia
ms adelante a los modelos mixtos, se supondr la estructura del modelo restringido. Sin embargo, si hay
correlaciones grandes en los datos, entonces quiz deba emplearse el modelo de Scheff. La eleccin del
modelo deber ser siempre dictada por los datos. El artculo de Hocking [56] es un resumen claro de dife-
rentes modelos mixtos.
mEMPLO 12..4 . . . . . . . 111 111 111 111 111
El modelo no restringido
Algunos paquetes de software de computadora tienen soporte para un solo modelo mixto. Minitab sopor-
ta tanto el modelo restringido como el no restringido, aun cuando la seleccin por omisin es el modelo
no restringido. En la tabla 12-7 se muestra la salida de Minitab para el experimento del ejemplo 12-3 utili-
zando el modelo no restringido. Observe que los cuadrados medios esperados concuerdan con los de la
ecuacin 12-26. Las conclusiones son idnticas a las del anlisis del modelo restringido, y las estimaciones
de los componentes de la varianza son muy similares.
e
s,
cu
1-
s:
u
..,
....... '"
'- cu
o'a
~o
...... .". e
~ cu
'-'a
..,cu ......
n
::I+O...N
-O~O C'u ......
1...I
...N 0..0,., ... U) .... -e C1I
O!'---o s,
o 0 ...00 c: ... ++
"O <O (11
.g'51 "'NO-
... ~ 000
E
CU a..",...,,,
'-~~,.,.,
'" ....
1I'\-4"N 'a c'-''''''''''
e:: ::INNN
- .... ....cuu CI+++

o -OOO!'--
Ol -4"....
00
'U ......
~o e
cu ... .,.......--.,,~
E 00
0..(11-4"""""""
Ol )(j....,......,,-",,",,
o w .....
1 .......
,.,.,0 ......
,.,., U) ... 00 NN
EOoO-O-
,.,,.,., ......00
II N ...OO
t..
o e
'0
::l NO-"ON
... "O t.. t..,.,.,,.,.,.,,.
cu
-
!"') s,
N ...........
o (11 U)"' ......OON
o.
El
...
'ij)
-;;-.
cu",ooll'\
::1
.....
... ... >.
Cl)N ...II'\OO-
-4'''0011'\11'1
cu ....oo
ueo.
CIU ......
O-!'--
0- ....
,.,o.
o
Ol "O
ce
<O
::- ..., ....o
c.. II'\N......
00
OO"'"
NIl'I!'--
<oeN
o .... ... 0-
'U
....o 8
...e c;la
o
.....111N CII
...
.- N t.. a.o
... <O
::- o
e ...
00
I
IU U u
. .J:J > e ....
OONOOOO'
'"
o IU IV a..- "'-0..- ....
... e::l1l
~ ...J 1.-
s, o
Ol '" IU e "1;1 IV +O
"O ~ 0.0 CII ::- '- <O
.~
'"
~ ~
>."C
I-C ........ ....o
)(
....o 1- IU
t..
~ 'la
<O
'-
t.. (11
'"<- 00.
+00
> o .... '-
oa.
QI <O ..
... t.. .... o
Lo
e- l1l
"O '- .... UI CII "'0
.........
GI '- GI <- s,
N o o.
..... ....... <O
.....>. u
"''''
CIl U <O <O '-
...... t.. t.. .......... O<o s, Q. o 0........
'"

u 1- Gol <O ::It..QlI-t.. ... ::1
~ <o'" o. e 0"'0.10 t.. o o ....
N,.,.".
~. ~ ....
0. o ce U) a.o o.WI- U)
528
12-4 DETERMINACIN DEL TAMAO DE LA MUESTRA CON EFECTOS ALEATORIOS 529
12..4 DETERMINACIN DELTAMAO DE LA MUESTRA
CON EFECTOSALEATORIOS
Pueden usarse las curvas de operacin caracterstica del apndice para determinar el tamao de la mues-
tra en experimentos con factores aleatorios. Se empieza con el modelo de efectos aleatorios con un solo
factor de la seccin 12-1. La probabilidad del error tipo 11 para el modelo de efectos aleatorios es
f3 = 1-P{Rechazar HI Ha es falsa}
(12-28)
De nueva cuenta se requiere la distribucin del estadstico de prueba F = MSTra.arrucntojMSE bajo la hip-
tesis alternativa. Puede demostrarse que si H1 es verdadera (a; > O), la distribucin deFoesF central con
a - 1 YN - a grados de libertad. .
Puesto que la probabilidad del error tipo 11del modelo de efectos aleatorios se basa en la distribucin
F central usual, podran usarse las tablas de la distribucin F del apndice para evaluar la ecuacin 12-28.
Sin embargo, es ms simple determinar la sensibilidad de la prueba mediante el uso de las curvas de ope-
racin caracterstica. En la parte IV del apndice se presenta una serie de estas curvas para varios valores
de los grados de libertad del numerador, de los grados de libertad del denominador y a de 0.05 y 0.01. En
estas curvas se grafica la probabilidad del error tipo 11 contra el parmetro A, donde
(12-29)
Observe que A incluye dos parmetros desconocidos, cr

ya; . Quiz pueda estimarse a;
si se tiene una
idea acerca de cunta variabilidad de la poblacin de tratamientos es importante detectar. Puede esco-
cr
gerse una estimacin de recurriendo a la experiencia previa o discrecionalmente. En ocasiones es til
definir el valor de a;
que quiere detectarse en trminos del cociente a;/cr.
Ej"EMPLO 12..5 ........................................

Suponga que se han seleccionado cinco tratamientos al azar con seis observaciones por tratamiento y que
a = 0.05,yquiere determinarse la potencia de la prueba cuando a; es igual aa2 Puesto que a = 5,n = 6y
o; = a', puede calcularse
A = .JI +6(1) = 2.646
Por la curva de operacin caracterstica con a -1 = 4, N - a = 25 grados de libertad ya = 0.05, se encuen-
tra que
f3=0.20
y por lo tanto la potencia es de aproximadamente 0.80.
..... .................... ......... ......... .. .............................
Tambin puede usarse el incremento porcentual en la desviacin estndar de un mtodo de observa-
cin para determinar el tamao de la muestra. Si los tratamientos son homogneos, entonces la desvia-
cin estndar de una observacin seleccionada al azar es a. Sin embargo, si los tratamientos son
diferentes, la desviacin estndar de una observacin elegida al azar es
~a2 +0;
Si P es el incremento porcentual fijo en la desviacin estndar de una observacin ms all del cual se de-
sea rechazar la hiptesis nula, entonces
1+0.01P
o
-+
a
al
= (1+O.OlP)2-1
Por lo tanto, utilizando la ecuacin 12.29, se encuentra que
).= ~ = ~1+n[(1+0.01P)2 -1] (1230)
Para unaP dada pueden usarse las curvas de operacin caracterstica de la parte VI del apndice para en-
contrar el tamao de la muestra deseado.
Tambin pueden usarse las curvas de operacin caracterstica para determinar el tamao de la mues-
tra del modelo de efectos aleatorios con dos factores y del modelo mixto. Se utiliza la parte VI del apndi-
ce para el modelo de efectos aleatorios. El parmetro I, los grados de libertad del numerador y los grados
de libertad del denominador se muestran en la mitad superior de la tabla 128. Para el modelo mixto de-
ben usarse las partes V y VI del apndice. Los valores apropiados de <1>2 y). se muestran en la mitad infe-
rior de la tabla 128.
Tabla 128 Parmetros de lascurvas de operacin caracterstica de las tablas V y VI del apndice para losmodelos con dos
factores de efectos aleatorios y mixto
El modelo de efectosaleatorios
Grados de Grados de
libertad del libertad del
Factor A numerador denominador
bna~
A 1+ a-l (a -1)(b -1)
a2+na;
ana~
B 1+ b-l (a-l)(b-l)
a2+na;
na;
AB 1+- (a-l)(b-l) aben -1)
a2
El modelomixto
Grados de libertad Grados de libertad Parte del
Factor Parmetro del numerador del denominador apndice
A (fijo) (a -1)(b -1) v
B (aleatorio) b-l aben -1) VI
AB (a -1)(b -1) aben -1) VI

12-5 REGLAS PARA LOS CUADRADOS MEDIOS ESPERADOS 531
12..5 REGLASPARA LOS CUADRADOS MEDIOS ESPERADOS
Una parte importante de cualquier problema de diseo experimental es la realizacin del anlisis de va-
rianza. Esto implica determinar la suma de cuadrados de cada componente del modelo y el nmero de
grados de libertad asociados con cada suma de cuadrados. Despus, para construir los estadsticos de prueba
apropiados, deben determinarse los cuadrados medios esperados. En situaciones de diseo complejas,
particularmente las que incluyen modelos aleatorios o mixtos, con frecuencia es til contar con un proce-
dimiento formal para este proceso.
Se presentar un conjunto de reglas para anotar los cuadrados medios esperados en cualquier experi-
mento factorial balanceado, anidado? o factorial anidado. (Observe que los arreglos parcialmente balan-
ceados, como los cuadrados latinos y los diseos de bloques incompletos, se excluyen explcitamente.)
Estas reglas son estudiadas por varios autores, incluyendo Scheff [98d], Bennetty Franklin [9], Comfield
y Thkey [34] y Searle [99a, b]. Mediante el examen de los cuadrados medios esperados puede desarrollar-
se el estadstico apropiado para probar hiptesis acerca de cualquier parmetro del modelo. El estadsti-
co de prueba es el cociente de los cuadrados medios que se elige, de tal modo que el valor esperado del
cuadrado medio del numerador difiere del valor esperado del cuadrado medio del denominador nica-
mente por el componente de la varianza o el factor fijo en el que se tiene inters.
Siempre es posible determinar los cuadrados medios esperados de cualquier modelo como se hizo en
el captulo 3, es decir, mediante la aplicacin directa del operador valor esperado. Este mtodo de fuerza
bruta, como suele llamrsele, puede ser muy laborioso. Las reglas que se presentan a continuacin pro-
ducen siempre los cuadrados medios esperados sin recurrir al enfoque de fuerza bruta y, con la prctica,
su uso se vuelve relativamente simple. Cuando se aplican a un modelo mixto, estas reglas producen cua-
drados medios esperados que son consistentes con los supuestos del modelo mixto restringido de la sec-
cin 12-3. Las reglas se ilustran utilizando el modelo factorial de efectos fijos con dos factores.
Regla 1. El trmino del error del modelo, Eij ..m, se escribe como E(ij ...)m' donde el subndice m denota el
subndice de la rplica. Para el modelo con dos factores, esta regla implica que Eijk se convierte en E(ij)k'
Regla 2. Adems de una media global (u) y un trmino del error [E(ij ...)m)' el modelo contiene todos los
efectos principales y las interacciones cuya existencia supone el experimentador. Si existen todas las in-
teracciones posibles entre los k factores, entonces hay (~ ) interacciones de dos factores, (~ ) interacciones
de tres factores, "', 1 interaccin de k factores. Si uno de los factores de un trmino aparece entre parnte-
sis, entonces no hay interaccin entre ese factor y los dems factores de ese trmino.
Regla 3. Para cada trmino del modelo, los subndices se dividen en tres clases: a) vivos: aquellos que es-
tn presentes en el trmino y no estn entre parntesis; b) muertos: aquellos que estn presentes en el tr-
mino y estn entre parntesis; y e) ausentes: aquellos subndices que estn presentes en el modelo pero no
en ese trmino particular.
Por 10tanto, en (rfJ)J' i y j son subndices vivos y k es un subndice ausente, y en E(ij)k' k es un subndice
vivo, mientras que i y j son subndices muertos.
2 Los diseos anidados se estudian en el captulo 13.

Regla 4. Grados de libertad. El nmero de grados de libertad de cualquier trmino del modelo es el pro-
ducto del nmero de niveles asociados con cada subndice muerto y el nmero de niveles asociados con
cada subndice vivo menos L
Por ejemplo, el nmero de grados de libertad asociados con (rf3)ij es (a -1)(b -1), Yel nmero de gra-
dos de libertad asociados con t(if)k es aben - 1).
Regla 5. Cada trmino del modelo tiene asociado con l un componente de la varianza (efecto aleato-
rio) o bien un factor fijo (efecto fijo). Si una interaccin contiene al menos un efecto aleatorio, la interac-
cin completa se considera aleatoria. Un componente de la varianza tiene letras griegas como subndices
para identificar el efecto aleatorio particular. Por lo tanto, en un modelo mixto de dos factores con el fac-
tor A fijo y el factor B aleatorio, el componente de la varianza deB es a~,y el componente de la varianza
deAB es a;p.Un efecto fijo se representa siempre por la suma de cuadrados de los componentes del mo-
delo asociados con ese factor dividida por sus grados de libertad. En el ejemplo tratado aqu, el efecto de
A es
Regla 6. Cuadrados medios esperados. Para obtener los cuadrados medios esperados, se elabora la tabla
siguiente. Hay un rengln para cada componente (cuadrado medio) del modelo y una columna para cada
subndice. Arriba de cada subndice se escribe el nmero de niveles del factor asociados con ese subndice
y si el factor es fijo (F) o aleatorio (R). Las rplicas siempre se consideran aleatorias.
a) En cada rengln se escribe 1 si uno de los subndices muertos en el componente del rengln coin-
cide con el subndice de la columna:
F F R
a b n
Factor j k
E(ij)k 1 1
b) En cada rengln, si cualquiera de los subndices del componente del mismo coincide con el sub-
ndice de la columna, se escribe Osi el encabezado de la columna es un factor fijo y 1 si es un fac-
tor aleatorio:
F F R
a b n
Factor j k
T O
{Jj O
('r{3)ij O O
E!j~ 1 1 1
12-5 REGLAS PARA LOS CUADRADOS MEDIOS ESPERADOS 533
e) En las posiciones del rengln que quedan vacas se escribe el nmero de niveles que aparecen in-
dicados arriba del encabezado de la columna:
F F R
a b n
Factor j k
T O b n
f3j a O n
(Tf3)j O O n
E " 1 1 1
d) Para obtener los cuadrados medios esperados de cualquier componente del modelo, primero se
cubren todas las columnas cuyos encabezados sean subndices vivos de ese componente. Des-
pus, en cada rengln que contiene al menos los mismos subndices que los del componente bajo
consideracin, se toma el producto de los nmeros visibles y se multiplica por el factor fijo o alea-
torio apropiado de la regla 1. La suma de estas cantidades es el cuadrado medio esperado del
componente del modelo bajo consideracin. Por ejemplo, para encontrar E(MSA), se cubre la co-
lumna i. El producto de los nmeros visibles en los renglones que contienen al menos el subndi-
ce i son bn (rengln 1), O(rengln 3) y 1 (rengln 4). Observe que i no est presente en el rengln
2. Por lo tanto, el cuadrado medio esperado es
E(MSA)=a2 +
bn! T7
;-1
a-1
En la tabla 12-9 se presenta la tabla completa de los cuadrados medios esperados para este diseo. En
las tablas 12-10 y 12-11 se muestran las derivaciones de los cuadrados medios esperados para los modelos
con dos factores, aleatorio y mixto, respectivamente. Observe que se ha supuesto la versin restringida
del modelo mixto para producir los cuadrados medios esperados. En el ejemplo siguiente se considera un
diseo factorial con tres factores.
Ej'EMPLO 12..6 . . . . . . . . . . . . ... . . . . ... ... ..... . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

Considere un experimento factorial de tres factores con a niveles del factor A, b niveles del factor B, e ni-
e
veles del factor y n rplicas. El anlisis de este diseo, suponiendo que todos los factores son de efectos
Tabla 12.9 Derivacin de los cuadrados medios esperados, modelo de

efectos fijoscon dos factores
F F R
a b n Cuadrado
Factor j k medio esperado
2 bn":.T2
T O b n a+--'
a-l
2 an!{3~
{Ji a O n a + b-l
2 n":.":.(r{J)~
(Tf3);i O O n a+
(a -l)(b -1)
El 1 1 1 a2
Tabla 12.10 Derivacin de los cuadrados medios esperados, modelo de

efectos aleatorios con dos factores
R R R
a b n Cuadrado
7:1 1 b n a2 + na;/l + bna~
{Jj a 1 n a2+n~+ana~
(7:{J)ij 1 1 n a2+na;/l
E ij 1 1 1 a2
Tabla 12.11 Derivacin de los cuadrados medios esperados, modelo

mixto con dos factores
F R R
a b n Cuadrado
~ 2 bnl:.7:;
7: O b n C/ +nar,8+--
a-1
{Jj a 1 n a2+ anC/~
(r{J)i O 1 n a~+ nC/~
Eij 1 1 1 C/2
Tabla 1212 Derivacin de los cuadrados medios esperados, modelo de

efectos aleatorios con tres factores
R R R R
a b e n Cuadrado
Factor j k 1 medio esperado
1: 1 b e n a2 + cnC/r/J2 + bna;")' + na' .py + bcnoir
{Jj a 1 e n o" + ena;/l + ana~ + na;{Jy+ acna~
Yk a b 1 n a 2b~
+ na")'+ana{Jy+nar{Jy+a
22 b2nay
z , 2
(1:{J)j 1 1 e n a + nar{Jy+ cnar/J
(t'l')oc 1 b 1 n a2 + na;{Jy+ bna~
({JY)jk a 1 1 n a2 + na~r{Jy + ana' {Jy
(7:{JY)ijk 1 1 1 n a2+na2 </lr
Eijld 1 1 1 1 a2
12-6 PRUEBAS F APROXIMADAS 535
fijos, se presenta en la seccin 5-4. Ahora se determinan los cuadrados medios esperados suponiendo que
todos los factores son aleatorios. El modelo estadstico apropiado es
YijkJ = .t+T +f3j +r, +(Tf3)ij +(ey)ik +({3y)jk +(T{3y)ijk +eqk/

Utilizando las reglas descritas antes, en la tabla 12-12 se derivan los cuadrados medios esperados.
Se observa, al examinar los cuadrados medios esperados de la tabla 12-12, que siA, B y son factores e
aleatorios, entonces no existe ninguna prueba exacta para los efectos principales. Es decir, si se quiere
probar la hiptesis u;
= O, no es posible formar un cociente de dos cuadrados medios esperados tal que el
nico trmino del numerador que no est en el denominador sea bcnu; . El mismo fenmeno ocurre para
los efectos principales de B y C. Observe que efectivamente existen las pruebas apropiadas para las in-
teracciones de dos y tres factores. Sin embargo, es posible que las pruebas de los efectos principales sean
de importancia bsica para el experimentador. Por lo tanto, cmo debern probarse los efectos principa-
les? Este problema se considera en la siguiente seccin .
.. .. .. .. .. .. .. l1li .
12..6 PRUEBAS F APROXIMADAS
Es frecuente que en experimentos factoriales con tres o ms factores incluidos en un modelo aleatorio o
mixto, as como en otros diseos ms complejos, no exista un estadstico de prueba exacto para ciertos
efectos de los modelos. Una posible solucin a este dilema es suponer que ciertas interacciones son insig-
nificantes. Para ilustrar, si fuera razonable suponer que todas las interacciones de dos factores del ejem-
plo 12-6 son insignificantes, entonces podria hacerse u~ u~ a~ O, Y sera posible conducir = = =
pruebas de los efectos principales.
Aun cuando parece tratarse de una posibilidad atractiva, es necesario sealar que debe haber algo en
la naturaleza del proceso -o algn conocimiento previo slido- que permita suponer que una o ms de
las interacciones son insignificantes. En general, no es sencillo establecer este supuesto, y tampoco debe-
r hacerse a la ligera. No debern eliminarse ciertas interacciones del modelo sin evidencia concluyente
de que es apropiado hacerlo. Un procedimiento defendido por algunos experimentadores es probar pri-
mero las interacciones, despus fijar en cero aquellas interacciones que se hayan encontrado no significa-
tivas, para despus suponer que estas interacciones son cero cuando se prueben otros efectos en el mismo
experimento. Aun cuando en ocasiones se aplica en la prctica, este procedimiento puede ser riesgoso, ya
que cualquier decisin respecto a una interaccin est sujeta tanto al error tipo 1como al error tipo Il.
Una variante de esta idea es agrupar ciertos cuadrados medios en el anlisis de varianza para obtener
una estimacin del error con ms grados de libertad. Por ejemplo, suponga que en el ejemplo 12-6 no fue
significativo el estadstico de prueba F = MSABc/MSE Por lo tanto, Ho:a;/tt = O no se rechaza, y tanto
MSABCcomo MSE estiman la varianza del error al. El experimentador podra considerar la agrupacin o
combinacin de MSABCy MSE de acuerdo con
MS , = abc(n-1)MSE +(a-l)(b-l)(c-1)MS ABe
E abc(n-1)+(a-l)(b-l)(c-l)
de tal modo queE(MSE") = al. Observe que MSE, tieneabc(n-1) + (a -1)(b-1)(c-l) grados de libertad,
en comparacin con los abc(n - 1) grados de libertad del MSE original.
El riesgo de agrupar es que puede incurrirse en un error tipo 11y combinar con el error el cuadrado
medio de un factor que en realidad es significativo, obtenindose as un nuevo cuadrado medio residual
536 CAPTULO 12 EXPERIMENTOSCON FACTORESALEATORIOS
(MS E') que es muy grande. Esto har que sea ms difcil detectar otros efectos significativos. Por otra par-
te, si el cuadrado medio del error original tiene un nmero muy pequeo de grados de libertad (por ejem-
plo, menos de seis), el experimentador quiz tenga mucho que ganar al hacer la agrupacin, ya que podra
conseguirse as un incremento potencialmente considerable de la precisin de pruebas posteriores. Un
procedimiento razonablemente prctico es el siguiente. Si el cuadrado medio del error original tiene seis
o ms grados de libertad, no hacer la agrupacin. Si el cuadrado medio del error original tiene menos de
seis grados de libertad, hacer la agrupacin slo si el estadstico F del cuadrado medio que se agrupar no
es significativo para un valor grande de a, tal como a = 0.25.
Cuando no es posible suponer que ciertas interacciones son insignificantes y sigue siendo necesario
hacer inferencias acerca de los efectos para los que no existen pruebas exactas, puede emplearse un pro-
cedimiento atribuido a Satterthwaite [97]. El mtodo de Satterthwaite utiliza combinaciones lineales de
cuadrados medios, por ejemplo,
MS'= MS, + ... +MSs (12-31)
y
MS"= MSu + ... +MSv (12-32)
donde los cuadrados medios de las ecuaciones 12-31 y 12-32 se seleccionan de tal modo que E(MS')-
E(MS") sea igual a un mltiplo del efecto (el parmetro del modelo o el componente dela varianza) con-
siderado en la hiptesis nula. Entonces el estadstico de prueba sera
MS'
F= MS" (12-33)
que se distribuye aproximadamente como Fp, q donde
(12-34)
P = MS; / Ir + ... +MS; / fs
(12-35) .
En p y q ,h es el nmero de grados de libertad asociados con el cuadrado medio MS. No existe la seguridad
de que p y q sean enteros, por lo que puede ser necesario hacer una interpolacin en las tablas de la distri-
bucinF. Por ejemplo, en el modelo de efectos aleatorios con tres factores (tabla 12-12), es relativamente
sencillo ver que un estadstico de prueba apropiado para Ho:o; = O sera F = MS' /MS", con
MS'= MSA + MSABC

y
MS"= MSAB +MSAC
Los grados de libertad de F se calcularan con las ecuaciones 1234 y 12-35.

La teora subyacente de esta prueba es que tanto el numerador como el denominador del estadstico
de prueba (ecuacin 12-33) se distribuyen aproximadamente como mltiplos de variables aleatorias
12-6 PRUEBAS F APROXIMADAS 537
ji-cuadrada, y puesto que no aparece ningn cuadrado medio en el numerador o el denominador de la

ecuacin 12-33, el numerador y el denominador son independientes. Por lo tanto, en la ecuacin 12-33, F
se distribuye aproximadamente como Fp q. Satterthwaite hace hincapi en que deber prestarse atencin
al aplicar el procedimiento cuando algunos de los cuadrados medios de MS' y MS" aparezcan con signos
negativos. Gaylor y Hopper [48] reportan que si MS' = MS1 - MS2, entonces la aproximacin de Sattert-
hwaite tiene una validez razonable si
MS 1>1'.
__ x.F.
MS o.m.!z./, 0.50.!2.h
2
y si ti s 100 Yt2 <:=: ft/2.
EJEMPLO 12".7 ..
Se estudia la cada de la presin medida en una vlvula de expansin de una turbina. El ingeniero de dise-
o considera que las variables importantes que influyen en las lecturas de la cada de la presin son la
temperatura del gas en la admisin (A), el operador (B)y el manmetro especfico que utiliza el operador
(C). Estos tres factores se incluyen en un diseo factorial, con la temperatura del gas fija y el operador y el
manmetro aleatorios. En la tabla 12-13 se muestran los datos codificados de dos rplicas. El modelo li-
neal de este diseo es
donde Tj es el efecto de la temperatura del gas (A),flj es el efecto del operador (B) YYk es el efecto del ma-
nmetro (C).
El anlisis de varianza se muestra en la tabla 12-14. Se ha agregado la columna titulada "Cuadrados
medios esperados" a esta tabla, y las entradas de esta columna se derivan por los mtodos estudiados en la
seccin 12-5. Por la columna Cuadrados medios esperados, se observa que existen pruebas exactas para
todos los efectos esperados salvo el efecto principalA. En la tabla 12-14 se muestran los resultados de es-
tas pruebas. Para probar el efecto de la temperatura del gas, o Ho:Tj = O,podra usarse el estadstico
MS'
F=-
MS"
Tabla 1213 Datos codificadosde la cada de la presin para el experimento de la turbina

Temperatura del gas (A)
60F 75F 90F
Manmetro Operador (B) Operador (B) Operador (B)
(e) 1 2 3 4 1 2 3 4 1 2 3 4
1 -2 o -1 4 14 6 1 -7 -8 -2 -1 -2
-3 -9 -8 4 14 o 2 6 -8 20 -2 1
2 -6 -5 -8 -3 22 8 6 -5 -8 1 -9 -8
4 -1 -2 -7 24 6 2 2 3 -7 -8 3
3 -1 -4 o -2 20 2 3 -5 -2 -1 -4 1
-2 -8 -7 4 16 o o -1 -1 -2 -7 3
1'-0 .......01'-01
O 01 O ..... ..... 1'-
000000
V
:g8:j~(~
~O~N""';O
.......
00 1'- O O 1'- ...... -:t

o ~ ~
~ ....; ~
N O 01 00
'00 ..... ,....; N ... ~ .......
"';S
~~
.....
11) ..... '" ~
-:t t'") t'") ....... N
86
<lO
] ~"I""'
.... ~
~ I
1..> " ~
~ +
g. Ni:
~ O
~
~~ ,,'ll-+ ""')"
~ c- ('t'e-N
El \:) 1..> ~ O O
~
.g'" +5 +.t,:.t,: ~ 5 .
+ + +.t,:
'".... Ni:- "b;:: "bI::! ",i:"i:~ Ni:
'O
] O\:)\:)
8'" +
~ ~ ;:: ;:: ~ I::!
~ + NO
+ N\:)+ + + +
'"5. "b "'o '"b "\:) "'\:) "b
..!2
~
'"
~U o,)
'0'0
...!9 Bt!
'O~
N t'") N \O -:t \O N
..... \O
t'")
.......
e-
~
'"
"'~
5:'=
8
<1:1
'O
_g
~
~ ~,g \O
('<)
N
00
0\
..... r-. 01 r-. ..... O N
0\ oo -:t ....... 11) ('<)
-~
:>- '"~~'" ....;
N ~ r--:
,....;
....... r--: 0\ lo
R O
= .....
'" ~ \O
..... ~
~ ene ..... """ N
.......
1'-
M
'"
j ~ \..)
~ e ~ ~
~
..... '0-0 o"
....
0,).-
... l .:
o
N
.... ~.~ ~~ 'O ~
lO
...!! ~> .... 'O
..c ~ ~ ~ ]
\..) \..)
\..)
~ ~ 8'~ ~ ~ ~ ~ ~ S
538
12-6 PRUEBAS F APROXlMADAS 539
donde
MS'= MSA +MSABC
y
MS"= MSAB +MSAC
ya que
bcnl:.'t2
E(MS')-E(MS")=. '
a-1
Para determinar el estadstico de prueba para Ho:'t = 0, se calculan
MS'= MSA + MSABC
"" 511.68+ 13.84 = 525.52
MS"=MSAB +MSAC
= 202.00+ 34.47 = 236.47
y
F = MS' = 525.52"" 2.22
MS" 236.47
Los grados de libertad de este estadstico se encuentran con las ecuaciones 12-34 y 12-35 de la siguiente
manera:
2
(MS A + MS ABe )
p= MS2A /2+MS2 ABe /12
= (525.52)2 = 211 =2
(511.68)2 /2+(13.84)2/12
y
(MSAB +MS AC )2
q= MS2AB /6+MS2 AC /4
(236.47)2
=--____;'--_.....!...._-- 7.88=8
(202.00)2 /6+(34.47)2 /4
= =
Al comparar F 2.22 con Fo.os.2.8 4.46, no puede rechazarse E, El valor P aproximado esP 0.17. =
La interaccinAB, o temperatura-operador, es grande, y bay ciertos indicios de una interaccinAC o
temperatura-manmetro. El anlisis grfico de las interaccionesAB yAC, ilustrado en la figura 12-2, indi-
ca que el efecto de la temperatura puede ser grande cuando se usan el operador 1y el manmetro 3. Por lo
tanto, parece posible que los efectos principales de la temperatura y el operador estn enmascarados por
la interaccin AB grande .
.........................................................................
En la tabla 12-15 se presenta la salida de la rutina Balanced ANOVA (anlisis de varianza balancea-
do) de Minitab para el experimento del ejemplo 12-7. Se ha especificado el modelo restringido. Q[I] re-
presenta el efecto fijo de la presin del gas. Observe que las entradas de la tabla del anlisis de varianza
540 CAP11JLO 12 EXPERIMENTOS CON FACTORES ALEATORIOS
125
100 100
l:Il 75
x 75
"( I:;J
x
[(l
50 < 50
~ [(l
.s'" "
Qi
'"..
-e "'" 25
8-2 .,
..!!l
'"
"iii
"g O C~ 1
. O B-4
C-2
~
-25 B-1 -25
B-3 C-3
-50 --50
60 60
Figura 12.2 Interacciones en el experimento de la cada de la presin.
concuerdan en general con las de la tabla 12-14,salvo por la pruebaF de la temperatura del gas (factorA).
Minitab indica que la prueba no es exacta (lo que se ve por los cuadrados medios esperados). La Prueba
Sintetizada construida por Minitab es en realidad el procedimiento de Satterthwaite, pero usa un estads-
tico de prueba diferente del que se utiliz aqu. Observe que, por la salida de Minitab, el cuadrado medio
del error para probar el factor A es
(4) +(5) - 7 = MS AB + MS AC - MS AfJC
cuyo valor esperado es
E1(4)+(5)-(7)]= a? +na:h +cna;/I +a2 +na:h
+bno:lJ' _(a2 +na2 fh )
= a? +na2fh +cna2./1 +bno:lJ'
que es un cuadrado medio del error apropiado para probar el efecto promedio deA. Esto es una muy bue-
na ilustracin de que puede haber ms de una manera de construir los cuadrados medios sintticos usa-
dos en el procedimiento de Satterthwaite. Sin embargo, se preferira en general la combinacin lineal de
los cuadrados medios que se seleccionaron, en lugar de la que eligi Minitab, ya que no incluye ningn
cuadrado medio con signo negativo en las combinaciones lineales.
El anlisis del ejemplo 12-7, suponiendo el modelo no restringido, se presenta en la tabla 12-16.
La diferencia principal con el modelo restringido es que ahora los valores esperados de los cuadrados me-
dios de los tres efectos principales son tales que no existe ninguna prueba exacta. En el modelo restringido,
los dos efectos aleatorios promedio podran probarse contra su interaccin, pero ahora el cuadrado me-
e
dio esperado de B incluye a a ~tJrya a;/I' y el cuadrado medio esperado de incluye a a;tJry a a~ . De nueva
cuenta, Minitab construye cuadrados medios sintticos y prueba estos efectos con el procedimiento de
Satterthwaite. Las conclusiones generales no son radicalmente diferentes del anlisis del modelo restrin-
gido, adems del cambio grande en la estimacin del componente de la varianza del operador. El modelo
no restringido produce una estimacin negativa de a ~. Puesto que el factor manmetro no es significativo
en ninguno de los dos anlisis, es posible que sea pertinente alguna reduccin del modelo.
e
c... M
GI ....
..... .....
01
..t=. -4"
U N
111
>< W + en
E
O'-.t-Oo.r--oo
Il... ....
r---oOOo.-ooo '-
0""-4"
"" c...
....oo-oo .....
r-- ~ -' ..... o
CU-O c... ""
0000000 CU"'tl '- .....
c...o+ w .....
m e ...........
.....
0U"\00.0.,..,U"\
,..,o ....U"\-.t--O-O
:::J ..... N,.., ...........
c::r"1:lIl\...., ..... -4" U"\
......
O
enGl ...... oo-.t- ............ .....
N-.t-O-.t-N .....
O IIIU"\
.- e u
...oo ..... N-Ooo
.........
+++ + +
m... 111
GI c... CII+
E....,,-..~,,...,,,...,..,.,,,,...,.,..... ..t=.
1111'--0 >O r-- .....
>O"'" +' ,..
enoo .....oO .........
-4"O ""Ccu"""...,.....,"'...,,""~ C-.t"
Z:>ON>oO-.t-o.oo-4" Glc...N>O>ONN>ON >,......
........,..,N-4"-.t-,.., .....
.... en
Ul:'l+++++++
....-.t- O,..,,.., ....N GI e
U"\.... N Q. .....""'~~"',...,.."",....,..., (1),..,
><1110000000000000000 E"O
LIJ::t",'-"''-''_'''''''''''''''''",_,
c..N
c... ON
en-ON 0. .....
0. ON O e '-N
en,..,oo O-OO-4" U"\,.., '- c...... c..
U"\ N N c.. GI W
r-- ,..,,.., 0.-000 W ... 111
NN ,..,o-or--U"\ +'
Q..
........
0-4" N ....N ....I'-O'
,.., GI ....
U
e GI
e
o.U"\o.O-NO,..,
00 11\ I'-U"\ 00 O
O-",,""II\NI'--.t-
111
41
....r--
co-
I-
o ca C C-"O
'- .... O "'ti o
lO '-Q. CII '-
.....
N,..,N>O-4"-ON-O ..... m e '" c...
'- e ....
,..,
..... >0 ... w
O u CI)
~ GI GI
GI GI
....111 1:'1
::1
..t=.
+'
> U GI 10 e
GI
...J
e
m
1:'1
::1
....GI CU ...
I.D +' >-
I 111 en
.... 10 ..... ... 01 c... 41
CLI"'tIe e .... UJ O ::1 O ..... '-
Q..CLlOO
>-><"1:l"'tl
10 GI ... .... ... m+, o
> '- 1:'1'- u m GI lo!) m "'ti ~
1- .... 1:: 1:: O ::1 O m '- 01"" '- CII
~IOIO ~ .... 10 .... >< c.. 41::1 '- CLI N CIt
'- '- O IOGlUJIII GI O Q.moQ. .... ii
c...tJI'" '- .... OUJ+'O 111 '-
'- 111 '- GI::Ic...GI C 10 41 lO"" '- 41 41
'-
o
....om GI 111
>-
CU
U
O
....
mcu
Q.moQ.
OCl ....O
m""
c...
.....
111
.... 41
U
1- c... .::n
CltQl::lIIIIIICLIIII'-
lIIQ.mmmQ.m'-
c.. .... o ~
....
1-
GlIII
.....
C '- UIO
.... 1-'-tJI '-1- c...011- '-1- O 10 o '- CJ)OI.DCJ)UJOUJw >- o C-I.D
U 111 GI ::1 m ::IIIICLI::::JIIIIIIGlIllc... ... z ::1 (1) '- :s
IOIOQ..IO e omQ.mlllmQ..III'-O o .....N,..,-4"U"\"or--oo '- O .....
.....I,DOUJ e (I)!.DOI.DUJUJOCJ)w ..... >< en '" W (1)
541
.J: 1..100"'"
U G..-N
IV
)( )( )(
1l.. ..."O 00 00- ... 00

W
Lo _"J "
+++
'" '",
'"E
........
,.,00-0000 0"...,....,.11'\
... ..oo-ooo,._ ~'tl'J ..........
0-0-000
0000000 GIS
...+ + +
co'tl
:"GJ""",,..,..,,....,,,,,,,
..
~I
C' .... II'\"O-O...,.II'\'() o
Cl)u.....".._,.._, ............""",....
NOO-.:tNNO -e -o -o 00 -e
'ro 00
..- C'"
~ .... ++++++ Ch
11 CII CIJ + + +
ECU",....,. ....... """,-..,..."'~
"'''_I'-I'-I'-I'-I'-I'- .... ,-.. ,..........,_
$:
"'00,._00l'- -4'0
...
Z..oN..oO...,.",oo-4'
"c: .......
.....,.......
GI::::JNNNNNNN
'-'''-''''",..,....., c...,.-.:tll'l
~ ...... .._, .......
... ..-,.,N...,....,.,., ..... .... VI
Utll+++++++
... ...,. O"'''''''N GI C
o,.,,., 11'\.... N C. I~ .......
)(ChooooooOOooOOOOOO
LLI:s.....,'-""-"'..._,~
" " ""
...........,.._..
,...,. ..-.. "'"" "
o-
c..N'" 11'\
1.. ONNII'\
"'''ONO- .....O- ........ ON o e c..NN
",..,OO.-O.CO-.:t..-It\,., o:....... c..
II'\NN ... CIJ W
1'- ,.,.., ........
1'-0...000 w .... Ch
NN .-,,",o..ol'-It\ ....
O...,. N ... N"'''''' o-. CU'" -.:t-.:to.O-NO,., Ch ""1'-0-00
....- ""' ue
C CII
-4'..011'11'-... 000
II'I .... ""'II'III'I,._...,. CII
1-
00.00-
o.
o IV e 0:....0""11'1
1.. ... o ." o
Q c..Q. 11 o:..
LL N,,",N '0...,...0N o,Q .... IV E N o:..
1.. Q ...,.,1'- >0 .,... W
o u UI
~ CII CII
~
GI
.... tII
::::J
.J:
....
"
> U CII
VI
....CII IV
UJ
C
>.
"
...J
C
10
co
tII
::::J I
LL. c..
CII ..
tIIc..
VI
,,"Cee 1.. I.!J o ::::J

o lo.
0."00 ca GI .., .... IV .... o
>')("C"C > 1.. tIIl.. CU CII I.!J lU ~
I-'ro C C o ::::J
o c.. tII.. o:..
~calO ~ .... ca .... ... CII::::Js, GI Ch ...
...... o I'II"I.!JCO
tII.., c..
o Q.cuoQ. El! o
...o eh
'ro o
1..
1..
GI::::JI..GI
o.cooo.
....
1'11
1- o:..tIIl-l-
OI.!l ....O
GloI< 01< 11101< o:..
0:..1- o
lo.
GI
1- l-
....
lU CII
... tII
eh " .... OI.!J ....O CII UlGI::::JUlUlCllUlo:.. CII UI GI ::::J
1..
o
....
ca 11 >. u co CII..,... CO .. 0:..
.... .... U CUQ.CUllllUo.l'llo:.. ... ucoQ.co
....l-l..tII ~ 0:..1- o:.. tIIl-l- 0:..1- o ca o ... UJOI.!JI.!II.!JOI.!JW o I..C!lOUJ
UehGl::::J ca ::::JCllGI::::JChCllGlVlO:" .... z ::::J ... ::::J
cacaQ.ca e ocoo.cococoQ.coo:..o o ....N,.,...,.II'\'OI'-oo ... O..-N,.,
LLUJOUJ oc( "'I.!JOI.!JI.!JI.!IOI.!IWI- )( VI
W '"
542
12-7 ALGUNOS TEMAS ADICIONALES SOBRE LA ESTIMACIN DE LOS COMPONENTES DE LA VARIANZA 543
12..7 ALGUNOS TEMAS ADICIONALES SOBRE LA ESTIMACIN DE LOS
COMPONENTES DE LA VARIANZA
Como se seal anteriormente, la estimacin de los componentes de la varianza en un modelo aleatorio o

mixto reviste con frecuencia considerable importancia para el experimentador. En esta seccin se presen-
tan algunos resultados y tcnicas adicionales que son tiles para estimar los componentes de la varianza.
La atencin se centra en los procedimientos para encontrar intervalos de confianza para los componentes
de la varianza, y se ilustra asimismo cmo encontrar estimaciones de mxima verosimilitud de los compo-
nentes de la varianza. El mtodo de mxima verosimilitud puede ser una alternativa til cuando el mto-
do del anlisis de varianza produce estimaciones negativas.
12 ..7.1 Intervalos de confianza aproximados para los componentes de la varianza

Cuando se introdujo el modelo de efectos aleatorios en la seccin 12-1, se presentaron intervalos de con-
fianza exactos de 100(1- a) por ciento para <i y para otras funciones de los componentes de la varianza en
ese diseo experimental simple. Siempre es posible encontrar un intervalo de confianza exacto para cual-
quier funcin de los componentes de la varianza que es el valor esperado de uno de los cuadrados medios
del anlisis de varianza. Por ejemplo, considere el cuadrado medio del error. Puesto que E(MSE) = dI,
siempre es posible encontrar un intervalo de confianza exacto para <i, ya que la cantidad
fEMSE / a2 = fEa2 / aZ
tiene una distribucin ji-cuadrada con fE grados de libertad. El intervalo de confianza exacto de 1OO(1-a)
por ciento es
(12-36)
Desafortunadamente, en experimentos ms complejos en los que intervienen varios factores del dise-
o no es posible por lo general encontrar intervalos de confianza exactos para los componentes de la va-
rianza de inters, ya que estas varianzas no son el valor esperado de un solo cuadrado medio del anlisis
de varianza. Sin embargo, los conceptos fundamentales de las "pseudo" pruebas F aproximadas de Sat-
terthwaite, introducidos en la seccin 12-6, pueden emplearse para construir intervalos de confianza
aproximados de los componentes de la varianza para los que no se cuenta con ningn intervalo de con-
fianza exacto.
Recuerde que el mtodo de Satterthwaite utiliza dos combinaciones lineales de cuadrados medios
MS'= MS, + ... +MSs
y
MS"= MSu + ... +MS"
con el estadstico de prueba
MS'
F= MS"
que tiene una distribucinF aproximada. Al utilizar los grados de libertad apropiados paraMS' y MS", de-
finidos en las ecuaciones 12-34 y 12-35, este estadstico F puede usarse en una prueba de significacin
aproximada del parmetro o del componente de la varianza de inters.
Para probar la significacin de un componente de la varianza, por ejemplo a~,las dos combinaciones
lineales, MS' y MS", se eligen de tal modo que la diferencia en sus valores esperados sea igual a un mlti-
plo del componente, por ejemplo
E(MS')- E(MS")= ko~
o
2 _ E(MS')- E(MS")
00 - k . (12-37)
La ecuacin 12-37 proporciona una base para una estimacin puntual de o~:
A2 MS'-MS"
00:= k
=.!. MS +oo. +.!. MS _.!. MS _oo . .!. MS (12-38)

k' k 'k u k u
Los cuadrados medios (MS) de la ecuacin 12-38 son independientes, donde lasfNS;lo; = 55;10; tienen
distribuciones ji-cuadrada coa] grados de libertad. La estimacin del componente de la varianza, es ;,
una combinacin lineal de mltiplos de los cuadrados medios, y rO'~lo ~ sigue una distribucin ji-cuadrada
aproximada con r grados de libertad, donde
(~ )2
r=-----'--__:;_:--
m 1 MS2
L-2-'
k
;-1 t.
(MS +oo+MS -MS - oo.-MS )2
= MS~ M;2 M~2 M~2 (12-39)
__ ' +oo. + __ s +__ u + oo.+_. _v
t; t. fu t.
Este resultado slo puede usarse si ~ > O.Como r no ser un entero en la mayora de los casos, por lo ge-
neral ser necesario hacer una interpolacin de las tablas ji-cuadrada. Graybill [50] establece un resulta-
do general para r.
Ahora bien, puesto que rfJ ~Icr tiene una distribucin ji-cuadrada aproximada con r grados de libertad,
P { 2 Xl-aI2" :s;;
ro~ 2}
o~ :s;; Xa/2,r = 1-a
y
P rfJ~ rfJ~} = 1-a

2
{ -2-:S;;OO:S;;
Xa/2"
2
X1-aI2"
Por 10 tanto, un intervalo de confianza aproximado de 100(1 - a) por ciento para o~ es

rfJ2
__ 0_< 2<
A
roo
2
2 -00 - 2 (12-40)
X al2,r X l-a/2,T
EJEMPLO 12..8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Para ilustrar este procedimiento, considere nuevamente el experimento del ejemplo 12-7, donde se us
un modelo mixto con tres factores en un estudio de la cada de la presin en una vlvula de expansin de
una turbina. El modelo es
Y;jkl= u+i +Pj +Yk +(-rP)ij+(ryh +(PY)jk +(-rPY)jk+Eijkl
donde 'ti es un efecto fijo y todos los dems efectos son aleatorios. Se encontrar un intervalo de confianza
aproximado para a~p.Al utilizar los cuadrados medios esperados de la tabla 12-14, se observa que la dife-
rencia en los valores esperados de los cuadrados medios para el efecto de la interaccin de dos factores
AB y el efecto de interaccin de tres factores ABe es un mltiplo del componente de la varianza de
.nter s, a ,p'
2
E(MS AB)- E(MS ABe) = a2 +na;py +ena~p _(a2 +na~)

= cna,p2
Por lo tanto, la estimacin puntual de a;p es
&2 = MS AS - MS ABC = 134.91-19.26 = 19.28
TP en (3)(2)
y
r = __ -:-'-( = (134.91-19.26)2
M_S-'AB=---_M_S::.::;AB:.::;_C..:....)2 = 4.36
MS!s MS!sc (134.91)2 (19.26)2
---='----+----=.:::...._-- +
(a-1)(b-1) (a-1)(b-1)(e-1) (2)(3) (2)(3)(2)
El intervalo de confianza aproximado de 95% paraa;p se encuentra entonces con la ecuacin 12-40 de la
siguiente manera:
ro;p 2 ro~
-2 -~a,p S-2-
X 0.025., X O.'J7S"
(4.36)(19.28) S o? < (4.36)(19.28)
11.58 ,p - 0.61
7.26 S a;p S 137.81
Este resultado es consistente con los resultados de la pruebaF exacta para a;p, en que hay evidencia sli-
da de que este componente de la varianza es diferente de cero .
...... .... .. .. .. .. .. .. .. ... .
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. ..
12..7.2 Mtodo de grandes muestras modificado

El mtodo de Satterthwaite de la seccin anterior es una forma relativamente simple de encontrar un in-
tervalo de confianza aproximado para un componente de la varianza que puede expresarse como una
combinacin lineal de cuadrados medios, por ejemplo
Q
6'~ = ciMSi (12-41)

;:;;;;1
El mtodo de Satterthwaite funciona bien cuando los grados de libertad de cada cuadrado medio MS son
relativamente grandes, y cuando todas las constantes C de la ecuacin 12-41 son positivas. Sin embargo,
en ocasiones algunas de las eson negativas. Graybill y Wang [51] propusieron un procedimiento llamado
mtodo de grandes muestras modificado, que puede ser una alternativa muy til del mtodo de Sattert-
hwaite. Si todas las constantes C de la ecuacin 12-41 son positivas, entonces el intervalo de confianza mo-
dificado de 100(1 - a) por ciento de una muestra grande para a~ es
Q Q
6'2o - ~~ G2C~
" Ms2 :S ao2 s 6'20 + _
I
~ H2c2 MS2 I I I
(12-42)
546 CAPl1JLO 12 EXPERIMENTOSCON FACTORESALEATORIOS
donde
1
G.,=1--- y H.= 1 1
F , F.
a,f"oo l-a./,:OCI
Observe que una variable aleatoria F con un nmero infinito de grados de libertad en el denominador es
equivalente a una variable aleatoria ji-cuadrada dividida por sus grados de libertad.
Considere ahora el caso ms general de la ecuacin 12~41,donde las constantes C no tienen restric-
ciones sobre el signo. Esto puede escribirse como
p Q
~ = L cIMS L cMS,
i~l
1 -
~P+l
(12~43)
Ting, et al [110], dan un intervalo de confianza inferior aproximado de 100(I-a) por ciento para a~como
L= ~ -.Jf7: (12~44)
donde
p Q p Q
VL =L G2C;MS2 + H;c; MS} + L L G:ccMSMS j

~l j~P+l ~l ~P+l
P-l P
+ L L c;;,cctMSMSt
i~l t
0.=1 __ 1_
, Fa,f"CIQ
H = 1 1
F'-a./" ...
(F _1)2 - G2 F2 - H2
G.. = a,t.,tl ,a./,/ )
'1 Fa,/,f
G. =
"l
r(l- 1 Fa,/ + f,,'"
)2 (1; + f,)2
1;f,
G
_12
f,
!._ __ G'2 _t !.]
1;
(P-1),
si P > 1 Y c;;, = O si P = 1
Estos resultados tambin pueden extenderse para incluir intervalos de confianza aproximados para
cocientes de componentes de la.varianza. Para una relacin completa de estos mtodos, referirse al exce-
lente libro de Burdick y Graybill [22].
Ej'EMPLO 12..9 . . . . . . . . . .. 411 ,..
Para ilustrar el mtodo de grandes muestras modificado, considere nuevamente el modelo mixto con tres
factores del ejemplo 12~7. Se encontrar un intervalo de confianza inferior aproximado de 95% para a;p.
Recuerde que la estimacn puntual de a~ es
A 2 = MS AB - MS ABe = 134.91-19.26 = 19 28
a rP en (3)(2)
Por lo tanto, en la notacin de la ecuacin 12-43, C1 = C2 = 1/6, Y
G=1__ 1_ 1
1 F, 1--= 0.524
0.05,6 ., 2.1
1 1
H2 = 1 = 0435 -1 = 1.30
FO.95 ,12,"
G = ( F0.05.6.12 -
1)2 - (G)2
1
F,2
0.05,6,12 -
(H 2 )2
12 F,
0.05,6,12
= (3.00-1)2 - (0.524)2 (3.00)2 - (1.3)2 = -0.054

3.00
&";, =0
Por la ecuacin 12-44
VL = GI2C; MS:.w +H;Ci MS:.wc + G12Clc2MS ABMS AIlC

= (0.524)2 (1 /6)2 (134.91)2 +(1.3)2 (1 / 6)2 (19.26)2
+(-0.054)(1/6)(1/6)(134.91)(19.26)
= 152.36
As, un lmite de confianza inferior aproximado de 95% para o;p es
L= a;p - JV: = 19.28- ,J15236 = 6.94

Este resultado es consistente con los resultados de la prueba F exacta para este efecto.
12-7.3 Estimacin de mxima verosimilitud de componentes de la varianza

En este captulo se ha subrayado el mtodo del anlisis de varianza para estimar los componentes de la
varianza debido a que es relativamente directo y hace uso de cantidades familiares: los cuadrados medios
de la tabla del anlisis de varianza. Sin embargo, el mtodo tiene ciertas desventajas, incluyendo la moles-
ta tendencia a producir en ocasiones estimaciones negativas. Adems, el mtodo del anlisis de varianza
es en realidad un mtodo de estimador de momentos, una tcnica que los especialistas en estadstica ma-
temtica prefieren en general no usar para estimar parmetros, debido a que resulta con frecuencia en es-
timaciones de parmetros que no tienen buenas propiedades estadsticas. A la tcnica de estimacin de
parmetros preferida se le llama mtodo de mxima verosimilitud. La implementacin de este mtodo
puede ser un tanto complicada, en particular para el modelo de un diseo experimental, pero en cierto
sentido el mtodo de mxima verosimilitud selecciona estimaciones de los parmetros que, para un mo-
delo y una distribucin del error especificados, maximiza la probabilidad de ocurrencia de los resultados
muestrales. Una descripcin general muy adecuada del mtodo de mxima verosimilitud aplicado a mo-
delos de diseos experimentales se ofrece en Milliken y Johnson [79].
La revisin completa del mtodo de mxima verosimilitud sale del alcance de este libro, pero la idea
general puede ilustrarse con suma facilidad. Soponga quex es una variable aleatoria con una distribucin
de probabilidadf(x; 0), donde O es un parmetro desconocido. Seax,x2, ""Xn una muestra aleatoria de n
observaciones. Entonces la (uncin de verosimilitud de la muestra es
Observe que ahora la funcin de verosimilitud es una funcin nicamente del parmetro desconocido O.
El estimador de mxima verosimilitud de fJes el valor de O que maximiza la funcin de verosimilitudL(fJ).
Para ilustrar cmo se aplica esto en el modelo de un diseo experimental con efectos aleatorios, con-
sidere un modelo de dos factores con a = b = n = 2. El modelo es
Yijk = ,t+T +t', +(Tf3)ij +Eijk
con i = 1, 2, j = 1, 2 Y k = 1, 2. La varianza de cualquier observacin es
.. ) = o?y = o?r +azfJ+azrfJ +o '
V(y 'jk
y las covarianzas son
i = i', j = j', k;t:. k'
i='i', i=i' (12-45)
i;t:. i', i= j'
i ;t:. i', j;t:. j'
Es conveniente considerar las observaciones como un vector 8 x 1, es decir,

Ylll
Yll2
Y211
Y21Z
y=
Yu
YI22
Y221
Y222
y las varianzas y covarianzas pueden expresarse como una matriz de covarianza 8 x 8
1:= ~~: i:]

donde 1:n, 1:22, 1:12 y 1:21 = 1:' 12 son matrices 4 x 4 definidas de la siguiente manera:
aZy a2r +a2 fJ +a2r/J a2r

1
r
aZr +a2 fJ+a2 rfJ a2y a2r a

u'2r
1:n = 1:22 = 2 2 2
a2r a2r a2y a, +a +a'fJ /J
Z 2 2
aZr a2r a +a fJ
r +ar{J a2y
a2{I aZ{J O
a2 aZfJ O
1:12 = OfJ
O
O
O
a2fJ
a2fJ
u~
a2fJ
1
127 ALGUNOS TEMAS ADICIONALES SOBRE LA ESTIMACIN DE LOS COMPONENTES DE LA VARIANZA 549
y 1:21 es slo la transpuesta de 1:12, Entonces cada observacin sigue una distribucin normal con varianza
a ~,y si se supone que todas las N
= abn observaciones tienen una distribucin normal conjunta, entonces
la funcin de verosimilitud del modelo aleatorio queda como
donde jN es un vector N x 1 compuesto de unos. Las estimaciones de mxima verosimilitud de u, a~,a~,

a;p yal son los valores de estos parmetros que maximizan la funcin de verosimilitud. Tambin sera de-
seable restringir las estimaciones de los componentes de la varianza a valores no negativos. Por lo tanto,
en la prctica la funcin de verosimilitud se maximizara sujeta a esta restriccin.
La estimacin de los componentes de la varianza por el mtodo de mxima verosimilitud requiere
software de computadora especializado. Algunos paquetes de software de estadstica general cuentan
con esta capacidad. El sistema SAS calcula estimaciones de mxima verosimilitud de los componentes de
e
la varianza de modelos aleatorios o mixtos con la rutina SAS PRO MIXED. Se ilustrar el uso de la ruti-
na PROC MIXED aplicndola al modelo factorial de dos factores introducido en los ejemplos 12-2 y
12-3.
Considere primero el ejemplo 12-2. Se trata del modelo de un diseo factorial de efectos aleatorios
con dos factores. El mtodo del anlisis de varianza ha producido una estimacin negativa del componen-
te de la varianza de la interaccin. Las estimaciones negativas de los componentes de la varianza pueden
evitarse en la rutina PROC MIXED especificando el uso del mtodo de mxima verosimilitud restringi-
da (o residual) (REML, por sus siglas en ingls). En esencia, la REML restringe las estimaciones de los
componentes de la varianza a valores no negativos.
La rutina PROC MIXED del sistema SAS requiere como entrada la matriz de covarianza de los par-
metros del modelo. La estructura de un modelo aleatorio en el que todas las variables aleatorias son mu-
tuamente independientes es
(12-46)
donde las 1 son matrices identidad. (La estructura de la covarianza de un modelo puede especificarse en
la rutina PROC MIXED con la opcin TYPE = structure en el enunciado RANDOM.) La estructura de
la covarianza del modelo del ejemplo 12-2 se especifica como TYPE = SIM (el valor por omisin de
PROC MIXED), que especifica la estructura simple de la covarianza para los parmetros del modelo da-
dos en la ecuacin 12-46.
En la tabla 12-17 se presenta la salida de la rutina PROC MIXED de SAS para el experimento del
ejemplo 12-2. Se especific el mtodo de estimacin REML de los componentes de la varianza. La salida
se ha anotado con nmeros para facilitar la descripcin que se presenta a continuacin:
1. Estimaciones de los componentes de la varianza y la salida relacionada.
2. Parmetro covarianza, Identifica los parmetros del modelo: a;, a~, a;Jy al.
3. Cociente de la varianza estimada del efecto y la varianza estimada del error residual:
f12, / f12
4. Estimaciones de los parmetros. Son las estimaciones REML de los componentes de la varianza
f1;, f1~, f1;p y f12. Observe que la estimacin REML de f1;J es cero.
o ..... ~
11'\
,., o
,.,
.g '"
Il)
....
GI
.....
-0
000 ....~
'" Q. 0-0
...

'"
2.
'o
.::
~;:)
Q.
0000
'" ,., -e
"'00
,.,
o-
11'\
.... 0-0
~ GI .....
"' ......
0 ....
8 :. o,., o 100-0000-
Il)
o I ;:,
......
NO ......
'U ..J "0-11\0 ....
,., ...
,.,'000-
~ ... 00
'" .11'\
11'\
o
VlONO'"
41000 ....
Il)
... ]! 00 O
a::oooo
.
-8
~
N
....... ...
Q. 0000'
I I I
'U
Il)
ce
,.,~
-o N
0
O VI
,.., ....
'":::l'" ~o O ....CII a::oooo
s
00
....
N ..J
E
EJ- A
......
00
0 O
O
IV
fi!i
00000
1-0000
LLlGlONOO-O-O~'"
;:):::10,.,0-0-0-",..-
0-0- ceoooo ..J"""OOOI'('l'O-ONO-
'.0
u
;;l
00
.... LLI
a::
..... '"
Q. ....U) a::OOOO
WOOOO
ce IV000 o- ,.,
... ~OO~ o
'"...o. Q.OOOO
.
00 00000 ....
0-
O
e ......... U)
~ N~ 0 0
W
00000 N NNNO
2:! ....o N 1'('10 o ....o -lO o o '" .... I I I ~
p-, CII
'- ....
-o .....
.... ....GI
IV O,., ......
1-0000
a:: I
....o 1:
-g '"
:g g
11'\
:::1 10
E
...
-e ........I! ....
)( ce
e, r::::
.....o... ....o e:
., '" "o ....o'" CU,.,"',.,
]'1:
.Il) :>
GI
u VI
~
U)
(/1
'"'-
000 -o
o ......N 1-
....
GI
.... '- o
GI...
0.1l)
s, C ;:, .... NN LLI o 000
'0'0
-o
'O 10
I-NO-O ..... IV di
El!
.... '"
.,.. CII
2:!'" Q. ....
"""N 00 ...... lE .... a::1'('1"""
000 El! .,.. e.. ....
"'E el,) '" 10 ~
.....,;>~~~~ E!GI
....
'-
El~ N 1'('1-e
.....N ~GI U
1'('1
ce'O"'ON
OIl\ ~~ ...e .... ............"0
.9 Il)
Q
w o,., .... e
a..-O....
0,.,0-0
(/1
e ....o
'"a
::
><
....
GI
>
GlIIIO ,.,N
GI
e "U).... o,., o
1'11 ONON
00000
....
LLI
c: "0
o .. c,...
.c:
'" ~O
~ u
Il)
E -,"""N
cu
>
lO
e..
lO
GI N'OOO-
....
1'11
0,.,00
0 ....
00
. o
e
DI
........
GI o o ....ca.....
..... .t"" J::. ca -r- GJ
.~~
ti> GI
.c:
U)
111CII
a..
.... N~O'"
>
o .... I
lO ........ E 1II.li1:
e 1'11 ..... s, GI...
cu .... ........
.- Il) 1- lO-' 1'11 o-~o'" ,.. ....CIIO)....J
';{i!", __, u N-OO'O
1ii,....;
~::::E
.... a::1-
C B....E... 'O NO ....
0 ....
0,.,
U
a::OONOI/'I
U)....
LO. e r::::(/I
o OWQ..J .... o
>~ ...1O
GI,..cm DI
~; oce
1'11
VI ....
11'\000 .... 0",,1'('100- .."J lO,. 'r-
.
(/1-,
< :: VI
1111-
I-U
ce ....
a::-'
'-
ca
>
1.1.1 ONOOO
0000
....o
.... 0-'00 ...... GI.......
ce ..... -ooo-
III"DlIIIM
"c.ca u s, 0- N-'
a::00 O 1'('1 o... >Cca..JCII ....
(f)~
'" al caa:: wo. o .... I

c.
E 1.1.1 .... 000 lE e.. .... lO" ~lOW
lE
~ . .....
ce Q.w .... ).. 0.0000 u CII ...C-' ...:la::
:~ ~
....
0. o a::
...
o 0-000
,.,NOO
111
ce
00000
0000
o
.
111lII....
GI.cdl ....
lOElO.c:
QO>CI)a::ceU)
W~UN
I
'4).$ 11\0000 I
'U..g
@ ~!
El~ ,.,,.,00
O~OO
N .....
OO
~. :
....
000
llI::
......"B: o
::E
::>:
U<;l
.
0'000
0 ...0
o
....
1-
C
a::
0<"1:
O:::~I
.... I Ea:: LLI _,
e.. O o.ta
~s:
0..._
"'._
'"
._
el,)i
eI,),
a::
o
....ce
lOl-
D..ce -lO"
a::1- 1- ....
O:::J
>Wa::a::1II
--; (: OD..CCCII
CI)", a:: ....
0Q.Q.a::
E a:: w .....
....,
1:- '- o Q.1O
1- 0:::1
....
N 8: ce ...
a::1- 1- .... "
..!3 > LLla::a::U)
"'~" ....o Q.CCCII
oa..a..1lI::
550
-j
s, ,.., ....,.
u GI 1") o
~ Q. -o 1")
"'~ Q. 00 e-
-8
-
:::1
-e .....
.,e...'"
c;;
$ '"GI 00
00
.0-
an
1: 3 .." M
:2 O -e -e
4J ...1
1") O
S...
"O _. ,..,0.-
"'
o lO an an
o
lO 0000-
e .r;;.
Q.
o ~
."
NO .....
11"10 .....
S ..... o o -000-
" cC 111 NO 11'1
-
t: GI 00_
~
.S
"
N
...,.
N
o
0
o
o ..
111
GI
ICI:: 000
001:1 GlONooO-O-NN
LL.
o
...,.
. ."'............ .
"'C ...1 10 I I I ::IO""O-NN,..,,.., A
o o 11.1
:;g'"
.a
lE
W
A
o o
.....e o:: 000
:::1
...1
......
>
0001"),.., .....
1U0aoo-
0011"1
...,.
'"
a..
N
o
0 ..... a..'"
ICI::
111 o
....cC 000 cC
:> 00000 ....
0-
.g~ w 000 N
.. ........... '"-
NNNO
...o .....
o
15. .;
~ > GI ..
111
GI N
...,.
o
....
.0
o .....
o
ICI::
w
a..
000
000
000
000
.....
I I 1...,.
e
111
1)
LL. 00
>-jg '"~ IU
.....
Iii
.....
...'" ......
x o 000 e
.. ... e:o
o
.....GI
"g~
:g
,D ....u
-:;:::
r.n
Q)
... ... a..o'"

."
GI
w
111 lo.
o
11"1 '0
o- N .. o::
cC
000
o
... GI
10
'"
GI...
.... Lo
.....
W
GI
Q.
....>.
..
IU 10
0 ::
'" 00
-e
-e
-o lE a.. Si ...
E ....GI ."
0.8.
~
...
"'C o
o u
S o
W
..
Lo
GI
GI
W
Lo
."
....
,.., N
.....
.."
.... .....
.-
-e GI
u
e ....o::
s,
o
.....
...
e
111
11.1
"'+'
v .. ."
c.. o
e: v o
GI
...
X
LL.
LL.
o
00
.."
.:a,,-'2'" ...
)lo(
lE
E
10
lo.
<1)
M o
10
c;C
1"10 .....
0-000
-OON
.,,0 ..c
C O..c ..
GI 00""
.....
IU ...... o
.c:IO
r~ '- a.. CI
...o
~.l
~::E
GI
10
a.. GI NO ..... >
l1li ....
Oan
1"10-0
c:
....... ..... ".. .s: car-
1U .. .. EIII.:.t.
4
111
....111 N
..c
.... .... o NON &10-''''11 ..
.;~ GI
U IU
,..,0.."
"'O.."
V 0000
..,,00 .......... ....,..GI o >._,
111.. >.:.t. ..... 10
....GI
Z
~C>Oe
rn 0
e
...
10
111 -00-0
........
NO
.-0.."
...
u
..... .-00
..... I ...
C CIIIGI .. CIIlCl
o owo_' ... o
.... .... .,." ClIII-111...1
111 anOoo o ....... o::
~ .~ '"
10 11.1 NOao .... GI
Q.IUU"'O- 1'1...1 o
~ ~ > Q.
."
o ....>CIU...IGI"'lE GI ....
en '"
o 000
.... la lE '-'-IU." .:.t.IIIIW
u GI'" e:_' ... 30::
u <
>. s, o::
si
8 g
'-'
<
111 o::
o
111111Lo IUE 1O..c
GI.aIO .. W.:.t.UN
::1
o
11.1
e,
.~ .~
-13
.......o -000
,..,00
aooo
....cC
o::
00 > <1) o:: cC <1) 1 <1) o
~ " l1li
IX
"'00
...,.00
E
s,
11.1 ......
a.. 10
02- .....
00
f.Ll':=
?:S 8 oeo
-000
10
a.. ...0::::1
...........
."
;::g~ > 0::0::111
CJ ... ...0 .... o GI
.- v a.. a.. o::
~~
Po. 8 o::
~5 o
.@"g ....
~~ <
en' o::
E W ......
s, a.. 10
....
00
N
....
lO
a.. ..
0::::1
."
....1-'"
...!3 > 0::0::111
._.o <cCGI
a.. a.. o::
~
551
5. Error estndar de la estimacin. Es el error estndar (se) para muestras grandes de la estimacin
del parmetro: se( &;) = ~V( &; ).
6. El estadstico Z asociado con la varianza estimada:
Z= a; / se(&).
7. Valor P del estadstico Z calculado.
8. Nivel alfa usado para calcular el intervalo de confianza.
9. Lmites inferior y superior de un intervalo de confianza de la teora normal para muestras gran-
des de 100(1 - a) por ciento para los componentes de la varianza:
L= a; - Z"/2se( &;) U == +Za/2se( a;)
10. Matriz asinttica de la covarianza de las estimaciones. Es la matriz de la covaranza para mues-
tras grandes de las estimaciones de los componentes de la varianza.
11. Medidas del ajuste del modelo para comparar el ajuste de modelos alternativos.
Observe que los resultados de la rutina PROC MIXED de SAS coinciden muy de cerca con los valores pre-
sentados en el ejemplo 12-2cuando el modelo reducido (sin el trmino de la interaccin) se ajust a los datos,
En el ejemplo 12-3 se consider el mismo experimento, pero se supuso que los operadores eran un
factor fijo, lo cual llev a un modelo mixto. La rutina PROC MlXED de SAS puede emplearse para esti-
mar los componentes de la varianza para esta situacin. La estructura de la covarianza de las observacio-
nes, suponiendo que todas las variables aleatorias son mutuamente independientes (es decir, el modelo
mixto no restringido), es
COV(Yijk' Y'j'k')= o~ +0;/1 +a2 = i', j == i', k = k'
= a 2fJ +0</1 i = i', j = j', k;t:. k'
2
(12-47)
=a~ i;t:. i', j = i'
=0 j;t:. j'
La matriz de la covarianza de los parmetros del modelo es
G=[a~I
O
O
a2</31
1 (12-48)
(Esto se especifica en el enunciado TYPE = SIM en la entrada de la rutina PROC MIXED.) En la tabla
12-18 se muestra la salida de la rutina PROC MIXED de SAS para la forma no restringida del modelo
mixto del ejemplo 12-3. De nueva cuenta se seleccion el mtodo REML. La estimacin del componente
de la varianza para el factor "pieza" es muy similar a la estimacin que se obtuvo utilizando el modelo
aleatorio. La estimacin de la varianza del error residual tambin es similar. Adems, la salida incluye
una prueba F para el efecto fijo.
12~8 PROBLEMAS
12-1. Una fbrica textil tiene un gran nmero de telares. Se supone que cada telar produce la misma cantidad de
tela por minuto. Para investigar este supuesto, se eligen cinco telares al azar y se registra su produccin en
tiempos diferentes. Se obtienen 108 siguientes datos:
Telar Produccin (lb/min)

1 14.0 14.1 14.2 14.0 14.1
2 13.9 13.8 13.9 14.0 14.0
3 14.1 14.2 14.1 14.0 13.9
4 13.6 13.8 14.0 13.9 13.7
5 13.8 13.6 13.9 13.8 14.0
12-8 PROBLEMAS 553
a) Explicar por qu este experimento es de efectos aleatorios. Todos los telares tienen la misma produc-
cin? Utilizar a = 0.05.
b) Estimar la variabilidad entre los telares.
e) Estimar la varianza del error experimental.
d) Encontrar un intervalo de confianza de 95% para a; 1(a;+a2}
e) Analizar los residuales de este experimento. Considera el lector que se satisfacen los supuestos del an-
lisis de varianza?
122. Un fabricante sospecha que los lotes de materia prima suministrados por su proveedor difieren de manera
significativa en el contenido de calcio. Hay un gran nmero de lotes actualmente en el almacn. Se seleccio-
nan cinco de ellos para hacer un estudio. Un qumico hace cinco determinaciones en cada lote y obtiene los
siguientes datos:
Lote 1 Lote 2 Lote 3 Lote 4 Lote 5

23.46 23.59 23.51 23.28 23.29
23.48 23.46 23.64 23.40 23.46
23.56 23.42 23.46 23.37 23.37
23.39 23.49 23.52 23.46 23.32
23.40 23.50 23.49 23.39 23.38
a) Existe una variacin significativa en el contenido de calcio de un lote a otro? Utilizar a 0.05. =
b) Estimar los componentes de la varianza.
e) Encontrar un intervalo de confianza de 95% para a; / (a; + a2}
d) Analizar los residuales de este experimento. Se satisfacen los supuestos del anlisis de varianza?
123. En una fbrica metalrgica se usan varios hornos para calentar ejemplares de metal. Se supone que todos los
hornos operan a la misma temperatura, aunque se sospecha que quiz no sea ste el caso. Se seleccionan al
azar tres hornos y se registran sus temperaturas en cargas sucesivas. Los datos recabados son los siguientes:
Horno 'Iemperatura
1 491.50 498.30 498.10 493.50 493.60
2 488.50 484.65 479.90 477.35
3 490.10 484.80 488.25 473.00 471.85 478.65
a) Existe una variacin significativa de la temperatura entre los hornos? Utilizar a = 0.05.
b) Estimar los componentes de la varianza de este modelo.
e) Analizar los residuales de este experimento y sacar conclusiones acerca de la adecuacin del modelo.
124. En un artculo de Ioumal of the Electrochemical Society (vol. 139, no. 2, pp. 524532) se describe un experi-
mento para investigar la deposicin de vapor a baja presin del polisilicio. El experimento se llev a cabo en
el reactor de alta capacidad! de Sematech en Austin, Texas. El reactor tiene varias posiciones para las obleas,
y se seleccionan al azar cuatro de estas posiciones. Lavariable de respuesta es la uniformidad del espesor de
la pelcula. Se hicieron tres rplicas del experimento y se obtuvieron los siguientes datos:
Posicin de la oblea Uniformidad

1 2.76 5.67 4.49
2 1.43 l.70 2.19
3 2.34 1.97 1.47
4 0.94 1.36 1.65
554 CAPTULo 12 EXPERIMENTOS CON FACTORES ALEATORIOS
a) Hay alguna diferencia en las posiciones de las obleas? Utilizar a = 0.05.

b) Estimar la variabilidad debida a las posiciones de las obleas.
e) Estimar el componente del error aleatorio.
d) Analizar los residuales de este experimento y comentar la adecuacin del modelo.
12-5. Considere el experimento de la deposicin de vapor del problema 12-4.
a) Estimar la variabilidad total de la respuesta uniformidad.
b) Qu parte de la variabilidad total de la respuesta uniformidad se debe a la diferencia entre las posicio-
nes en el reactor?
e) Hasta qu nivel podra reducirse la variabilidad de la respuesta uniformidad si pudiera eliminarse la va-
riabilidad entre una posicin y otra en el reactor? Considera el lector que sta es una reduccin signifi-
cativa?
12-6. En un artculo de Joumal ofQuality Technology (vol. 13, no. 2, pp: 111-114) se describe un experimento para
investigar los efectos de cuatro sustancias qumicas blanqueadoras sobre la brillantez de la pulpa. Estas cua-
tro sustancias qumicas se seleccionaron al azar de una poblacin grande de agentes blanqueadores poten-
ciales. Los datos son los siguientes:
Sustancia qumica Brillantez de la pulpa

1 77.199 74.466 92.746 76.208 82.876
2 80.522 79.306 81.914 80.346 73.385
3 79.417 78.017 91.596 80.802 80.626
4 78.001 78.358 77.544 77.364 77.386
a) Existe alguna diferencia en los tipos de sustancias qumicas? Utilizar a = 0.05.

b) Estimar la variabilidad debida al tipo de sustancias qumicas.
e) Estimar la variabilidad debida al error aleatorio.
d) Analizar los residuales de este experimento y comentar la adecuacin del modelo.
12-7. Considere el modelo de efectos aleatorios, balanceado, en una variable. Desarrollar un procedimiento para
encontrar un intervalo de confianza de 100(1 - a) por ciento para a2/(a; + a2).
12-8. Referirse al problema 12-1.
a) Cul es la probabilidad de aceptar H si a; es 4 veces la varianza del error al?
b) Si la diferencia entre los telares es lo suficientemente grande para incrementar la desviacin estndar de
una observacin en 20%, quiere detectarse esto con una probabilidad de al menos 0.80. Qu tamao de
la muestra deber usarse?
12-9. Se llev a cabo un experimento para investigar la capacidad o aptitud de un sistema de medicin. Se seleccio-
naron diez piezas al azar, y dos operadores escogidos aleatoriamente midieron tres veces cada pieza. Las
pruebas se hicieron en orden aleatorio y se obtuvieron los siguientes datos:
Mediciones del Mediciones del

Nmero operador 1 operador 2
de pieza 1 2 3 1 2 3
1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
128 PROBLEMAS 555
a) Analizar los datos de este experimento,
b) Encontrar estimaciones puntuales de los componentes de la varianza utilizando el mtodo del anlisis de
varianza.
1210. Considere nuevamente los datos del problema 5-6. Suponga que ambos factores, las mquinas y los operado.
res, se eligen al azar.
b) Encontrar estimaciones puntuales de los componentes de la varianza utilizando el mtodo del anlisis de
varianza.
12-11. Considere nuevamente los datos del problema 5-13. Suponga que ambos factores son aleatorios.
b) Estimar los componentes de la varianza.
12-12. Suponga que en el problema 5-11 las posiciones en el horno se seleccionaron aleatoriamente, dando como
resultado un experimento con un modelo mixto. Analizar de nuevo los datos de este experimento bajo este
nuevo supuesto. Estimar los componentes apropiados del modelo.
12-13. Analizar de nuevo el experimento de los sistemas de medicin del problema 12-9, suponiendo que los opera-
dores son un factor fijo. Estimar los componentes apropiados del modelo.
12-14. En el problema 56, suponga que slo hay cuatro mquinas de inters, pero los operadores se seleccionaron
aleatoriamente.
a) Qu tipo de modelo es apropiado?
b) Efectuar el anlisis y estimar los componentes del modelo.
12-15. Mediante la aplicacin del operador valor esperado, desarrollar los cuadrados medios esperados del modelo
factorial mixto con dos factores. Usar los supuestos del modelo restringido. Verificar los resultados con los
cuadrados medios esperados de la tabla 12-11 para constatar que concuerdan.
12-16. Considere el diseo factorial de tres factores del ejemplo 12-6. Proponer los estadsticos de prueba apropia-
dos para todos los efectos principales y las interacciones. Repetir para el caso en que A y B son fijos y e es
aleatorio.
1217. Considere el experimento del ejemplo 12-7. Analizar los datos para el caso en queA, B y e son aleatorios.
12-18. Deducir los cuadrados medios esperados de la tabla 12-14.
12-19. Considere un experimento factorial de cuatro factores donde el factorA tiene a niveles, el factor B tiene b ni-
veles, el factor e tiene e niveles, el factor D tiene d niveles y hay n rplicas. Anotar las sumas de cuadrados, los
grados de libertad y los cuadrados medios esperados para los siguientes casos. Suponer el modelo restringido
para todos los modelos mixtos. Puede usarse un paquete de computadora como Minitab.
a) A, B, e y D son factores fijos.
b) A, B, e y D son factores aleatorios.
e) A es fijo y B, e y D son aleatorios.
d) A YB son fijos y e y D son aleatorios.
e) A, B Y e son fijos y D es aleatorio.
Existen pruebas exactas para todos los efectos? Si no es as, proponer estadsticos de prueba para los efectos
que no puedan probarse directamente.
12-20. Considere nuevamente los incisos e, d y e del problema 12-19. Obtener los cuadrados medios esperados su-
poniendo un modelo no restringido. Puede usarse un paquete de computadora como Minitab. Comparar los
resultados obtenidos con los del modelo restringido.
12-21. En el problema 5-17, suponga que los tres operadores se seleccionaron al azar. Analizar los datos bajo estas
condiciones y sacar conclusiones. Estimar los componentes de la varianza.
12-22. Considere el modelo factorial de tres factores
j=
i.:. 1, 2,
} -1, 2,
k 1, 2,
,a
,b
,e
Suponiendo que los tres factores son aleatorios, desarrollar la tabla del anlisis de varianza, incluyendo los
cuadrados medios esperados. Proponer los estadsticos de prueba apropiados para todos los efectos.
---,--- -'_._,._------------------------------_--- _
556 CAPTULO 12 EXPERIMENTOS CON FACTORESALEATORlOS
12-23. El modelo factorial de tres factores para una sola rplica es
Yijk = u+r +f3j +Yk +(rf3)j +(f3Y)jk +(ry)ik +(rf3Y)ijk +Eijk

Si todos los factores son aleatorios, puede probarse alguno de los efectos? Si las interacciones de tres facto-
res y (r:f3)lj no existen, es posible probar todos los dems efectos?
12-24. En el problema 5-6, suponga que tanto las mquinas como los operadores se escogieron al azar. Determinar
la potencia de la prueba para detectar un efecto de la mquina tal que a~ = a2, donde a~es el componente de
la varianza del factor mquina. Son suficientes dos rplicas?
12-25. En el anlisis de varianza del modelo mixto de dos factores, demostrar que Cov[(rp)j' (rp)11] = -(l/a) a;p para
i oF- i'.
12-26. Demostrar que el mtodo del anlisis de varianza siempre produce estimaciones puntuales insesgadas de los
componentes de la varianza en cualquier modelo aleatorio o mixto.
12-27. Invocando los supuestos de.normalidad usuales, encontrar una expresin para la probabilidad de obtener
una estimacin negativa de un componente de la varianza por el mtodo del anlisis de varianza. Utilizando
este resultado, escribir un enunciado para la probabilidad de que &; < Oen un anlisis de varianza de un fac-
tor. Comentar la utilidad de este enunciado de probabilidad.
12-28. Analizar los datos del problema 12-9, suponiendo que los operadores son fijos y utilizando tanto la forma no
restringida como la restringida de los modelos mixtos. Comparar los resultados que se obtienen con los dos
modelos.
12-29. Considere el modelo mixto de dos factores. Demostrar que el error estndar de la media del factor fijo (por
ejemplo, A) es [MSAB/bn]1/2.
12-30. Considere los componentes de la varianza del modelo aleatorio del problema 12-9.
a) Encontrar un intervalo de confianza exacto del 95% para 02.
b) Encontrar intervalos de confianza aproximados del 95% para los otros componentes de la varianza utili-
zando el mtodo de Satterthwaite.
12-31. Usar el experimento descrito en el problema 5-6 y suponer que ambos factores son aleatorios. Encontrar un
intervalo de confianza exacto del 95% para 02. Construir intervalos de confianza aproximados del 95% para
los otros componentes de la varianza utilizando el mtodo de Satterthwaite.
12-32. Considere el experimento de tres factores del problema 5-17 y suponga que los operadores se seleccionaron
al azar. Encontrar un intervalo de confianza aproximado del 95% para el componente de la varianza del ope-
rador.
12-33. Resolver de nuevo el problema 12-30 utilizando el mtodo de grandes muestras modificado que se describe
en la seccin 12-7.2. Comparar las dos series de intervalos de confianza obtenidas y comentarlas.
12-34. Resolver de nuevo el problema 12-32 utilizando el mtodo de grandes muestras modificado que se describe
en la seccin 12-7.2. Comparar este intervalo de confianza con el que se obtuvo anteriormente y comentarlo.
Diseos anidados
y de parcelas
subdivididas
En este captulo se introducen dos importantes tipos de diseos experimentales: el diseo anidado y el di-
seo de parcelas subdivididas. Estos dos diseos encuentran una aplicacin razonablemente generaliza-
da en el uso industrial de los experimentos diseados. Con frecuencia incluyen tambin uno o ms
factores aleatorios, por lo que algunos de los conceptos introducidos en el captulo 12 tendrn cabida
aqu.
13..1 DISEO ANIDADO DE DOS ETAPAS
En algunos experimentos con factores mltiples, los niveles de uno de los factores (por ejemplo el factor
B) son similares pero no idnticos a los diferentes niveles de otro factor (por ejemplo A). A un arreglo
como ste se le llama diseo anidado o jerrquico, con los niveles del factor B anidados bajo los niveles
del factor A. Por ejemplo, considere una compaa que compra su materia prima a tres proveedores dife-
rentes. La compaa quiere determinar si la pureza de la materia prima de cada proveedor es la misma.
Hay cuatro lotes de materia prima disponibles de cada proveedor, y se harn tres determinaciones de la
pureza en cada lote. La situacin se describe en la figura 13-1.
Se trata de un diseo anidado de dos etapas, con los lotes anidados bajo los proveedores. A primera
vista se podra preguntar por qu no es un experimento factorial. Si fuera un experimento factorial, en-
tonces el lote 1 se referira siempre al mismo lote, el lote 2 se referira siempre al mismo lote, etctera.
Evidentemente, no es ste el caso, ya que los lotes de cada proveedor son nicos para ese proveedor
particular. Es decir, el lote 1 del proveedor 1 no tiene relacin con el lote 1 de cualquier otro proveedor,
el lote 2 del proveedor 1 no tiene relacin con el lote 2 de cualquier otro proveedor, etctera. Para sub-
rayar el hecho de que los lotes de cada proveedor son diferentes, se pueden numerar como 1, 2, 3 Y4
para el proveedor 1; 5,6,7 Y8 para el proveedor 2; y 9,10,11 Y12 para el proveedor 3, como se muestra en
la figura 13-2.
En ocasiones quiz no se sepa si un factor est cruzado en un arreglo factorial o anidado. Si los niveles
del factor pueden numerarse arbitrariamente como en la figura 13-2, entonces el factor est anidado.
557
558 CAPTULO 13 DISEOSANIDADOS y DE PARCELASSUBDIVIDIDAS
Lotes ~ ~
1121 1131 1,4, 121' 1221 123' 1241 >'311 >'n, >"3' 1341
{ Y",
Observaciones Y,12 >',22 >'132 Y'42 1212 >'222 >'232 >'242 >'312 >'322 >'332 >'342
1113 1,23 >"33 1'43 1213 1223 "233 "243 >'313

"323 Y333 >'343
Figura 131 Diseo anidado de dos etapas.
13 ..1.1 Anlisis estadstico

El modelo estadstico lineal para el diseo anidado de dos etapas es
Yijk =J.l+t+f3j(i)+C(ij)k ~:1, 2, , a

J-1, 2, , b
k = 1, 2, , n
(13-1)
Es decir, haya niveles del factor A, b niveles del factor B anidados bajo cada nivel deA, y n rplicas. El
subndice j(i) indica que el nivelj-simo delfactor B est anidado bajo el nivel i-simo delfactorA. Resul-
ta conveniente considerar que las rplicas estn anidadas dentro de la combinacin de los niveles deA y
B; por lo tanto, se usa el subndice (ij)k para el trmino del error. Se trata de un diseo anidado balancea-
do,ya que hay el mismo nmero de niveles de B con cada nivel deA y el mismo nmero de rplicas. Puesto
que no todos los niveles del factor B aparecen dentro de todos los niveles del factor A, no puede haber in-
teraccin entre A y B.
La suma de cuadrados total corregida puede escribirse como
(13-2)
Al desarrollar el miembro derecho de la ecuacin 13-2,se obtiene
ya que los tres trminos con productos cruzados son cero. La ecuacin 13-3indica que puede hacerse la
particin de la suma de cuadrados total en una suma de cuadrados debida al factor A, una suma de cua-
drados debida al factor B bajo los niveles deA, y una suma de cuadrados debida al error. Simblicamente,
la ecuacin 13-3 puede escribirse como
SST = SSA +SSB(A) +SSE (13-4)
Hayabn -1 grados de libertad para SS1) a -1 grados de libertad para SSA, a(b -1) grados de libertad para
SSB(A)yab(n -1) grados de libertad para el error. Observe queabn -1 = (a -1) + a(b -1) + ab(n -1). Si
los errores son NID(O, 02), cada una de las sumas de cuadrados del miembro derecho de la ecuacin 13-4
Figura 132 Disposicin alternativa del diseo anidado de dos etapas.

13-1 DISEO ANIDADO DE DOS ETAPAS 559
Tabla 13-1 Cuadrados medios esperados en el disefio anidado de dos etapas
A fijo A fijo A aleatorio
E(MS) Bfijo B aleatorio B aleatorio
1 bn ri bn 1'2
0'2+ nalP + bna:T
E(MS,4) 0'2+ na2 + '
a + a-l P a-1
2 n (J~(j)
a2+n~ 0'2+ na2p
E(MSB(A)
0'+ a(b-l)
E(MSE) al 0'2 0'2
puede dividirse por sus grados de libertad para obtener cuadrados medios con una distribucin indepen-
diente tales que el cociente de dos cuadrados medios cualesquiera se distribuye como F.
Los estadsticos apropiados para probar los efectos de los factores A y B dependen de siA y B son rijos
=
o aleatorios. Si los factoresA yB son fijos, se supone que l:;Oo}t, OYl:~~1 /3j(1) O(i 1,2, ..., a). Es decir, = =
la suma de los efectos del tratamiento A es cero, y la suma de los efectos del tratamiento B es cero dentro
de cada nivel deA. De manera alternativa, siA y B son aleatorios, se supone que ti es NID(O, y que /3j(i) (1;)
es NID(O, a~). 'Iambin es frecuente encontrar modelos mixtos conA fijo y B aleatorio. Los cuadrados
medios esperados pueden determinarse aplicando directamente las reglas del captulo 12. Para el modelo
mixto, estos cuadrados medios esperados suponen la forma restringida del modelo del captulo 12. En la
tabla 13-1 se muestran los cuadrados medios esperados para estas situaciones.
=
La tabla 13-1 indica que si los niveles deA y B son fijos, Ho:r; Ose prueba con MS AIMS E y Ho:f3j(j) = O
se prueba con MSB(A/MSE Si A es un factor fijo y B es aleatorio, entonces Ho:rj = O se prueba con
MSA/MSs(A) y Ho:O'~= Ose prueba con MSB(A/MSE Por ltimo, si tanto A comoB son factores aleatorios,
= =
Ho:a; Ose prueba con MS A/MSS(A) y Ho:a ~ Ocon MS B(AMSE El procedimiento de prueba se resume
en la tabla del anlisis de varianza, como se muestra en la tabla 13-2. Las frmulas para calcular las sumas
de cuadrados se obtienen desarrollando las cantidades de la ecuacin 133y simplificando. stas son
1 a 2
SS -_ "" 2_~ (13-5)
A - bn' Y;., abn
,-1
1 a b 1
=;; y:. -
y~.
d
'SSB(A) bn (13-6)
;-1 J-l ;-1
abn 1db
SSE = L Y;k -- y:. (13-7)

n
;-1 j-1 k-1 ;_1 j-J
SST = Y;k -
a b
;-1 j-1 k",1

n
:;~ 2
(13-8)
Tabla 13-2 Tabla del anlisis de varianza para el diseo anidado de dos etapas
A a-1
B dentro deA a(b-1)
Error ab(n -1)
lbtal abn-l
560 CAPTIJLO 13 DlSENOS ANIDADOS y DE PARCELAS SUBDIVIDIDAS
Se observa que la ecuacin 13-6 para SSB(A) puede escribirse como
SSB(A) =L
[1-;;Lb y~,- y2] b~
,~1 ]=1
Esto expresa la idea de que SSB(A)es la suma de cuadrados entre los niveles de B para cada nivel deA, su-
mados en todos los niveles de A.
EJEMPLO 13..1 .
Considere una compaa que compra materia prima en lotes de tres proveedores diferentes. La pureza de
esta materia prima vara considerablemente, 10cual ocasiona problemas en la manufactura del producto
terminado. Quiere determinarse si la variabilidad de la pureza es atribuible a las diferencias entre los pro-
veedores. Se seleccionan al azar cuatro lotes de materia prima de cada proveedor, y se hacen tres determi-
naciones de la pureza en cada lote. Se trata, desde luego, de un diseo anidado de dos etapas. Los datos,
despus de codificarlos restando 93, se muestran en la tabla 13-3. Las sumas de cuadrados se calculan de
la siguiente manera:
b n 2
SST = LLL y~k-~

i~l j~l k~l abn
= 153.00- (1:{ = 148.31

1 a 2
SS
A
=- ~
bn
l-_L,_
abn
t..
,~1
= _1_[(_5)2 +( 4)2 +(14)2]...,-(13)2

(4)(3) . 36
= 19.75-4.69= 15.06
1 1
SSB(A) = -;; LL b
i~l j~l
y~.- bn L y;,
i~l
a
= ![(0)2 +(-9)2 +(_1)2 + ... +(2)2 +( 6)2]-19.75

3
= 89.67-19.75= 69.92
y
Tabla 13-3 Datos codificadosde la pureza del ejemplo 13-1 (Codificacin:Yiik = pureza - 93)
Proveedor 1 Proveedor 2 Proveedor 3
Lotes 1 2 3 4 1 2 3 4 1 2 3 4
1 -2 -2 1 1 O -1 O 2 -2 1 3
-1 -3 O 4 -2 4 O 3 4 O -1 2
O -4 1 O -3 2 -2 2 O 2 2 1
Totales de los lotes Yij, O -9 -1 5 -4 6 -3 5 6 O 2 6
Totales de los proveedores Ji. -5 4 14
Tabla13-4 Anlisisdevarianzade losdatosdelejemplo13-1
Fuente de Sumade Grados de Cuadrado Cuadrado medio
variacin cuadrados libertad medio esperado Fo ValorP
Proveedores 15.06 2 7.53 0-2+ 3a~+ 6 T~ 0.97 0.42
Lotes (dentro de los proveedores) 69.92 9 7.77 0-2+ 30"2fl 2.94 0.02
Error 63.33 24 2.64 0-2
Total 148.31 35
En la tabla 13-4 se resume el anlisis de varianza. Los proveedores son fijos y los lotes aleatorios, por lo
que los cuadrados medios esperados se obtienen de la columna de en medio de la tabla 13-1 y se repiten
por conveniencia en la tabla 13-4. Por el examen de los valores P, se concluira que no hay ningn efecto
significativo sobre la pureza debido a los proveedores, pero la pureza de los lotes de materia prima del
mismo proveedor difieren significativamente .
'!I ..
Las implicaciones prcticas de este experimento y del anlisis son muy importantes. El objetivo del
experimentador es encontrar la fuente de la variabilidad en la pureza de la materia prima. Si sta es resul-
tado de las diferencias entre los proveedores, el problema puede resolverse seleccionando al "mejor"
proveedor. Sin embargo, esa solucin no es aplicable aqu porque la principal fuente de variabilidad es la
variacin de la pureza de un lote a otro dentro de los proveedores. Por lo tanto, el problema debe atacarse
trabajando con los proveedores para reducir su variabilidad de un lote a otro. Esto puede implicar modifi-
caciones en los procesos de produccin de los proveedores o en su sistema interno de control de calidad.
Observe lo que habra pasado si se hubiera hecho un anlisis incorrecto de este diseo como un expe-
rimento factorial de dos factores. Si se considera que los lotes estn cruzados con los proveedores, se ob-
tienen los totales de los lotes de 2, -3, -2 Y16, donde cada celda lote x proveedores contiene tres rplicas.
Por lo tanto, puede calcularse una suma de cuadrados debida a los lotes y una suma de cuadrados de in-
teraccin. El anlisis de varianza factorial completo se muestra en la tabla 13-5,suponiendo un modelo mixto.
Este anlisis indica que los lotes difieren significativamente y que hay una interaccin significativa
entre los lotes y los proveedores. Sin embargo, es difcil ofrecer una interpretacin prctica de la interac-
cin lotes x proveedores. Por ejemplo, Zesta interaccin significativa quiere decir que el efecto del pro-
veedor no es constante de un lote a otro? Adems, la interaccin significativa aunada al efecto no
significativo del proveedor podra llevar al analista a concluir que los proveedores en realidad difieren,
pero su efecto est enmascarado por la interaccin significativa.
Tabla13-5 Anlisisde varianzaincorrectodeldiseoanidadode dosetapasdelejemplo13-1comoun diseofactorial

(proveedoresfijos,lotesaleatorios) .
Proveedores (S) 15.06 2 7.53 1.02 0.42
Lotes (B) 25.64 3 8.55 3.24 0.04
InteraccinS x B 44.28 6 7.38 2.80 0.03
Error 63.33 24 2.64
Total 148.31 35
562 . CAPTULO 13 DISEOSANIDADOS Y DE PARCELASSUBDIVIDIDAS
Clculos
Algunos paquetes de software de estadstica realizarn el anlisis de un diseo anidado. En la tabla 13-6
se presenta la salida del procedimiento Balanced ANOVA (anlisis de varianza balanceado) de Minitab
(utilizando el modelo restringido). Los resultados numricos concuerdan con los clculos manuales re-
portados en la tabla 13-4. Minitab tambin reporta los cuadrados medios esperados en la parte inferior de
la tabla 13-6.Recuerde que el smbolo Q[I] es un trmino cuadrtico que representa el efecto fijo de los
proveedores, por lo que en la notacin que se usa aqu,
a
2: t';
Q[1]=~
a-1
Por lo tanto, el trmino del efecto fijo en el cuadrado medio esperado de Minitab para los proveedores
12Q[1]= 12~:~1 r; / =
(3-1) 6l::_1 T;,
resultado que concuerda con el que se presenta en el algoritmo ta-
bular de la tabla 13-4.
En ocasiones no se cuenta con un programa de computadora especializado para analizar diseos ani-
dados. Sin embargo, observe, al comparar las tablas 13-4 y 13-5, que
SSB +SSSXB = 25.64+44.28= 69.92= SSB(S) .
Es decir, la suma de cuadrados de los lotes dentro de los proveedores se compone de la suma de cuadra-
dos de los lotes ms la suma de cuadrados de la interaccin lotes x proveedores. Los grados de libertad
poseen una propiedad similar; es decir,
Lotes Lotes x Proveedores Lotes dentro de los proveedores
--+ = ------_.!:.-_---
369
Por lo tanto, un programa de computadora para analizar diseos factoriales podra usarse tambin para
analizar diseos anidados agrupando el "efecto principal" del factor anidado y las interacciones de ese
factor con el factor bajo el que est anidado.
Tabla 13-6 Salida de Minitab (Balanced ANOVA) [anlisisde varianza balanceado) para el ejemplo 13-1
Anlisis de varianza (diseos balanceados)
Factor Type Leve1s Values

Supplier fixed 3 1 2 3
BatcheSupplier) random 4 1 2 3 4
Analysis of Variance for Purity
Source DF SS MS F P
Supplier 2 15.056 7.528 0.97 0.416
Batch(Supplier) 9 69.917 7.769 2.94 0.017
Error 24 63.333 2.639
Total 35 148.306
Source Variance Error Expected Mean Square for Each Term
component term (usinQ restricted model)
1 Supplier 2 (3) + 3(2) + 12Q[1J
2 Batch(SuppLier) 1.71O 3 (3) + 3(2)
3 Error 2.639 (3)
13~1.2 Verificacin del diagnstico

La herramienta principal para verificar el diagnsticoes el anlisis residual. Para el diseo anidado de
dos etapas, los residuales son
El valor ajustado es
y sise establecen las restriccionesusuales sobre los parmetros del modelo (l:ti = Oy l: j {3j(i) = O, i = 1,
2, "" a), entonces p- = Y...' ' = Yi.. - Y...' y {3j(i) = Yij.- Yi.. Por consiguiente, el valor ajustado es
~
Yijk = Y...
- +(-Y,.. - - )+(-
Y... -)
h- Yi..
=Yij.
Por lo tanto, los residuales del diseo anidado de dos etapas son
(13-9)
donde YIj son los promedios de los lotes individuales.

Las observaciones, los valores ajustados y los residuales para los datos de la pureza del ejemplo
13-1 son:
Valor observado Yijk Valor ajustado Jijk = Yij.

1 0.00 1.00
-1 0.00 -1.00
O 0,00 0.00
-2 -3.00 1.00
-3 -3.00 0.00
-4 -3.00 -1.00
-2 -0.33 -1.67
O -0.33 0.33
1 -0.33 1.33
1 1.67 -0.67
4 1.67 2.33
O 1.67 -1.67
1 -1.33 2.33
-2 -1.33 -0.67
-3 -1.33 -1.67
O 2.00 -2.00
4 2.00 2.00
2 2.00 0.00
-1 -1.00 0.00
O -1.00 1.00
-2 -1.00 -1.00
O 1.67 -1.67
3 1.67 1.33
2 1.67 0.33
2 2.00 0.00
564 CAPTULO 13 DISEOS ANIDADOS Y DE PARCElAS SUBDMDIDAS
Valor observado Yijk Valor ajustado jjjk = Jji

4 2.00 2.00
O 2.00 -2.00
-2 0.00 -2.00
O 0.00 0.00
2 0.00 2.00
1 0.67 0.33
-1 0.67 -1.67
2 0.67 1.33
3 2.00 1.00
2 2.00 0.00
1 2.00 -1.00
Pueden realizarse ahora las verificaciones de diagnstico usuales; incluyendo las grficas de probabilidad
normal, la verificacin de puntos atpicos y la graficacin de los residuales contra los valores ajustados.
Como una ilustracin, en la figura 13-3 se grafcan los residuales contra los valores ajustados y contra los
niveles del factor proveedor.

2

.!l 1
'"
::l
'C
.;
~ o

-3 -2 -1
Valores predichos
a) Grfica de los residuales contra los valores predichos
31- I I I -

21- -

Xl
-
1 1- -
"
'C
'ij

a:0

-1 1- -

-2 1- [ _f
2

3
-
Proveedor
b) Grfica de los residuales contra el proveedor
Figura 133 Grficas de los residuales del ejemplo 13-1.

En la situacin de un problema como el que se describe en el ejemplo 13-1, las grficas de los residua-
les son particularmente tiles debido a la informacin de diagnstico adicional que contienen. Por ejem-
plo, el anlisis de varianza ha indicado que la pureza media de los tres proveedores no difiere pero que
hay una variabilidad estadsticamente significativa de un lote a otro (es decir, a~ > O).Pero, la variabili-
dad dentro de los lotes es la misma para todos los proveedores? Se ha supuesto de hecho que ste es el
caso, y si no es cierto desde luego que nos gustara saberlo, ya que tiene un impacto prctico considerable
sobre la interpretacin de los resultados del experimento. La grfica de los residuales contra los provee-
dores de la figura 13-3b es una manera simple pero eficaz de verificar este supuesto. Puesto que la disper-
sin de los residuales es aproximadamente la misma para los tres proveedores, se concluira que la
variabilidad en la pureza de un lote a otro es aproximadamente la misma para los tres proveedores.
13~1.3 Componentes de la varianza

Para el caso de efectos aleatorios, el mtodo del anlisis de varianza puede usarse para estimar los com-
ponentes de la varianza al, a~ ya;. Por los cuadrados medios esperados de la ltima columna de la tabla
13-1, se obtiene
-MS
{J2 - E (13-10)
(13-11)
s: == MSA -MSB(A)
(13-12)
T bn
En muchas aplicaciones de diseos anidados interviene un modelo mixto, con el efecto principal (A)
fijo Yel factor anidado (E) aleatorio. ste es el caso para el problema descrito en el ejemplo 13-1; los pro-
veedores (factor A) son fijos, y los lotes de materia prima (factor B) son aleatorios. Los efectos de los pro-
veedores pueden estimarse con
-5 13 -28
f 1 = Y1. - -Y.. =- - =
12 36 36
A _ 4 _ 13 -1
T2 = Yz.. - Y.. = 12 - 36 = 36
A _ _ 14 13 29
T3 = Y3 - Y... = 12 - 36 = 36
Para estimar los componentes de la varianza if y o~,se elimina la lnea de la tabla del anlisis de varianza
relativo a los proveedores y se aplica el mtodo de estimacin del anlisis de varianza a las dos lneas si-
guientes. Se obtiene as
y
(J2 =
MS B(A) - MS E
777- 2.64 = 1.71
= .
p n 3
566 CAPTULO 13 DISEOS ANIDADOS Y DE PARCELASSUBDMDIDAS
Etapa 1 Lote 1 ...
Etapa 2
Etapa 3
Figura 13-4 Diseo anidado escalonado de dos etapas.
Estos resultados se muestran tambin en la parte inferior de la salida de Minitab de la tabla 13-6. Por el
anlisis del ejemplo 13-1, se sabe que 1:; no difiere significativamente de cero, mientras que el componente
de la varianza a~ es mayor que cero.
13~ 1.4 Diseos anidados por etapas

Un problema potencial en la aplicacin de los diseos anidados es que en ocasiones para obtener un n-
mero razonable de grados de libertad en el nivel ms alto, puede terminarse con muchos grados de liber-
tad (quiz demasiados) en las etapas inferiores. Para ilustrar, suponga que se estn investigando las
diferencias potenciales en el anlisis qumico entre diferentes lotes de material. Se planea tomar cinco
muestras por lote, y cada muestra se medir dos veces. Si quiere estimarse un componente de la varianza
para los lotes, entonces 10 lotes no sera una eleccin irrazonable. Esto resulta en 9 grados de libertad
para los lotes, 40 grados de libertad para las muestras y 50 grados de libertad para las mediciones.
Una manera de evitar esta situacin es usar un tipo particular de diseo anidado no balanceado lla-
mado diseo anidado por etapas. En la figura 13-4 se muestra un ejemplo de un diseo anidado escalona-
do. Observe que slo se toman dos muestras de cada lote; una de ellas se mide dos veces, mientras que la
otra una sola vez. Si haya lotes, entonces habr a -1grados de libertad para los lotes (o, en general, la eta-
pa superior), y todas las etapas inferiores tendrn exactamente a grados de libertad. Para ms informa-
cin sobre el uso y el anlisis de estos diseos, ver Bainbridge [5], Smith y Beverly [104] YNelson [88a, b,
c], as como el material suplementario del texto de este captulo.
13~2 DISEO ANIDADO GENERALDE m ETAPAS
Los resultados de la seccin 13-1 pueden extenderse fcilmente al caso de m factores completamente ani-
dados. A este diseo se le llamara diseo anidado de m etapas. Como un ejemplo, suponga que una fun-
dicin quiere investigar la dureza de dos formulaciones diferentes de una aleacin de metal. Se preparan
tres hornadas de cada formulacin de la aleacin, se seleccionan dos lingotes al azar de cada hornada
para probarlos, y se hacen dos mediciones de la dureza en cada lingote. La situacin se ilustra en la figura
13-5.
En este experimento, las hornadas estn anidadas bajo los niveles del factor formulacin de la alea-
cin, y los lingotes estn anidados bajo los niveles del factor hornada. Por lo tanto, se trata de un diseo
anidado de tres etapas con dos rplicas.
13-2 DISEO ANIDADO GENERAL DE m ETAPAS 567
Formulacin
de la aleacin
Hornadas
Lingotes
Y,,~, Y'211 Y':/l' Y,311 Y,321

Observaciones
{"'"
Y'112 Yl122 Y,212 .)',222 Y1312 Y'3~2
Figura 13-5 Diseno anidado de tres etapas.
El modelo para el diseo anidado general de tres etapas es

i. :: 1, 2, "" a
] -1, 2, .. " b
(13-13)
{ k = 1, 2, .. " e
1 = 1, 2, .. " n
Para el ejemplo tratado aqu, ti es el efecto de la formulacin de la aleacin i-~ima, f3j(i) es el efecto de la
hornadaj-sima dentro de la aleacin i-sima, Yk(IJ) es el efecto del lingote k-simo dentro de la hornada
Variabilidadde la
formulacin de la aleacin
Variabilidadde una
hornadaa otra
Variabilidadde la
pruabaanalitica
Dureza Dureza
media observada
Figura 13-6 Fuentes de variacin en el ejemplo del diseno anidado de

tres etapas,
568 CAPruLO 13 DISEOS ANIDADOS Y DE PARCELAS SUBDIVIDIDAS
Tabla 13-7 Anlisis de varianza del diseo anidado de tres etapas

Fuente de Grados de Cuadrado
variacin Suma de cuadrados libertad medio
A ~ (-J..__-y-)2
b en.L .... a-1 MSA

B (dentro deA) en (Yij..-Y ....i

i j
a(b-1) MSB(A)
e(dentro de B) n (Yjk-yj ab(e-1) MSC(B)

i j k
Error abcin-1) MSE
Total aben-1
j-sima y la aleacin i-sima, y E(ijk)l es el trmino del error NID(O, cr) usual. La extensin de este modelo a
m factores es directa.
Observe que en el ejemplo anterior la variabilidad global de la dureza const de tres componentes:
uno que result de las formulaciones de las aleaciones, otro que se gener de las hornadas y uno ms que
sali del error de la prueba analtica. Estos componentes de la variabilidad en la dureza global se ilustran
en la figura 13-6.
Este ejemplo demuestra la manera en que se usa frecuentemente el diseo anidado en el anlisis de
procesos para identificar las principales fuentes de variabilidad en la salida. Por ejemplo, si el componen-
te de la varianza de la formulacin de la aleacin es grande, entonces esto implica que la variabilidad glo-
bal de la dureza podra reducirse utilizando nicamente una de las formulaciones de la aleacin.
El clculo de las sumas de cuadrados y el anlisis de varianza del diseo anidado de m etapas son si-
milares al anlisis presentado en la seccin 13-1. Por ejemplo, el anlisis de varianza del diseo anidado
de tres etapas se resume en la tabla 13-7. En esta tabla se muestran tambin las definiciones de las sumas
de cuadrados. Observe que son una extensin simple de las frmulas para el diseo anidado de dos eta-
pas. Muchos paquetes de software de estadstica realizarn los clculos.
Para determinar los estadsticos de prueba apropiados deben encontrarse los cuadrados medios es-
perados empleando los mtodos del captulo 12. Por ejemplo, si los factoresA yB son fijos y el factor e es
aleatorio, entonces los cuadrados medios esperados pueden derivarse como se indica en la tabla 13-8. En
esta tabla se indican los estadsticos de prueba apropiados para esta situacin.
Tabla 13-8 Derivacin de los cuadrados medios esperados para un diseo anidado
e
de tres etapas con A y B fijos y aleatorio
F F R R
a b e n
Factor j k 1 Cuadrado medio esperado
ben T2
T O b e n a2+na2+ '
y a-1
f3 i(i) 1 O e n a2+na2+ en f3~(i)

y a(b-1)
y k(ij) 1 1 1 n a22 +na2r
f'ikl 1 1 1 1 a
13-3 DISEOS CON FACTORES ANIDA!X)S y FACTORIALES 569
13~3 DISEOS CON FACTORES ANIDADOS y FACTORIALES
En experimentos con factores mltiples, algunos factores pueden estar incluidos en un arreglo factorial y
otros estar anidados. En ocasiones a estos diseos se les llama diseos factoriales-anidados. El anlisis
estadstico de un diseo as con tres factores se ilustra en el ejemplo siguiente.
E.JEMPLO 13-2 .
Un ingeniero industrial estudia la insercin manual de componentes electrnicos en tarjetas de circuitos
impresos a fin de mejorar la rapidez de la operacin de ensamblaje. Ha diseado tres dispositivos de en-
samblaje y dos arreglos del sitio de trabajo que parecen prometedores. Se necesitan operadores para rea-
lizar el ensamblaje, y se decide seleccionar aleatoriamente cuatro operadores para cada combinacin
dispositivo-arreglo del sitio de trabajo. Sin embargo, debido a que los sitios de trabajo se encuentran en
diferentes puntos dentro de la planta, es difcil usar los mismos cuatro operadores para cada arreglo del
sitio de trabajo. Por lo tanto, los cuatro operadores escogidos para el arreglo 1 son diferentes de los cuatro
para el arreglo 2. Puesto que slo hay tres dispositivos y dos arreglos del sitio de trabajo, y los operadores
se escogen al azar, se trata de un modelo mixto. Las combinaciones de tratamientos de este diseo se co-
rren en orden aleatorio y se obtienen dos rplicas. Los tiempos de ensamblaje se miden en segundos y se
En este experimento, los operadores estn anidados dentro de los niveles de los arreglos del sitio de
trabajo, mientras que los dispositivos y los arreglos del sitio de trabajo estn incluidos en un factorial. Por
lo tanto, este diseo tiene factores anidados y factoriales. El modelo lineal para este diseo es
i=1,2,3
j= 1 2
(13-14)
k=1:2,3,4
l 1= 1,2
donde t, es el efecto del dispositivo i-simo, f3j es el efecto del arreglo del sitio de trabajo j-simo, Yk(i) es el
efecto del operador k-simo dentro del nvelj-smo del arreglo del sitio de trabajo, (rf3)ij es la interaccin
dispositivo x arreglo del sitio de trabajo, (ry)ik(i) es la interaccin dispositivo x operadores dentro del
arreglo del sitio de trabajo, y E(ijk)l es el trmino del error usual. Observe que no puede existir ninguna in-
teraccin arreglo del sitio de trabajo x operador porque no todos los operadores usan todos los arreglos
del sitio de trabajo. Asimismo, tampoco puede haber ninguna interaccin dispositivo x arreglo del sitio
de trabajo x operador. En la tabla 13-10 se derivan los cuadrados medios esperados utilizando el algo-
ritmo tabular del captulo 12. Esto produce el anlisis de un modelo mixto restringido. El estadstico de
prueba apropiado para cualquier efecto o interaccin puede encontrarse inspeccionando esta tabla.
Tabla 13-9 Datos del tiempo de ensamblaje del ejemplo 13-2

Arreglo 1 Arreglo 2
Operador 1 2 3 4 1 2 3 4 Yi..
Dispositivos 1 22 23 28 25 26 27 28 24 404
24 24 29 23 28 25 25 23
Dispositivos 2 30 29 30 27 29 30 24 28 447
27 28 32 25 28 27 23 30
Dispositivos 3 25 24 27 26 27 26 24 28 401
21 22 25 23 25 24 27 27
Totales de los operadores, Y.jlc. 149 150 171 149 163 159 151 160
'Iotales de los arreglos, Y.. 619 633 1252 = y...
570 CAPTULo 13 DISEOSANIDADOS Y DE PARCELASSUBDIVIDIDAS
Tabla 13-10 Derivacin del cuadrado medio esperado del ejemplo 13-2
F F R R
3 2 4 2
Factor j k 1 Cuadrado medio esperado
T O 2 4 2 a2 + 2a'Y2 + 8~ T2
f3i 3 O 4 2 a2 + 6<1: + 24 f3~
y kU) 3 1 1 2 a2+ 6<1:
( rf3)j O O 4 2 a2 + 2a;. + 4 (Tf3)~
(ry)k(j) O 1 1 2 a2+ 2a~
Eal 1 1 1 1 a2
En la tabla 13-U se muestra el anlisis de varianza completo. Se observa que los dispositivos de en-
samblaje son significativos y que los operadores dentro de los arreglos del sitio de trabajo tambin difie-
ren significativamente. Est presente tambin una interaccin significativa entre los dispositivos y los
operadores dentro de los arreglos del sitio de trabajo, indicando que los efectos de los diferentes disposi-
tivos no son los mismos para todos los operadores. Los arreglos del sitio de trabajo parecen tener un efec-
to reducido sobre el tiempo de ensamblaje. Por lo tanto, para minimizar el tiempo de ensamblaje, la
atencin debera centrarse en los dispositivos tipo 1 y 3. (Observe que los totales de los dispositivos de la
tabla 13-9 son menores para los tipos 1y 3 que para el tipo 2. Esta diferencia en las medias del tipo de dis-
positivo podra probarse formalmente utilizando comparaciones mltiples.) Adems, la interaccin entre
los operadores y los dispositivos implica que algunos operadores son ms eficientes que otros al utilizar
los mismos dispositivos. Quizs estos efectos operador-dispositivo podran aislarse y los operadores cuyo
desempeo es menos eficiente podran mejorar impartindoles capacitacin adicional.
Clculos
Hay varios paquetes de software de estadstica que analizan con facilidad diseos factoriales-anidados,
incluyendo Minitab y SAS. En la tabla 13-12 se presenta la salida de Minitab (Balanced ANOVA, anlisis
de varianza balanceado), suponiendo la forma restringida del modelo mixto, para el ejemplo 13-2. Los
cuadrados medios esperados de la parte inferior de la tabla 13-12 concuerdan con los que se derivaron
con el mtodo tabular de la tabla 13-10. Q[l J, Q[3J y Q[4J son los efectos del factor fijo para los arreglos
del sitio de trabajo, los dispositivos, y la interaccin arreglo del sitio de trabajo X dispositivo, respectiva-
mente. Las estimaciones de los componentes de la varianza son:
Operador (arreglo): a~ = 1.609
Dispositivo x operador (arreglo): a~ = 1.576
Error: o? = 2.333
Tabla 13-11 Anlisis de varianza del ejemplo 13-2
Fuente de variacin cuadrados libertad medio Fo Valor P
Dispositivos (F) 82.80 2 41.40 7.54 0.01
Arreglos (L) 4.08 1 4.09 0.34 0.58
Operadores (dentro de los arreglos), O (L) 71.91 6 11.99 5.15 <0.01
FL 19.04 2 9.52 1.73 0.22
FO(L) 65.84 12 5.49 2.36 0.04
Error 56.00 24 2.33
Thtal 299.67 47
.s::.
u
111
""e..
O"""
o.. ... NOOOO-O
..........
"
.
0000
II"IOONO
00000
...'" "'C
c....on
IIIE.-
::::J '-'
tJ' 'C al
II)"~
....
-4'-4'II"I~1I"I "'N
"''''11''1'''''' e u
111'" + + +
OIl\,... ... N CU c....
E .....
""'-Jll""lt.",.."
111N N U'\II\ 11\
""Ccu"'-"'''''''''''''''''''''-''
,.,,., 11),.,-0-0 ... -0,.,
EOOOOO-NOO,.,
"e..-O-ONNN
....
00-,.,11"1-4'"" Utll+++++
" C
CL-,.. """", ",","" """'"
1<111-0-0-0-0-0-0
w:t'V""'v'_''''''''_'''
NNN
CU .... o-
uc o
CCU -o
IIIC
1,.. o ~ "'N
e..a,
" .......
-ONNN~ .... lilE
"
> ...~
E Q "'N-4' >0
u ......
....
"
..J
c.. ......
::::J
"'CE"CII
a,,,0,,
...... ....
::::J
>.
tU
>. 1< 'C 1<
~ .... c:.,..
......10 ..... "
u
10>. ......
..J
.....
e..
e.. C _, ... o
......
.... .~
10
",....
v
'-
::::J
o
CU ....
'-tU
::::J '- .... >. ::::J'-
>10. >
10
>. '-as::::J'-
::::J " .... as
..J
.... "
I<a,
""'" ',..0
c.... ...
...1
OJ

...... 10"'''
..J
......, xa,
,,~O O" "
........c.... '"
e.. m e.. ... ::::J10 ::::J::::J::::J'"
0" .... O., " 0'- ....0 ... 0
e.......... e.. m " ....... "' e.. ....
::::J10 ::::J >. U::::JIV:;:J:I:lc..
....Oe.. .... .... e..O 110. .... 0 ... O 111
"
u
lo.
>.CUI<>.I<c....
.,a.
...10
tU .. c..
...1........,
:1>..,1<>.1<'- ...
U>'''I<
10 as 0. ...
"..JO'"
as
e
ce
as a,
11)..10
IV'" c.. o
...1... "" ...
::::J
O
11)
....
N,.,-4'In-O
571
E
'-
011
~
...
oC:
w'" .........,-<t
'---' ...
0011 ....
....-cw
D.. .... ,... 00 00-0 Oa
CO ....O ....,..,
II'\.....
ONO
011 E
'- + ....,
o "'-C .."........,
-o 00000 ::1011 ..........
05b C' .... NN,..,..".
t.n u .......
.._,
o .....".COII'\-<ttn
L..I L..l
''''-0-0 as CS
,..,....In,...,..,
...'" r:: '-
"'.... ++++
8o ON,... ....N
E
011 111
cu"",.....,....,....~
'-tnlnlnll'\tn
~o -e .c:'-'~'-""'-'
E ,..,..,., (1),..,-0-0 ....-0,..,
E 00 00 O,,",..CO ..,.,
CLI ::INNNNN
.......
O) 00.,..,11'\"""" tIl+++++
.g 41 r::
~ .... ..,.
-<t........
0'''''\ N Q..r-""'''''''""'''''''_'~'-''
)(111-0-0-0-0-0-0
N
'" W:::::J....,,,
._,
............,-..;,,,.,
'B::l NNN
'-
,..,
";"
,...;
(1),..,I'-'N N"" O ,...
O E
'-'-NInIl'\In-O
(1)00 ....0...,...,.,0-0 '-41
O 111 00.,...0000-0 101 .....
} CU~~~
:1 ..".....NO'In-OO- 41 .... ,.., ,.....,.,
-O..,.,
... c:
'"
0" 111
""00 .....>0..,...0-
N c: 41
00
O 11'\..,.,
O) > ca e
-o .... O .- N
'- o.
~
~
....IIIN-<t..,., 41 .......-ONNN...,.I'-
'" O... E
::E
Qj
> ....e .:. .... N..,. > .....
....
~o
Qj ~
'"
-o _
'- ..... ::::1
o
"O
011"0 E-C O ..... )o.
~ '"g 0.0110111 .... ::::1 ca

>- >< -c Jo( O ...J
..........c:.,.. Qj >-
~
-o
'"
ca
.c .... '-"' .... o
e
111
...J
.....
.... '-
O
'" o'" ca ._.
;;J ,Q .....
.... .... .....
.... '-
::::1
O
IV ....
'"
'"
C;
O)
t/] '- o >- '-
::::1'-
co :a ::1 ca ::::1 IV .... lO .... IV
co '-" O
>-
:> O
>- '- '-'" ...J
......
)(0.
......
'" :j '" .... ::::1 ...0
' oc'"'"
~
;>
._,
ca
...J
'-
O
....111
ca
...J
.....
...
.... IV
)(0.
......
...0
'-
.......o '- .... IV'- 41 ...
:J lO ::::1 ::::1 ::::1 '-

~
....
\
O)
'O '- ........o 011
'- (/1 IV .......O '-IV'"....... 41
Cb
...
0'-
)0.011)(>.><
....0 ....O
'-
:: o~ 0::::1 '" ::::J >- u ::::1 ::::1 ::::1 '- ....
'-0'- :::1 '" .... 0 .... O ro
111 0..,.. "' .......
o~
:;
.... 0 .......
u >.011)(
--'
::::J>'Qj)(>'X '- .... '-
::::1
...JO"-...J"'w
111'" 0..... '"c: O 111 0. ....."' ....... O o ....N,..,..,.LI'\"O
~ ~ "-...JO"" < II)...JO .... ...J... w~ (1)
572
1H DISEO DE PARCELAS SUBDIVIDIDAS 573
En la tabla 13-13 se presenta el anlisis de Minitab del ejemplo 13-2 utilizando la forma no restringida
del modelo mixto. Los cuadrados medios esperados de la parte inferior de esta tabla son ligeramente di-
ferentes de los que se reportaron para el modelo restringido y, por lo tanto, la construccin de los estads-
ticos de prueba ser ligeramente diferente para el factor operadores (arreglo). Especficamente, el
denominador del cociente F de los operadores (arreglo) es la interaccin dispositivos x operadores
(arreglo) del modelo restringido (12 grados de libertad para el error), y es la interaccin arreglo x dispo-
sitivos en el modelo no restringido (2 grados de libertad para el error). Puesto que MSaneglo x dispositivos>
MSdispOSitivosx operador(arreglo)'Ytiene menos grados de libertad, se encuentra ahora que el operador dentro del
efecto del arreglo slo es significativo en el nivel aproximado de 12% (el valor P fue 0.002 en el anlisis del
modelo restringido). Adems, la estimacin del componente de la varianza a~= 1.083 es menor. Sin em-
bargo, puesto que est presente un efecto grande de los dispositivos y una interaccin dispositivos x ope-
rador (arreglo) significativa, seguira sospechndose que existe un efecto del operador y, por lo tanto, las
conclusiones prcticas de este experimento no son afectadas mucho por elegir la forma restringida o la no
restringida del modelo mixto. Las cantidades Q[1, 4] YQ[3, 4] son trminos cuadrticos del tipo fijo que
contienen el efecto de interaccin arreglos x dispositivos.
Si no se cuenta con un paquete de software especializado como SAS o Minitab, entonces puede usar-
se un programa para analizar experimentos factoriales con factores anidados y factoriales. As, el experi-
mento del ejemplo 13-2 podra considerarse como un factorial de tres factores, con los dispositivos (F),
los operadores (O) Ylos arreglos (L) como los factores. Entonces se agruparan ciertas sumas de cuadra-
dos y ciertos grados de libertad para formar las cantidades apropiadas requeridas para el diseo con los
factores anidados y factoriales de la siguiente manera:
Anlisis factorial Anlisis factorial-anidado

Grados de Grados de
Suma de cuadrados libertad Suma de cuadrados libertad
SSF 2 2
SSL 1 1
SSFL 2 2
SSo 3
SSLO 3
SSOIL) = SSo + SSw 6
SSFO 6 12
SSFOL 6
SSE 24 24
SSr 47 47
13~4 DISEO DE PARCELASSUBDIVIDIDAS
En algunos experimentos factoriales con factores mltiples quiz no sea posible la aleatorizacin comple-
ta del orden de las corridas. Esto suele resultar en una generalizacin del diseo factorial llamada diseo
de parcelas subdivididas.
Como un ejemplo, considere un fabricante de papel que est interesado en tres mtodos diferentes
para preparar la pulpa y cuatro temperaturas de coccin diferentes de la pulpa y que desea estudiar el
efecto de estos dos factores sobre la resistencia a la tensin del papel. Cada rplica de un experimento fac-
torial requiere 12 observaciones, y el experimentador ha decidido correr tres rplicas. Sin embargo, la ca-
574 CAPfTIJLO 13 DISEOS ANIDADOS Y DE PARCELAS SUBDMDIDAS
pacidad de la planta piloto slo permite realizar 12 corridas por da, por lo que el experimentador decide
correr una rplica en cada uno de tres das y considerar los das o las rplicas como bloques. En un da lle-
va a cabo el experimento de la siguiente manera. Se produce un lote de pulpa con uno de los tres mtodos
bajo estudio. Despus este lote se divide en cuatro muestras, y la coccin de cada muestra se hace con una
de las cuatro temperaturas. Entonces se produce un segundo lote de pulpa utilizando otro de los tres m-
todos. Este segundo lote tambin se divide en cuatro muestras que se prueban con las cuatro temperatu-
ras. Despus se repite el proceso, utilizando un lote de pulpa producido por el tercer mtodo. Los datos se
Iniciahnente, esto podra considerarse un experimento factorial con tres niveles del mtodo de pre-
paracin (factor A) y cuatro niveles de la temperatura (factor B) en un bloque aleatorizado. Si ste fuera
el caso, entonces el orden de experimentacin dentro de cada rplica o bloque debera ser completamen-
te aleatorizado. Es decir, dentro de un bloque debera seleccionarse aleatoriamente una combinacin de
tratamientos (un mtodo de preparacin y una temperatura) y obtener una observacin, despus debera
seleccionarse aleatoriamente otra combinacin de tratamientos y obtener una segunda observacin, y as
sucesivamente hasta que se hayan tomado las 12 observaciones en el bloque. Sin embargo, el experimen-
tador no recab los datos de esta manera. l hizo un lote de pulpa y obtuvo observaciones para las cuatro
temperaturas de ese lote. Debido a la economa para preparar los lotes y al tamao de los lotes, sta es la
nica manera factible de correr este experimento. Un experimento factorial completamente aleatorizado
requerira 36 lotes de pulpa, lo cual es totalmente irrealista. El diseo de parcelas subdivididas requiere
slo tres lotes de pulpa por bloque (rplica), en este caso 9 lotes en total. Evidentemente, el diseo de par-
celas subdivididas ha dado como resultado una eficiencia experimental considerable.
El diseo utilizado en el ejemplo de la pulpa es de parcelas subdivididas. Cada rplica o bloque del di-
seo de parcelas subdivididas se divide en tres partes llamadas parcelas completas, y a los mtodos de
preparacin se les llama tratamientos principales o de parcelas completas. Cada parcela completa se di-
vide en cuatro partes llamadas subparcelas (o parcelas subdivididas), y se asigna una temperatura a cada
una de ellas. A la temperatura se le llama el tratamiento de la subparcela. Observe que si estn presentes
otros factores no controlados o fuera del diseo, y si estos factores no controlados varan cuando los m-
todos para preparar la pulpa se modifican, entonces cualquier efecto de los factores fuera del diseo so-
bre la respuesta estar completamente confundido (o mezclado) con el efecto de los mtodos para
preparar la pulpa. Puesto que los tratamientos de las parcelas completas de un diseo de parcelas subdivi-
didas estn confundidos con las parcelas completas y los tratamientos de las subparcelas no estn confun-
didos, es mejor asignar el factor en el que haya mayor inters a las subparcelas, de ser posible.
Este ejemplo es bastante tpico de la forma en que se usan los diseos de parcelas subdivididas en un
ambiente industrial. Observe que, en esencia, los dos factores "se aplicaron" en tiempos diferentes. Por
consiguiente, un diseo de parcelas subdivididas puede considerarse como dos experimentos "combina-
Tabla 13-14 El experimento de la resistencia a la tensin del papel

Rplica (o Rplica (o Rplica (o
Mtodo de preparacin bloque) 1 bloque) 2 bloque) 3
de la pulpa 1 2 3 1 2 3 1 2 3
Temperatura rF)
200 30 34 29 28 31 31 31 35 32
225 35 41 26 32 36 30 37 40 34
250 37 ,38 33 40 42 32 41 39 39
275 36 42 36 41 40 40 40 44 45
13-4 DISEO DE PARCELAS SUBDIVIDIDAS 575
dos" o superpuestos entre s. Un "experimento" tiene el factor parcela completa aplicado a las unidades
experimentales grandes (o es un factor cuyos niveles son difciles de cambiar) y el otro "experimento" tie-
ne el factor subparcela aplicado a las unidades experimentales ms pequeas (o es un factor cuyos niveles
son fciles de cambiar).
El modelo lineal para el diseo de parcelas subdivididas es
(13-15)
donde f,{3j Y(f{3)IJ representan la parcela completa y corresponden respectivamente a los bloques (o rpli-
cas), a los tratamientos principales (factor A) Yal error de la parcela completa [rplicas (o bloques) x A);
YY (r:r)ik, (/3r)jk y (r:fJr)jjk representan la subparcela y corresponden respectivamente al tratamiento de la
subparcela (factor B), las rplicas (o bloques) x B y las interaccionesAB, y al error de la subparcela (blo-
ques x AB). Observe que el error de la parcela completa es la interaccin rplicas (o bloques) x A y que
el error de la subparcela es la interaccin de tres factores bloques x AB. Las sumas de cuadrados para es-
tos factores se calculan como en el anlisis de varianza de tres factores sin rplicas.
Los cuadrados medios esperados del diseo de parcelas subdivididas, con las rplicas o bloques alea-
torios y los tratamientos principales y los tratamientos de subparcelas fijas, se derivan en la tabla 13-15.
Observe que el factor principal (A) de la parcela completa se prueba contra el error de la parcela comple-
ta, mientras que el subtratamiento (B) se prueba contra la interaccin rplicas (o bloques) x subtrata-
mientas. La interaccinAB se prueba contra el error de la subparcela. Observe que no hay pruebas para
el efecto de la rplica (o bloque) (A) o la interaccin rplica (o bloque) x subtratamiento (AC).
El anlisis de varianza de los datos de la resistencia a la tensin de la tabla 13-14 se resume en la tabla
13-16. Puesto que tanto los mtodos de preparacin como las temperaturas son fijos y las rplicas son
aleatorias, son aplicables los cuadrados medios esperados de la tabla 13-15. El cuadrado medio de los
mtodos de preparacin se compara con el cuadrado medio del error de la parcela completa, y el cuadra-
Tabla 1315 Derivacin del cuadrado medio esperado del diseo de parcelas subdivididas
T a b 1
R F F R
Factor j k h Cuadrado medio esperado
1 a b 1 02 + abo:
1"1
b 1 02+002+
r rb L p2
Parcela completa Pi T O
q a-l
J
(rp)1j 1 O b 1 02+002
"k r a O 1
2 2
o +ao'l)'+ (b -1)
,,
ra
(t')')ik 1 a O 1 02+a02
Subparcela
(ftr)t r O O 1
2 2'1)' r LL(frr)~k
cr +oqy+ (a-l)(b-l)
(rfrr)jjk 1 O O 1 02+02
E ijk 1 1 1 1 02 (no~stimable)
578 CAPTULO 13 DISEOSANIDADOS Y DE PARCELASSUBDIVIDIDAS
subtratamiento. Esta situacin tambin es similar a un submuestreo, como lo describe Ostle [92]. Supo-
niendo que A y B son fijos, los cuadrados medios esperados en este caso son
bn_L 1"2
E(MS A
)=O'29+na2+.; a-l '
an p:
E(MS B )= . 0'28 +nO'.;2 + b-1 J
n:: (1"P)~
E(MSAB)= a; +lla! + (a-l)(b-1)
E(MSE)= a; (13-18)
Por lo tanto, no hay pruebas para los efectos principales a menos que la interaccin sea insignificante. La
situacin es exactamente la de un anlisis de varianza de dos factores con una observacin por celda. Si
los dos factores son aleatorios, entonces los efectos principales pueden probarse contra la interaccinAB.
Si slo uno de los factores es aleatorio, entonces el factor fijo puede probarse contra la interaccinAB.
En general, si se analiza un diseo factorial y todos los efectos principales y las interacciones son sig-
nificativos, entonces deber examinarse con atencin cmo se realiz realmente el experimento. Puede
haber restricciones sobre la aleatorizacin en el modelo que no se tomaron en cuenta en el anlisis y, por
consiguiente, los datos no debern analizarse como un factorial. .
13..5 OTRAS VARIANTES DEL DISEO DE PARCELASSUBDIVIDIDAS
13 ..5.1 Diseo de parcelas subdivididas con ms de dos factores

En ocasiones se encuentra que la parcela completa o la subparcela contendrn dos o ms factores, dis-
puestos en una estructura factorial. Como un ejemplo, considere un experimento conducido en un horno
para hacer crecer un xido en una oblea de silicio. Las variables de respuesta de inters son el espesor de
la capa de xido y la uniformidad de la capa. Hay cuatro factores del diseo: la temperatura (A), el flujo
de gas (B), el tiempo (C) y la posicin de la oblea en el horno (D). El experimentador planea correr un di-
seo factorial 24 con dos rplicas (32 ensayos). Ahora bien, los factores A y B (la temperatura y el flujo de
gas) son difciles de cambiar, mientras que C yD (el tiempo y la posicin de la oblea) son fciles de modifi-
car. Esto lleva al diseo de parcelas subdivididas que se muestra en la figura 13-7. Observe que las dos r-
plicas del experimento estn subdivididas en cuatro parcelas completas, cada una de las cuales contiene
tina combinacin de los ajustes de la temperatura y el flujo de gas. Una vez que se eligen estos niveles,
cada parcela completa se subdivide en cuatro subparcelas, y se realiza un diseo factorial 22 en los facto-
res tiempo y posicin de la oblea, donde las combinaciones de tratamientos de la subparcela se prueban
en orden aleatorio. nicamente se hacen cuatro cambios de la temperatura y del flujo de gas en cada r-
plica, mientras que los niveles del tiempo y la posicin de la oblea estn completamente aleatorizados.
Un modelo para este experimento, consistente con la ecuacin 13-16, es
YljkJm= u+t +p +Yk +(PY)jk +8ijk +151 +Am +(dA)1m
+(pd)JI +(,8A)m +(yd)/d +(dA)1m +(f3yd)j/d +(PYA)km
i=1'2
i= 1,2
k=I,2 (13-19)
{ 1= 1, 2
m=I,2
13-5 OTRAS VARIANTES DEL DISEO DE PARCELAS SUBDIVIDIDAS 579
Bloque 1 Bloque 2
Pllrcela A~ n n ~ n ~ ~ n
completa
BU ~ U L:J ~ ~ U L:J
1 ! 1 1 ! 1 1 1
c~D~D~D~DDD~DD
Subparcala
- +- +- +- +- +- +- +- +
D D D D D D D D
Figura 13-7 Diseo de parcelas subdivididascon cuatro factores del diseo, dos en la parcela completa y dos
en la subparcela.
donde ti representa el efecto de la rplica, {Jj y Yk los efectos principales de la parcela completa, (Jjk es el
error de la parcela completa, 01 y A.m representan los efectos principales de la subparcela y Eijklm es el error
de la subparcela. Se han incluido todas las interacciones entre los cuatro factores del diseo. En la tabla
1317 se presenta el anlisis de varianza de este diseo, suponiendo que las rplicas son aleatorias y que
todos los factores del diseo son efectos fijos. En esta tabla, a; ya;
representan las varianzas de los erro-
res de la parcela completa y de la subparcela, respectivamente, a~ es la varianza de los efectos de los blo-
Tabla 13-17 Anlisis abreviado de un diseo de parcelas subdivididascon los factores A y B en las parcelas completas
y los factores e y D en las subparcelas (referirsea la figura 13-7)
variacin cuadrados libertad Cuadrado medio esperado
Rplicas ('rl) 1 u; + 16a~
A (/Ji) 1 a;+8a~+A
B (Yk) SSB 1 U;+ 8a~+B
AB SSAB 1 u;+ 8a~+AB
Error de la parcela completa (8ijk) ss.; 3 a~+ 8a~
C(d,) SSc 1 a;+C
D (Am) SSD 1 a;+D
CD SSCD 1 a;+CD
AC SSAC 1 a;+AC
BC SSBC 1 a;+BC
AD SSAD 1 u;+AD
BD SSBD 1 a;+BD
ABC SSABC 1 a;+ABC
ABD SSABD 1 U;+ABD
ACD SSACD 1 a;+ACD
BCD SSBCD 1 a;+BCD
ABCD SSABCD 1 a;+ABCD
Error de la subparcela (Eij/dm) SSsP 12
lbtal SST 31
580 CAPTULO 13 DISEOSANIDADOS Y DE PARCELASSUBDIVIDIDAS
ques, y (para simplificar) se han usado letras maysculas latinas para denotar los efectos de tipo fijo. Los
efectos principales y la interaccin de la parcela completa se prueban contra el error de la parcela com-
pleta, mientras que los factores de la subparcela y todas las dems interacciones se prueban contra el
error de la subparcela. Si algunos de los factores del diseo son aleatorios, los estadsticos de prueba se-
rn diferentes. En algunos casos no habr ninguna prueba F exacta y deber usarse el procedimiento de
Satterthwaite (descrito en el captulo 12).
Los experimentos factoriales con tres o ms factores en una estructura de parcelas subdivididas tien-
den a ser experimentos bastante grandes. Por otra parte, la estructura de parcelas subdivididas con fre-
cuencia facilita la realizacin de un experimento grande. Por ejemplo, en el caso del horno de oxidacin,
los experimentadores slo tienen que cambiar ocho veces los factores que son difciles de modificar (A y
B), por 10 que quiz un experimento de 32 corridas no sea demasiado ilgico. Es posible reducir el nme-
ro de corridas utilizando un factorial fraccionado para los factores del diseo de inters.
13~5.2 Diseo de parcelas con doble subdivisin

El concepto de diseos de parcelas subdivididas puede extenderse a situaciones en las que pueden ocurrir
restricciones sobre la aleatorizacin en cualquier nmero de niveles dentro del experimento. Si hay dos
niveles de restricciones sobre la aleatorizacin, al arreglo se le llama diseo de parcelas con doble subdi-
visin. En el ejemplo siguiente se ilustra este diseo.
EJEMPLO 13",3 .
Un investigador estudia los tiempos de absorcin de un tipo particular de cpsula de antibitico. Hay tres
tcnicos, tres concentraciones de la dosis y cuatro espesores de la pared de la cpsula. Cada rplica de un
experimento factorial requerira 36 observaciones. El experimentador se ha decidido por cuatro rplicas,
y es necesario correr cada rplica en un da diferente. Observe que los das pueden considerarse como
bloques. Dentro de una rplica (o un bloque) (da), el experimento se realiza asignando una unidad de
antibitico a un tcnico que lleva a cabo el experimento con las tres concentraciones de la dosis y los cua-
tro espesores de la pared. Una vez que se ha formulado una concentracin particular de la dosis, se prue-
ban los cuatro espesores de la pared con esa concentracin. Despus se selecciona otra concentracin de
la dosis y se prueban los cuatro espesores de la pared. Por ltimo se prueba la tercera concentracin de la
dosis y los cuatro espesores de la pared. Mientras tanto, otros dos tcnicos del laboratorio tambin siguen
el mismo plan, empezando cada uno con una unidad de antibitico.
Observe que hay dos restricciones sobre la aleatorizacin dentro de cada rplica (o bloque): el tcni-
co y la concentracin de la dosis. Las parcelas completas corresponden al tcnico. El orden en que se asig-
nan los tcnicos a las unidades de antibitico se determina aleatoriamente. Las concentraciones de la
dosis forman tres subparcelas. La concentracin de la dosis puede asignarse aleatoriamente a una subpar-
cela; Por ltimo, dentro de una concentracin particular de la dosis se prueban los cuatro espesores de la
pared de la cpsula de manera aleatoria, formando cuatro sub-subparcelas. A los espesores de la pared
suele llamrseles sub-subtratamientos. Puesto que hay dos restricciones sobre la aleatorizacin en el ex-
perimento (algunos autores dicen que hay dos "divisiones" en el diseo), al diseo se le llama diseo de
parcelas con doble subdivisin. En la figura 138 se ilustran las restricciones sobre la aleatorizacin y el
arreglo experimental de este diseo.
iIII l1li ,. iII
Espesor de la pared
1
Antibitico
asignado a 2
un tcnico
Primera Segunda 3
restriccin restriccin
sobre la sobre la
aleatorizacin aleatorizacin Orden
aleatorio
4
Tcnico
2 3
Concentracin
Bloques de la dosis 2 3 2 3 2 3
1 1 1 1
Espasor de 2 2 2 2
la pared
2 2 2 2 2
3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4
1 1 1 1
Espasorde 2 2 2 2 2 2 2 2 2
2 la pared 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4
1 1 1 1
Espesor de 2 2 2 2 2 2 2 2 2
3 la pared
3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4
1 1 1
Espesor de 2 2 2 2 2 2 2 2 2
4 la pared
3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4
Figura 13-8 Diseo de parcelas con doble subdivisin.
Un modelo estadstico lineal para el diseo de parcelas con doble subdivisin es

Yijkh = u+t , +f3j +(r:f3)ij +Yk +(ry)i/c +({3Y)jk +(r:f3Y)ijk
+Oh +(r:o), +(f30)jh
+(r:(30)ijh +(YO)kh +(ryO)ikh +({3yo) jkh
i. :: 1, 2, , r
j ] -1, 2,
k = 1, 2,
h= 1, 2,
,
,
,
a
b
e
(13-20)
donde r:i, {3} Y(r:f3)ij representan la parcela completa y corresponden a las rplicas o bloques, a los trata-
mientos principales (factor A) y al error de la parcela completa [rplicas(o bloques) x A)J, respectiva-
------------------------ ---
582 CAPTULO 13 DISEOS ANIDADOS y DE PARCELAS SUBDIVIDIDAS
mente; y Yk, (ryh, (/3Y)jk y (rf3Y)jk representan la subparcela y corresponden al tratamiento de la

subparcela (factor B), las interacciones de rplicas (o bloques) x B yAB, Yal error de la subparcela, res-
pectivamente; y dh Ylos parmetros restantes corresponden a la sub-subparcela y representan, respectiva-
mente, al tratamiento de la sub-subparcela (factor C) ya las interacciones restantes. A la interaccin de
cuatro factores (rf3yd)ijkh se le llama el error de la sub-subparcela.
Suponiendo que las rplicas (bloques) son aleatorias y que los dems factores del diseo son fijos,
pueden derivarse los cuadrados medios esperados como se muestra en la tabla 13-18.Las pruebas de los
tratamientos principales, los subtratamientos, los sub-subtratamientos y sus interacciones son obvias al
inspeccionar esta tabla. Observe que no existen pruebas para las rplicas o bloques ni para las interaccio-
nes en las que intervienen rplicas o bloques.
El anlisis estadstico de un diseo de parcelas con doble subdivisin es como el de una sola rplica de
un factorial de cuatro factores. El nmero de grados de libertad de cada prueba se determina de la mane-
ra usual. Para ilustrar, en el ejemplo 13-3,donde se manejaron cuatro rplicas, tres tcnicos, tres concen-
traciones de la dosis y cuatro espesores de la pared, se tendran slo (r -l)(a -1) = (4 -1)(3 -1) = 6
grados de libertad del error de la parcela completa para probar a los tcnicos. Se trata de un nmero rela-
tivamente pequeo de grados de libertad, y el experimentador podra considerar el uso de rplicas adicio-
Tabla 13-18 Derivacin del cuadrado medio esperado para el diseo de parcelas con doble subdivisin
r a b e 1
R F F F R
Factor j k h 1 Cuadrado medio esperado
r 1 a b e 1 a~+abeda2
Parcela completa Pi r O b e 1 a~+a2 +

2:
rlJC p2
J
r(J (a-1)
(r:fJ)ij 1 O b e 1 a2+bea;
Yk r a O e 1 a2+aea2 +
rae L y~
ry (b-l)
(ry)/k 1 a O e 1 a2+aea2
Subparcela
(fJY)jk r O O e 1
2 2 ry re LL(fJY)~h
a +eaT/I,..+(a-l)(b-l)
(r:fJYh 1 O O e 1 a2+w;fJr
h r a b O 1 a2+aba2 +
rab L Z
..., (e-l)
(r:)h 1 a b O 1 a2+aba~<l
(fJ)ih r O b O 1
2 2 rb LL (fJ)~h
a +barll<l+ (a-l)(e-l)
(-rPd)jih 1 O b O 1 a2+ bo:r{J<l
Sub-subparcela (yd)kh r a O O 1
2 2 ra LL
(yd)~
a +aary<l+ (b-l)(c-l)
(ry)ikh 1 a O O 1 a2+aa2
(fJY)ikh r O O O 1
2 2 ry<l r LLL(fJY)~k
a +at{Jr<l+ (b-l)(e-l)
(rfJy)ikh 1 O O O 1 o' + ar{Jr<l
2
e(jikh) 1 1 1 1 1 a2 (no estimable)

Parcelas completas ~
Aa A, Az
B, A:rB, A,B, A:zB,
Parcelas
B3 A:rB3 A,B] A:zB3 en franjas
..-
A:rBz A,B2 AzB2
Figura 139 Una rplica (bloque) de un d-

seo de parcelas subdivididasen franjas.
nales para incrementar la precisin de la prueba. Si haya rplicas, se tendrn 2(r - 1) grados de libertad
para el error de la parcela completa. Por lo tanto, cinco rplicas producirn 2(5 -1) = 8 grados de liber-
tad, seis rplicas producirn 2(6 - 1) = 10 grados de libertad, siete rplicas producirn 2(7 - 1) = 12 gra-
dos de libertad, etctera. Por consiguiente, es probable que el experimentador no quiera correr menos de
cuatro rplicas, ya que se produciran as slo cuatro grados de libertad. Cada rplica adicional permite
ganar dos grados de libertad para el error. Si se cuenta con recursos para correr cinco rplicas, lapreci-
sin de la prueba podra incrementarse en un tercio (de seis a ocho grados de libertad). Adems, al pasar
de cinco a seis rplicas, hay 25% de ganancia adicional en la precisin. Si los recursos lo permiten, el expe-
rimentador deber correr cinco o seis rplicas.
13..5.3 Diseo de parcelas subdivididas en franjas
El diseo de parcelas subdivididas en franjas ha tenido una amplia aplicacin en las ciencias agrcolas,
pero slo ocasionalmente encuentra un uso en la experimentacin industrial. En el caso ms simple, se
tienen dos factores A y B. El factor A se aplica a las parcelas completas como en el diseo de parcelas sub-
divididas estndar. Despus el factor B se aplica a franjas (que son en realidad slo otro conjunto de par-
Tabla 13.19 Anlisis de varianza abreviado de un diseo de parcelas subdivididasen franjas

variacin cuadrados libertad Cuadrado medio esperado
Rplicas (o bloques) SSRtPIi<a5 r-1
A SS_.( a-l
Error, de la parcela completa SSwp_.( (r-1)(a -1) a~+ ba;p
B SSB b-l
2 2 ra
a.+aa'l'+ b-l
2: y
Error, de la parcela completa SSWPB (r-1)(b-1) a2 + ao:'l'
t
AB SS_'(B (a-l)(b-l)
2 r2:2: (Tf3)~k
0',+ (a-l)(b-l)
Error de la subparcela SSsP (r-l)(a-l)(b-l)
Total SST rab-1
584 CAPTULO 13 DISEOS ANIDADOS YDE PARCELASSUBDIVIDIDAS
celas completas) que son ortogonales a las parcelas completas originales utilizadas para el factor A. En la
figura 13-9 se ilustra una situacin en la que los dos factores A y B tienen tres niveles. Observe que los ni-
veles del factor A estn confundidos (o mezclados) con las parcelas completas, y que los niveles del factor
B estn confundidos con las franjas (las cuales pueden considerarse como un segundo conjunto de parce-
las completas).
Un modelo para el diseo de parcelas subdivididas en franjas de la figura 13-9, suponiendo y rplicas,
a niveles del factor A y b niveles del factor B, es
i. : 1, 2, ,r
} -1, 2, ,a
1 k = 1, 2, , b
donde (rf3)jjY(rY)iksonlos errores de la parcela completa de los factores A y B, respectivamente, y Eijk es el
error "de la subparcela" usado para probar la interaccinAB. En la tabla 13-19 se muestra un anlisis de
varianza abreviado, suponiendo queA y B son factores fijos y que las rplicas son aleatorias. En ocasiones
las rplicas se consideran como bloques.
13~6 PROBLEMAS
13-1. El fabricante de la carga propulsora de una turbina est estudiando la rapidez de combustin del propulsor
obtenido de tres procesos de produccin. Se seleccionan al azar cuatro lotes del propulsor de la salida de
cada proceso y se hacen tres determinaciones de la rapidez de combustin de cada lote. Los resultados se
presentan a continuaci6n. Analizar los datos y sacar conclusiones.
Proceso 1 Proceso 2 Proceso 3

Lote 1 2 3 4 1 2 3 4 1 2 3 4
25 19 15 15 19 23 18 35 14 35 38 25
30 28 17 16 17 24 21 , 27 15 21 54 29
26 20 14 13 14 21 17 25 20 24 50 33
13-2. Se estudia el acabado superficial de piezas metlicas fabricadas en cuatro mquinas. Se conduce un experi-
mento en el que cada mquina es operada por tres operadores diferentes y se colectan y prueban dos ejem-
plares de cada operador. Debido a la ubicacin de las mquinas, se usan operadores diferentes en cada
mquina, y los operadores se eligen al azar. Los datos se muestran en la tabla siguiente. Analizar los datos y
sacar conclusiones.
Mquina 1 Mquina 2 Mquina 3 Mquina 4

Operador 1 2 3 123 123 123
79 94 46 92 85 76 88 53 46 36 40 62
62 74 57 99 79 68 75 56 57 53 56 47
13-3. Un ingeniero de manufactura est estudiando la variabilidad dimensional de un componente particular que
se produce en tres mquinas. Cada mquina tiene dos mandriles, y se seleccionan al azar cuatro componen-
tes de cada mandril. Los 'resultados se presentan a continuacin. Analizar los datos, suponiendo que las m-
quinas y los mandriles son factores fijos.
13-6 PROBLEMAS 585
Mquina 1 Mquina 2 Mquina 3
Mandril 1 2 1 2 1 2
12 8 14 12 14 16
9 9 15 10 10 15
11 10 13 11 12 15
12 8 14 13 11 14
13-4. Para simplificar la programacin de la produccin, un ingeniero industrial est estudiando la posibilidad de
asignar un tiempo estndar a una clase particular de tareas, con la creencia de que las diferencias entre las ta-
reas son insignificantes. Para ver si esta simplificacin es posible, se seleccionan seis tareas al azar. Cada ta-
rea se encarga a un grupo diferente de tres operadores. Cada operador completa dos veces la tarea en
momentos diferentes durante la semana, y se obtienen los resultados siguientes. Qu conclusiones pueden
sacarse acerca del uso del tiempo estndar comn para todas las tareas dc esta clase? Qu valor se usara
para el estndar?
Tarea Operador 1 Operador 2 Operador 3

1 158.3 159.4 159.2 159.6 158.9 157.8
2 154.6 154.9 157.7 156.8 154.8 156.3
3 162.5 162.6 161.0 158.9 160.5 159.5
4 160.0 158.7 157.5 158.9 161.1 158.5
S 156.3 158.1 158.3 156.9 157.7 156.9
6 163.7 161.0 162.3 160.3 162.6 161.8
13-5. Considere el diseo anidado de tres etapas que se muestra en la figura 13-5 para investigar la dureza de una
aleacin. Utilizando los datos que se presentan a continuacin, analizar el diseo, suponiendo que la qumi-
ca de la aleacin y las hornadas son factores fijos y que los lingotes son aleatorios. Usar la forma restringida
del modelo mixto.
Qumica de la aleacin
Hornadas 1 2
1 2 3 1 2 3
Lingotes 1 2 1 2 1 2 1 2 1 2 1 2
40 27 95 69 65 78 22 23 83 75 61 35
63 30 67 47 54 45 10 39 62 64 77 42
13-6. Analizar nuevamente el experimento del problema 13-5utilizando la forma no restringida del modelo mixto.
Comentar las diferencias que se observan entre los resultados del modelo restringido y el no restringido.
Puede usarse un paquete de software de computadora.
13-7. Derivar los cuadrados medios esperados para el diseo anidado balanceado de tres etapas, suponiendo que
A es fijo y que B y e son aleatorios. Obtener las frmulas para estimar los componentes de la varianza. Supo-
ner la forma restringida del modelo mixto.
13-8. Repetir el problema 13-7 suponiendo la forma no restringida del modelo mixto. Puede usarse un paquete de
software de computadora para hacerlo. Comentar las diferencias entre el anlisis y las conclusiones del mo-
delo restringido y el no restringido.
13-9. Derivar los cuadrados medios esperados para el diseo anidado balanceado de tres etapas si los tres factores
son aleatorios. Obtener las frmulas para estimar los componentes de la varianza.
586 CAPTULO 13 DISEOS ANIDADOS Y DE PARCELAS SUBDIVIDIDAS
13-10. Verificar los cuadrados medios esperados que se dan en la tabla 13-1.
13-11. Diseos anidados no balanceados. Considere un diseo anidado de dos etapas no balanceado con bniveles de
B bajo el nivel i-simo de A y nrplicas en la celda ij-sima.
a) Anotar las ecuaciones normales de mnimos cuadrados para esta situacin. Resolver las ecuaciones nor-
males.
b) Construir la tabla del anlisis de varianza para el diseo anidado no balanceado de dos etapas.
e) Analizar los datos siguientes, utilizando los resultados del inciso b.
Factor A 1 2
Factor B 1 2 1 2 3
6 -3 5 2 1
4 1 7 4 O
8 9 3 -3
6
13-12. Componentes de la varianza en el diseo anidado no balanceado de dos etapas. Considere el modelo
i = 1, 2,
j i= 1,2,
k = 1, 2,
,a
,b
, nij
donde A Y B son factores aleatorios. Demostrar que
E(MS A)= o? +Cla~+c2a;

E(MSB(A= a2 +coa~
E(MSE)=a2
donde
a
N- L".
~ L.J
[b
~ n~In.
)
J) t.
i_l j-l
e1 =
a-1
a
N-: n2
l.
i-l
e2 -- N
a-1
13-13. Un ingeniero de procesos est probando el rendimiento de un producto manufacturado en tres mquinas.
Cada mquina puede operarse con dos ajustes de la potencia. Adems, una mquina tiene tres estaciones en
las que se fabrica el producto. Se conduce un experimento en el que cada mquina se prueba con ambos ajus-
tes de la potencia, y se toman tres observaciones del rendimiento de cada estacin. Las corridas se hacen en
orden aleatorio, y los resultados se presentan a continuacin. Analizar este experimento, suponiendo que los
tres factores son fijos.
13-6 PROBLEMAS 587

Estacin 1 2 3 1 2 3 1 2 3
34.1 33.7 36.2 31.1 33.1 32.8 32.9 33.8 33.6
Ajuste de la potencia 1 30.3 34.9 36.8 33.5 34.7 35.1 33.0 33.4 32.8
31.6 35.0 37.1 34.0 33.9 34.3 33.1 32.8 31.7
24.3 28.1 25.7 24.1 24.1 26.0 24.2 23.2 24.7
Ajuste de la potencia 2 26.3 29.3 26.1 25.0 25.1 27.1 26.1 27.4 22.0
27.1 28.6 24.9 26.3 27.9 23.9 25.3 28.0 24.8
13-14. Suponga que en el problema 13-13 podran emplearse un gran nmero de ajustes de la potencia y que los dos
que se seleccionaron para el experimento se escogieron al azar. Obtener los cuadrados medios esperados para
esta situacin suponiendo la forma restringida del modelo mixto y hacer las modificaciones apropiadas al
anlisis anterior.
13-15. Analizar nuevamente el experimento del problema 13-14 suponiendo la forma no restringida del modelo
mixto. Puede usarse un paquete de software de computadora para hacerlo. Comentar las diferencias entre el
anlisis y las conclusiones del modelo restringido y el no restrngido.
13-16. Un ingeniero de estructuras est estudiando la resistencia de una aleacin de aluminio adquirida de tres fa-
bricantes. Cada fabricante entrega la aleacin en barras de tamao estndar de 1.0, 1.5 O 2.0 pulgadas. El
procesamiento de los diferentes tamaos de las barras a partir de un lingote comn implica tcnicas diferen-
tes de forjado, por lo que este factor puede ser importante. Adems, las barras se forjan de lingotes fabrica-
dos en hornadas diferentes. Cada fabricante entrega dos ejemplares de prueba de cada tamao de las barras
de tres hornadas. Los datos de la resistencia resultantes se presentan a continuacin. Analizar los datos, su-
poniendo que los fabricantes y el tamao de las barras son fijos y las hornadas son aleatorias. Usar la forma
restringida del modelo mixto.
Fabricante 1 Fabricante 2 Fabricante 3

Hornada 1 2 3 1 2 3 1 2 3
Tamao de la barra: 1 pulgada 1.230 1.346 1.235 1.301 1.346 1.315 1.247 1.275 1.324
1.259 1.400 1.206 1.263 1.392 1.320 1.296 1.268 1.315
11-pulgadas 1.316 1.329 1.250 1.274 1.384 1.346 1.273 1.260 1.392
1.300 1.362 1.239 1.268 1.375 1.357 1.264 1.265 1.364
2 pulgadas 1.287 1.346 1.273 1.247 1.362 1.336 1.301 1.280 1.319
1.292 1.382 1.215 1.215 1.328 1.342 1.262 1.271 1.323
13-17. Resolver de nuevo el problema 13-16 utilizando la forma no restringida del modelo mixto. Puede usarse un
paquete de software de computadora para hacerlo. Comentar cualquier diferencia entre el anlisis y las con-
clusiones del modelo restringido y el no restrngido.
13-18. Suponga que en el problema 13-16 las barras pueden adquirirse en muchos tamaos y que los tres tamaos
que realmente se utilizaron en el experimento fueron seleccionados al azar. Obtener los cuadrados medios
esperados para esta situacin y hacer las modificaciones apropiadas al anlisis anterior. Usar la forma res-
tringida del modelo mixto.
13-19. La normalizacin del acero se hace calentndolo arriba de la temperatura crtica, recalentndolo y despus
enfrindolo con aire. Este proceso incrementa la resistencia del acero, refina el grano y homogeneza la es-
tructura. Se lleva a cabo un experimento para determinar el efecto de la temperatura y de la duracin del
tratamiento trmico sobre la resistencia del acero normalizado. Se seleccionan dos temperaturas y tres dura-
588 CAPTIJLO 13 DISEOS ANIDADOS y DE PARCElAS SUBDMDIDAS
ciones. El experimento se realiza calentando el horno a una temperatura seleccionada aleatoriamente e in-
sertando tres ejemplares de prueba. Despus de 10 minutos se retira uno de ellos, despus de 20 minutos se
retira un segundo ejemplar y despus de 30 minutos se retira el ltimo. Entonces se corre la temperatura al
otro nivel y se repite el proceso. Se requieren cuatro corrimientos para recabar los datos, los cuales se mues-
tran abajo. Analizar los datos y sacar conclusiones, suponiendo que ambos factores son fijos.
'Iemperatura, F
Corrimiento Tiempo, minutos 1500 1600
10 63 89
1 20 54 91
30 61 62
10 50 80
2 20 52 72
30 59 69
10 48 73
3 20 74 81
30 71 69
10 54 88
4 20 48 92
30 59 64
13-20. Se disea un experimento para estudiar la dispersin de los pigmentos de una pintura. Se estudian cuatro
mezclas diferentes de un pigmento particular. El procedimiento consiste en preparar una mezcla particular y
en aplicarla despus a un panel utilizando tres mtodos (con brocha, por roco y con rodillo). La respuesta
medida es el porcentaje de reflectancia (coeficiente de reflexin) del pigmento. Se necesitan tres das para
correr el experimento, y los datos obtenidos se presentan a continuacin. Analizar los datos y sacar conclu-
siones, suponiendo que las mezclas y los mtodos de aplicacin son fijos.
Mtodo de Mezcla
Da aplicacin 1 2 3 4
1 64.5 66.3 74.1 66.5
1 2 68.3 69.5 73.8 70.0
3 70.3 73.1 78.0 72.3
1 65.2 65.0 73.8 64.8
2 2 69.2 70.3 74.5 68.3
3 71.2 72.8 79.1 71.5
1 66.2 66.5 72.3 67.7
3 2 69.0 69.0 75.4 68.6
3 70.8 74.2 80.1 72.4
13-21. Repetir el problema 13-20, suponiendo que las mezclas son aleatorias y que los mtodos de aplicacin son fi-
jos.
13-22. Considere el diseo de parcelas con doble subdivisin del ejemplo 13-3. Suponga que este experimento se
conduce como se describe y que se obtienen los datos que se muestran en la siguiente tabla. Analizar los da-
tos y sacar conclusiones.
13-6 PROBLEMAS 589
Tcnico
Rplicas 1 2 3
Concentracin
(o bloques) de las dlosis 1 2 3 1 2 3 1 2 3
Espesor de la pared
1 95 71 108 96 70 108 95 70 100
1 2 104 82 115 99 84 lOO 102 81 106
3 101 85 117 95 83 105 105 84 113
4 108 85 116 97 85 109 107 87 115
1 95 78 110 100 72 104 92 69 101
2 2 106 84 109 101 79 102 100 76 104
3 103 86 116 99 80 108 101 80 109
4 109 84 110 112 86 109 108 86 113
1 96 70 107 94 66 100 90 73 98
3 2 105 81 106 100 84 101 97 75 100
3 106 88 112 104 87 109 100 82 104
4 113 90 117 121 90 117 110 91 112
1 90 68 109 98 68 106 98 72 101
4 2 100 84 112 102 81 103 102 78 105
3 102 85 115 100 85 110 105 80 110
4 114 88 118 118 85 116 110 95 120
13-23. Resolver nuevamente el problema 13-22, suponiendo que los tcnicos se eligen al azar. Usar la forma restrin-
gida del modelo mixto.
13-24. Suponga que en el problema 13-22 se usaron cuatro tcnicos. Suponiendo que todos los factores son fijos,
cuntos bloques debern correrse para obtener un nmero adecuado de grados de libertad para probar las
diferencias entre los tcnicos?
13-25. Considere el experimento quese describe en el ejemplo 13-3. Demostrar cmo se determinara el orden en
que se corren la combinaciones de tratamientos si este experimento se realizara como a) una parcela con do-
ble subdivisin, b) una parcela subdividida, e) un diseo factorial en un bloque aleatorizado y d) un diseo
factorial completamente aleatorizado.
Otros tpicos
de diseo y
anlisis
El tema de los experimentos diseados estadsticamente es muy amplio. En los captulos previos se ha
ofrecido una presentacin introductoria de muchos de los conceptos y mtodos bsicos, aunque en algu-
nos casos slo se ha podido presentar un panorama general. Por ejemplo, hay exposiciones que ocupan un
libro sobre tpicos, como la metodologa de superficies de respuesta, los experimentos con mezclas, la es-
timacin de los componentes de la varianza y los diseos ptimos. En este captulo se presenta un panora-
ma general de varios tpicos ms que el experimentador puede encontrar potencialmente tiles.
14~1 RESPUESTASY TRANSFORMACIONES NO NORMALES
14~1.1 Seleccinde una transformacin:el mtodo de Box-Cox

En la seccin 3-4.3 se estudi el problema de una varianza no constante de la variable de respuesta yen
un experimento diseado, y se seal que se trata de una desviacin de los supuestos del anlisis de va-
rianza estndar. Este problema de la desigualdad de la varianza ocurre con relativa frecuencia en la
prctica, muchas veces en conjuncin con una variable de respuesta no normal. Algunos ejemplos in-
cluiran el conteo de defectos o partculas, los datos de proporciones, como el rendimiento o la propor-
cin de productos defectuosos, o una variable de respuesta que sigue alguna distribucin sesgada (una
"cola" de la distribucin de la respuesta es ms larga que la otra). Se introdujo la transformacin de la
variable de respuesta como un mtodo apropiado para estabilizar la varianza de la respuesta. Se revisa-
ron dos mtodos para seleccionar la fonna de la transformacin, una tcnica grfica emprica y un pro-
cedimiento esencialmente de ensayo y error en el que el experimentador simplemente intenta una o
ms transformaciones, y selecciona la que produce la grfica ms agradable o satisfactoria de los residua-
les contra la respuesta ajustada.
En general, las transformaciones se usan para tres propsitos: estabilizar la varianza de la respuesta,
hacer que la distribucin de la variable de respuesta est ms cerca de la distribucin normal y mejorar el
ajuste del modelo a los datos. Este ltimo objetivo podra incluir la simplificacin del modelo, por ejem-
590
14-1 RESPUESTAS Y TRANSFORMACIONES NO NORMALES 591
plo, eliminando trminos de interaccin. En ocasiones, una transformacin ser razonablemente eficaz
para conseguir de manera simultnea ms de uno de estos objetivos.
Se ha sealado ya que la familia de potencias de las transformaciones y" ='1es muy til, donde A. es el
parmetro de la transformacin que habr de determinarse (por ejemplo A. = t significa usar la raz cua-
drada de la respuesta original). Box y Cox [15] han indicado cmo puede estimarse el parmetro de la
transformacin A. al mismo tiempo que los dems parmetros del modelo (la media global y los efectos de
los tratamientos). La teora fundamental en su procedimiento utiliza el mtodo de mxima verosimilitud.
El procedimiento de clculo real consiste en efectuar, para varios valores de A, el anlisis de varianza es-
tndar de
l-l A O
lA) = AV- :;t (14-1)
{ylny A=O
donde y = ln-l[(l!n) 1: lny] es la media geomtrica de las observaciones. La estimacin de mxima verosi-
militud de A es el valor para el que la suma de cuadrados del error, por ejemplo SS E(A), es un mnimo. Este
valor de A se encuentra generalmente construyendo una grfica de SS E(A) contraz y leyendo despus en la
grfica el valor de I que minimiza SSE(A). En general, son suficientes entre 10 y 20 valores de I para esti-
mar el valor ptimo. Si se necesita una estimacin ms precisa de A, podra realizarse una segunda itera-
cin utilizando un nmero mayor de valores.
Observe que no esposible seleccionar el valor de A. comparando directamente las sumas de cuadrados
del error obtenidas en los anlisis de varianza de '1,ya que para cada valor de )"la suma de cuadrados del
error se mide en una escala diferente. Adems, surge un problema con y cuando A. = O; a saber, cuando A.
tiende a cero, '1tiende a la unidad. Es decir, cuando A. = O, todos los valores de la respuesta son una cons-
tante. El componente (1-1)/A. de la ecuacin 14-1 alivia este problema porque cuando A. tiende a cero, (y'
-1)/A. tiende a un lmite de lny. El componente del divisor yA -1 de la ecuacin 14-1 reescala las respues-
tas para que las sumas de cuadrados del error sean comparables directamente.
Al utilizar el mtodo de Box-Cox, se recomienda que el experimentador use elecciones simples de A,
ya que es probable que la diferencia prctica entre A. = 0.5 yA = 0.58 sea pequea, pero la transformacin
de la raz cuadrada (A. = 0.5) es mucho ms fcil de interpretar. Obviamente, los valores dd prximos a la
unidad sugeriran que no es necesaria ninguna transformacin.
Una vez que se ha seleccionado un valor de A por el mtodo de Box-Cox, el experimentador puede
=
analizar los datos utilizandoy' como la respuesta, a menos desde luego que A. O, en cuyo caso se usa lny.
Es perfectamente aceptable utilizar y(A) como la respuesta real, aun cuando las estimaciones de los par-
metros del modelo tendrn una diferencia de escala y un corrimiento del origen en comparacin con los
resultados obtenidos cuando se usa '1 (o In y).
Es posible encontrar un intervalo de confianza aproximado de 100(1 - a) por ciento para A. calcu-
lando
(14-2)
donde v es el nmero de grados de libertad, y graficando una recta paralela al eje A. a la altura SS" sobre la
grfica de SS E(A.) contra A.. Entonces, al localizar los puntos sobre el eje A. donde SS" corta la curva SSE(A),
pueden leerse directamente en la grfica los lmites de confianza para A.. Si este intervalo de confianza in-
cluye el valor A. = 1, esto implica (como se seal antes) que los datos no soportan la necesidad de una
transformacin.
592 CAPfnrr.o 14 OTROS TPICOS DE DISEO Y ANLISIS
EJEMPLO 14 1 ..
El procedimiento de Box-Cox se ilustrar utilizando los datos de la descarga pico presentados original-
mente en el ejemplo 3-5. Recuerde que se trata de un experimento con un solo factor (ver la tabla 3-7
para los datos originales). Utilizando la ecuacin 14-1 se calcularon los valores de SSE(..t)para varios valo-
res de J:
l SSE(l)
-1.00 7922.11
--.50 687.10
--.25 232.52
0.00 91.96
0.25 46.99
0.50 35.42
0.75 40.61
1.00 62.08
1.25 109.82
1.50 208.12
En la figura 14-1 se muestra una grfica de los valores prximos al mnimo, en la que se observa que
A. =0.52 produce un valor mnimo de aproximadamente SSE(A.) == 35.00. Un intervalo de confianza aproxi-
mado de 95% para..t se encuentra calculando la cantidad SS de la ecuacin 14-2 de la siguiente manera:
SS = SSE(..t) (1+ t;.;~20)

= 35.00 [1 + (2.~~6)2 J
= 42.61
Al representar SS en la grfica de la figura 14-1 y al leer los puntos de la escala I donde esta recta interse-
ca la curva, se obtienen los lmites de confianza inferior y superior del de..t- = 0.27 y). + = 0.77. Puesto que
estos lmites de confianza no incluyen el valor 1, es correcto el uso de una transformacin, y la transforma-
cin de la raz cuadrada (A. 0.50) que se us en realidad se justifica con facilidad . =
.. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 111 ........
Algunos programas de computadora incluyen el procedimiento de Box-Cox para seleccionar una

transformacin de la familia de potencias. En la figura 14-2 se presenta la salida de este procedimiento
como se implementa en Design-Expert para los datos de la descarga pico. Los resultados concuerdan en
gran medida con los clculos manuales resumidos en el ejemplo 14-1. Observe que la escala vertical de la
grfica de la figura 14-2 es ln[SSE().)]'
14-1 RESPUESTAS y TRANSFORMACIONES NO NORMALES 593
20
10
O~--~~--~----_'----~----~
0.00 0.25 0.50 0.75 1.00 1.25 l
l- = 0.27 l+ '" 0.77
Figura 14-1 Grfica de SSE().) contra A. para el ejemplo

14-1.
Grfica de Box-Co" transformaciones de potencias

Grfica de DESIGN-EXPERT
Descarga pico
Lambda
Corriente~1
MaJor = 0.541377
Intervalo de confianza
bajo = 0.291092
Imervalo de confianza
alto =
0.791662
Transformacin
recomendada
Rafz cuadrada
(Lambda =0.5)
-2 -1 O 2 3
Lambda
Figura 14.2 Salida de Design-Expert para el procedimiento de Box-Cox,

594 CAPTIJLO 14 OTROS TPICOS DE DISEO Y ANLISIS
14..1.2 Modelo lineal generalizado

Con frecuencia las transformaciones de datos son una forma muy eficaz de abordar el problema de las
respuestas no normales y de la desigualdad asociada de la varianza. Como se ha visto en la seccin ante-
rior, el mtodo de Box-Cox es una forma sencillay eficaz de seleccionar la forma de la transformacin.
Sin embargo, puede haber problemas asociados con el uso de una transformacin de datos.
Un problema es que el experimentador puede sentirse incmodo al trabajar con la respuesta en la es-
cala transformada. Es decir, el experimentador se interesa en el nmero de defectos, no en la raz cuadra-
da del nmero de defectos, o en la resistividad en lugar del logaritmo de la resistividad. Por otra parte, si
una transformacin en realidad tiene xito y mejora el anlisis y el modelo asociado de la respuesta, los
experimentadores adoptarn por lo general con rapidez la nueva mtrica.
Un problema ms serio es que una transformacin puede resultar en un valor sin sentido para la va-
riable de respuesta en alguna porcin del espacio de los factores del diseo que es de inters para el expe-
rimentador. Por ejemplo, suponga que se ha usado la transformacin de la raz cuadrada en un
experimento que incluye el nmero de defectos observados en obleas de semiconductores, y para alguna
porcin de la regin de inters la raz cuadrada predicha del conteo de defectos es negativa. Es probable
que esto suceda en situaciones en las que el nmero real de defectos observados es pequeo. Por consi-
guiente, el modelo del experimento ha producido una prediccin evidentemente no confiable justo en la
regin donde sera deseable que este modelo tuviera un buen desempeo predictivo.
Por ltimo, como se seal en la seccin 14-1.1, es frecuente el uso de transformaciones a fin de esta-
bilizar la varianza, inducir la normalidad y simplificar el modelo. No existe la seguridad de que una trans-
formacin conseguir eficazmente todos estos objetivos al mismo tiempo.
Una alternativa del enfoque tpico de la transformacin de datos seguida del anlisis estndar de m-
nimos cuadrados de la respuesta transformada es usar el modelo lineal generalizado. Se trata de un enfo-
que desarrollado por Nelder y Wedderburn [87] que en esencia unifica modelos lineales y no lineales con
respuestas normales y no normales. McCullagh y Nelder [76] ofrecen un completo estudio de los modelos
lineales generalizados y Myers y Montgomery [85b] proporcionan un tutorial. Tambin se presentan deta-
lles adicionales en el material suplementario del texto de este captulo. Se ofrecer un panorama general
de los conceptos y se ilustrarn con dos ejemplos breves.
Un modelo lineal generalizado es bsicamente un modelo de regresin (el modelo de un diseo expe-
rimental tambin es un modelo de regresin). Como todos los modelos de regresin, est constituido por
un componente aleatorio (lo que se ha llamado generalmente el trmino del error) y una funcin de los
factores del diseo (las x) y algunos parmetros desconocidos (las f3). En un modelo de regresin lineal de
la teora normal estndar se escribe
(14-3)
donde se supone que el trmino del error E tiene una distribucin normal con media cero y varianza cons-
tante, y la media de la variable de respuesta y es
(14-4)
A la parte x'P de la ecuacin 14-4 se le llama predictor lineal. El modelo lineal generalizado contiene la
ecuacin 14-3 como un caso especial.
En un modelo lineal generalizado, la variable de respuesta puede tener cualquier distribucin que
sea un miembro de la familia exponencial. Esta familia incluye las distribuciones normal, de Poisson, b-
nomial, exponencial y gamma, por lo que la familia exponencial es una coleccin rica y flexible de distri-
buciones aplicables en muchas situaciones experimentales. Adems, la relacin entre la media de la
respuesta fL y el predictor lineal x'fJ se determina por una funcin de enlace.
g(fL)= x'fJ (14-5)
El modelo de regresin que representa la respuesta media est dado entonces por
E(y) = fL= g- (x'fJ) (14-6)
Por ejemplo, a la funcin de enlace que lleva al modelo de regresin lineal ordinario en la ecuacin 14-3
se le llama enlace identidad, ya que fL = g-l(X'fJ) = x'fJ. Como otro ejemplo, el enlace log (logartmico)
ln(fL) = x'fJ (14-7)
produce el modelo
(14-8)
El enlace logartmico se usa con frecuencia con datos de conteos (respuesta de Poisson) y con respuestas
continuas que presentan una distribucin que tiene una cola larga a la derecha (la distribucin exponen-
cial o gamma). Otra funcin de enlace importante que se usa con datos binomiales es el enlace logit
ln(l~fL)=x'fJ (14-9)
Esta eleccin de la funcin de enlace lleva al modelo

1
fL=-- (14-10)
l+e'~
Hay muchas elecciones posibles de la funcin de enlace, pero debe ser siempre montona y diferenciable.
Observe asimismo que en un modelo lineal generalizado, la varianza de la variable de respuesta no tiene
que ser una constante; puede ser una funcin de la media (y de las variables predictoras a travs de la fun-
cin de enlace). Por ejemplo, si la respuesta es de Poisson, la varianza de la respuesta es exactamente
igual a la media.
Para usar un modelo lineal generalizado en la prctica, el experimentador debe especificar una distri-
bucin de la respuesta y una funcin de enlace. Despus se hace el ajuste del modelo o la estimacin de
los parmetros por el mtodo de mxima verosimilitud, el cual para la familia exponencial resulta ser una
versin iterativa de los mnimos cuadrados ponderados. Para los modelos de regresin lineal o de diseos
experimentales ordinarios con una variable de respuesta normal, esto se reduce a los mnimos cuadrados
estndares. Utilizando un enfoque que es anlogo al anlisis de varianza de datos de la teora normal,
pueden hacerse inferencias y la verificacin de diagnsticos para un modelo lineal generalizado. Referir-
se a Myers y Montgomery [85b] para los detalles y ejemplos. Dos paquetes de software que soportan el
modelo lineal generalizado son SAS (pROC GENMOD) y S-PLUS.
Ej"EMPLO 14-2 *'
El experimento de los defectos en las rejillas

En el problema 8-29 se introdujo UD experimento para estudiar los efectos de nueve factores sobre los de-
fectos en rejillas de planchas moldeadas de recuadros abiertos. Bisgaard y Fuller realizaron un interesan-
te y til anlisis de estos datos para ilustrar el valor de la transformacin de datos en un experimento
VlOt-Vlt-VlVlO<'1O\"<tVl"<tVl<'1O\
"<tOO"<t"<t~~","OO .....
N""'<'1""'<'1""'N
o\oo""';ori""';r)O\OO""';ONt-=Nt-=,....;d
,...., .....
...-....-...-....-.....-......-....-....-....-...-.....-.....-......-.....-.....-......-...
~;;::gg~gg~~;;::~~;;::~~~~g;
.oriN,,,N....viNO"-;,,,"-;,,,NO
;:;"g~ ~~~~~~~~s'~ &tI \i:d' \i:d' ~ &tI
~cise~~91er!e~91
...._....._.. ..._....._...
~:~n;n;~8~~gg!;:~~~~gg!;:
ori"-;""';"-;""';"-;vi"-;""';'T""';"-;""';"-;""';'T
596
diseado. Como se seal en el inciso f del problema 8-29, los autores utilizaron una modificacin de la
transformacin de la raz cuadrada que llev al modelo
...-::::-----=:::::::::-
(.JY+.jY+1)/2= 2.513-0.996x4 -1.21x6 -O.772x2X7
donde, como de costumbre, las x representan los factores del diseno codificados. Esta transformacin
haee un excelente trabajo para estabilizar la varianza del nmero de defectos. En las dos primeras seccio-
nes de la tabla 14-1 se presenta parte de la informacin acerca de este modelo. Bajo el encabezado
"Transformados", la primera columna contiene la respuesta predicha. Observe que hay dos valores predi-
chos negativos. El encabezado "No transformados" presenta los valores predichos no transformados, jun-
to con los intervalos de confianza de 95% para la respuesta media en cada uno de los 16 puntos del diseo.
Puesto que hubo algunos valores predichos negativos, as como lmites de confianza inferiores negativos,
no fue posible calcular los valores de todas las entradas de esta seccin de la tabla.
La respuesta es en esencia una raz cuadrada del conteo de los defectos. Un valor predicho negativo
es claramente ilgico. Observe que esto ocurre donde los conteos observados fueron pequeos. Si es im-
portante usar el modelo para predecir el desempeo en esta regin, el modelo puede ser no confiable.
Esto no deber tomarse como una crtica del experimento original ni del anlisis de Bisgaard y Fuller, Fue
un experimento de exploracin en extremo exitoso que defini con toda claridad las variables importan-
tes del proceso. La prediccin no fue una de las metas originales, y tampoco fue el objetivo del anlisis
realizado por Bisgaard y Fuller.
Sin embargo, si hubiera sido importante obtener un modelo de prediccin, probablemente un modelo
lineal generalizado habra sido una buena alternativa para el enfoque de la transformacin. Myers y
Montgomery usan un enlace lag (logartmico) (ecuacin 14-7) y una respuesta de Poisson para ajustar
exactamente el mismo predictor lineal dado por Bsgaard y Fuller. Esto produce el modelo
La tercera seccin de la tabla 14-1 contiene los valores predichos de este modelo y los intervalos de
confianza de 95% para la respuesta media en cada punto del diseo (obtenida con el procedimiento
PROC GENMOD de SAS). No hay valores predichos negativos (lo cual se asegura con la eleccin de la
funcin de enlace) nilmites de confianza inferiores negativos. En la ltima seccin de la tabla se compa-
ran las longitudes de los intervalos de confianza de 95% para la respuesta no transformada y el modelo li-
neal generalizado (GLM). Observe que los intervalos de confianza del modelo lineal generalizado son
uniformemente ms cortos que sus contrapartes de mnimos cuadrados. Esto es un slido indicio de que
el enfoque del modelo lineal generalizado ha explicado la variabilidad y ha producido un modelo superior
en comparacin con el enfoque de la transformacin .
l1li l1li
EJEMPLO 14..3 . . . . . . . . . . . . . . . ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

El experimento del hilado de estambre
En la tabla 14-2 se presenta un diseo factorial 33 que se realiz para investigar el desempeo de un hilado
de estambre bajo ciclos de carga repetida. El experimento se describe completo en Boxy Draper [16bl. La
respuesta es el nmero de ciclos hasta una falla. De manera tpica, los datos de confiabilidad como stos
son no negativos y continuos, y con frecuencia tienen una distribucin con una cola derecha alargada.
Los datos se analizaron inicialmente utilizando el enfoque estndar (mnimos cuadrados), y la trans-
formacin de datos fue necesaria para estabilizar la varianza. Se encuentra que el logaritmo de los datos
598 CAPTULO 14 OTROS TPICOS DE DISEO Y ANLISIS
Tabla 14-2 .El experimento del hilado de estambre

Logaritmo
Ciclos hasta de los ciclos
Corrida XI X2 x) una falla hasta una falla
1 -1 -1 -1 674 2.83
2 -1 -1 O 370 257
3 -1 -1 1 292 2,47
4 -1 O -1 338 253
5 -1 O O 266 2.42
6 -1 O 1 210 2.32
7 -1 1 -1 170 2.23
8 -1 1 O 118 2.07
9 -1 1 1 90 1.95
10 O -1 -1 1414 3.15
11 O -1 O 1198 3.08
12 O -1 1 634 2.8
13 O O -1 1022 3.01
14 O O O 620 2.79
15 O O 1 438 2.64
16 O 1 -1 442 2.65
17 O 1 O 332 252
18 O 1 1 220 2.34
19 1 -1 -1 3636 356
20 1 -1 O 3184 35
21 1 -1 1 2000 3.3
22 1 O -1 1568 3.19
23 1 O O 1070 3.03
24 1 O 1 566 2.75
25 1 1 -1 1140 3.06
26 1 1 O 884 2.95
27 1 1 1 360 256
de los ciclos hasta una falla produce un modelo adecuado en trminos del ajuste global del modelo, as
como grficas satisfactorias de los residuales. El modelo es
log j= 2.751+0.3617x1-O.2739x2 -O.1711x)
o en trminos de la respuesta original, ciclos hasta una falla,
Este experimento se analiz tambin utilizando el modelo lineal generalizado, seleccionando la dis-
tribucin gamma para la respuesta y el enlace log (logartmico). Se us exactamente la misma forma del
modelo encontrada por el anlisis de mnimos cuadrados de la respuesta con la transformacin logartmi-
ca. El modelo que result es
y= e6.3489+0.8425.,-O.6313x,-O.385lx,.
En la tabla 14-3 se presentan los valores predichos del modelo de mnimos cuadrados y del modelo lineal
generalizado, junto con los intervalos de confianza de 9~% para la respuesta media de cada uno de los 27
,-..
o
o "O
03~
~8~
~
~~1~
e=t)
'-' :;:
20:9
';j "O_ ~
Q o QJ
en s
3~"O 0"0
~
e <U
,9
~1
i~= ~'"
1 .s8
QJ~
1:'73"011')
o 0'1
]
]
o o
03 .. .d
0:6
~ ~~
c..
~~~~~~~~~~8~~~~~~~~~~~~~S~G
NNNNNNNN~~~NNNNNNN~~~~~N~NN
599
puntos del diseo. La comparacin de las longitudes de los intervalos de confianza revela que es posible
que el modelo lineal generalizado sea un mejor predictor que el modelo de mnimos cuadrados.
Los modelos lineales generalizados han encontrado amplia aplicacin en la investigacin y el desa-
rrollo biomdico y farmacutico. Conforme ms paquetes de software incluyan esta capacidad, encontra-
r una aplicacin ms amplia en el mbito de la investigacin y el desarrollo industrial general.
14~2 DATOS NO BALANCEADOS EN UN DISEO FACTORIAL
El centro de atencin principal de este libro ha sido el anlisis de diseos factoriales balanceados, es de-
cir, los casos en que en cada celda hay el mismo nmero n de observaciones. Sin embargo, es comn en-
contrar situaciones en las que el nmero de observaciones en las celdas son desiguales. Estos diseos
factoriales no balanceados ocurren por varias razones. Por ejemplo, el experimentador puede haber dise-
ado inicialmente un experimento balanceado, pero debido a problemas imprevistos cuando se corre el
experimento, los cuales resultan en la prdida de algunas observaciones, termina trabajando con datos no
balanceados. Por otra parte, algunos experimentos no balanceados se disean expresamente de este
modo. Por ejemplo, ciertas combinaciones de tratamientos pueden ser ms costosas o ms difciles de co-
rrer que otras, por lo que pueden hacerse menos observaciones en esas celdas. De manera alternativa, al-
gunas combinaciones de tratamientos pueden ser de mayor inters para el experimentador debido a que
representan condiciones nuevas o no exploradas, por lo que puede optar por obtener rplicas adicionales
de dichas celdas.
La propiedad de ortogonalidad de los efectos principales y las interacciones, presente en los datos ba-
lanceados, no es vlida en el caso no balanceado. Esto significa que las tcnicas del anlisis de varianza
usual no son aplicables. Por consiguiente, el anlisis de factoriales no balanceados es mucho ms difcil
que el de los diseos balanceados.
En esta seccin se ofrece un breve panorama general de los mtodos para abordar los factoriales no
balanceados, centrando la atencin en el caso del modelo de efectos fijos con dos factores. Suponga que
el nmero de observaciones en la celda ij-sima es nij. Adems, sea ni. = L~~l nij el nmero de observacio-
nes en el renglni-simo (el nivel i-simo del factorA), seanJ = L:~l nj el nmero de observaciones de la
columna j-sima (el nivelj-simo del factor B) y sea n .. = L~~lL~=lnij el nmero total de observaciones.
14~2.1 Datos proporcionales: un caso sencillo

Una de las situaciones que incluye datos no balanceados presenta escasa dificultad para el anlisis; se tra-
ta del caso de los datos proporcionales. Es decir, el nmero de observaciones en la celda ij-sima es
non _
l. _}
n--=-- (14-11)
'} n
Esta condicin implica que el nmero de observaciones en dos renglones o columnas cualesquiera es pro-
porcional. Cuando ocurren datos proporcionales, puede emplearse el anlisis de varianza estndar. Slo
142 DATOS NO BAlANCEADOS EN UN DISEO FACTORIAL 601
es necesario hacer modificaciones menores en las frmulas del clculo manual de las sumas de cuadrados,
las cuales quedan como
SST= !~
i~ i''' k.,
2
2 -~
Y ijk
2
n
2
Yi.. _L..
Como un ejemplo de datos proporcionales, considere el experimento del diseo de la batera del
ejemplo 5-1. En la tabla 14-4 se muestra una versin modificada de los datos originales. Desde luego, los
datos son proporcionales; por ejemplo, en la celda 1,1 se tienen
nln.1 10(8)
n =--=--=4
11 n 20
observaciones. Los resultados que se obtienen al aplicar el anlisis de varianza usual a estos datos se pre-
sentan en la tabla 14-5. Tanto el tipo de material como la temperatura son significativos, lo cual concuerda
con el anlisis del conjunto completo de datos del ejemplo 5-1. Sin embargo, la interaccin que se observ
en el ejemplo 5-1 no est presente.
14-2.2 Mtodos aproximados

Cuando los datos no balanceados no se apartan demasiado del caso balanceado, en ocasiones es posible
usar procedimientos aproximados que convierten el problema no balanceado en uno balanceado. Esto
Tabla 14-4 Experimento del diseo de la batera con datos proporcionales

Tipo de 'Temperatura,F
material 15 70 125
nu =4 n12 = 4 n13 =2 nl. = 10
130 155 34 40
1 74 180 80 75 70 58 YI.. = 896
n21 = 2 n22 "" 2 n23 = 1 nz. =5
2 159 126 136 115 45 h.:::: 581
n3 =2 n32 =2 n33:::: 1 n3. =: 5
3 138 160 150 139 96 h. =: 683
n.1 = 8 n.2= 8 n.3 = 4 n..= 20
Y.1. = 1122 Y.2.:::: 769 Y.3. = 269 l...=: 2160
602 CAPTIJLO 14 OTROS TPICOS DE DISENO Y ANLISIS
Tabla 14-5 Anlisis de varianza de los datos del diseo de la batera

de la tabla 14-4
variacin cuadrados libertad medio Fo
Tipos de material 8,170.400 2 4,085.20 5.00
Temperatura 16,090.875 2 8,045.44 9.85
Interaccin 5,907.725 4 1,476.93 1.18
Error 8,981.000 11 816.45
lbtal 39,150.000 19
hace, desde luego, que el anlisis sea tan slo aproximado, pero el anlisis de datos balanceados es tan
sencillo que con frecuencia el experimentador se ve tentado a usarlo. En la prctica, es necesario decidir
cundo los datos no son 10 suficientemente diferentes del caso balanceado para hacer que el grado de
aproximacin introducido sea relativamente de escasa importancia. A continuacin se describen breve-
mente algunos de estos mtodos aproximados. Se supone que todas las celdas contienen al menos una ob-
servacin (es decir, ni) ~ 1).
Estimacin de observaciones faltantes

Si slo unas cuantas nij son diferentes, un procedimiento razonable es estimar los valores faltantes. Por
ejemplo, considere el diseo no balanceado de la tabla 14-6. Evidentemente, estimar el nico valor faltan-
te de la celda 2,2 es un enfoque razonable. Para un modelo con interaccin, la estimacin del valor faltan-
te en la celda ij-sima que minimiza la suma de cuadrados del error es Ji}' Es decir, el valor faltante se
estima tomando el promedio de las observaciones que estn disponibles en esa celda.
El valor estimado se trata como un dato real. La nica modificacin del anlisis de varianza es reducir
los grados de libertad del error en el nmero de observaciones faItantes que se han estimado. Por ejemplo,
si se estima el valor faItante en la celda 2,2 de la tabla 14-6, se usaran 26 grados de libertad en lugar de 27.
Apartado de datos
Considere los datos de la tabla 14-7. Observe que la celda 2,2 slo tiene una observacin ms que las otras.
Estimar los valores faltantes de las ocho celdas restantes quiz no sea una buena idea en este caso, ya que
esto resultara en estimaciones equivalentes a cerca de 18% de los datos finales. Una alternativa es apar-
tar una de las observaciones de la celda 2,2, para obtener as un diseo balanceado con n = 4 rplicas.
La observacin que se aparte deber elegirse al azar. Adems, en lugar de descartar completamente
la observacin, podra reintegrarse al diseo, despus elegir al azar otra observacin para apartarla y re-
Tabla 14-6 Los valores nij para un

diseo no balanceado
Columnas
Renglones 1 2 3
1 4 4 4
2 4 3 4
3 4 4 4
14-2 DATOS NO BALANCEAOOS EN UN DISEO FACTORIAL 603
Tabla 14-7 Los valores TI para un
diseo no balanceado
Columnas
Renglones 1 2 3
1 4 4 4
2 4 5 4
3 444
petir el anlisis. Y, se esperara, estos dos anlisis no llevarn a interpretaciones antagnicas de los datos.
Si lo hacen, se sospecha que la observacin que se apart es un valor atpico o disparatado y deber mane-
jarse en consecuencia. En la prctica es improbable que ocurra esta confusin cuando slo se aparta un
nmero reducido de observaciones y la variabilidad dentro de las celdas es pequea.
Mtodo de las medias no ponderadas
En este enfoque, introducido por Yates [113a], los promedios de las celdas se tratan como si fueran datos
y son objeto de un anlisis de datos balanceados estndar para obtener las sumas de cuadrados de los ren-
glones, las columnas y la interaccin. El cuadrado medio del error se encuentra como
Entonces, MSE estima UZ, la varianza de YlJk' una observacin individual. Sin embargo, se ha realizado un
anlisis de varianza de los promedios de las celdas, y como la varianza del promedio de la celda ij~sima es
UZ/nij, el cuadrado medio del error que se usa en realidad en el anlisis de varianza deber ser una estima-
cin de la varianza promedio de las Jij' por ejemplo
a b
'" '" q2 / n..

V(Yij.)=
~~
i~l /-1
9
=~
2.
__ b
1
ah ab i~l /-1 niJ
Utilizando MSE de la ecuacin 14-12 para estimar q2 en la ecuacin 14-13, se obtiene

I MSE ~~ 1
MSE =--L.,~ - (14-14)
ah i=1 /~1 nlj
como el cuadrado medio del error (con n ..- ab grados de libertad) que se usar en el anlisis de varianza.
El mtodo de las medias no ponderadas es un procedimiento aproximado porque las sumas de cua-
drados de los renglones, las columnas y la interaccin no se distribuyen como una variable aleatoria
ji-cuadrada. La ventaja principal del mtodo parece ser la simplicidad de los clculos. Cuando las nij no di-
fieren de manera radical, el mtodo de las medias no ponderadas funciona con frecuencia razonablemen-
te bien.
Una tcnica relacionada es el mtodo de los cuadrados ponderados de las medias, propuesto tam-
bin por Yates [113a]. Esta tcnica se basa tambin en las sumas de cuadrados de las medias de las celdas,
pero los trminos de las sumas de cuadrados se ponderan en proporcin inversa a sus varianzas. Para ma-
yores detalles de este procedimiento, ver Searle [99a] y Speed, as como Hocking y Hackney [106].
14~2.3 Mtodo exacto
En situaciones en que los mtodos aproximados no son apropiados, como cuando ocurren celdas vacas
(algunas nij :: O) o cuando las ni} presentan diferencias radicales, el experimentador debe usar un anlisis
exacto. El enfoque utilizado para desarrollar las sumas de cuadrados para probar los efectos principales y
las interacciones consiste en representar el modelo del anlisis de varianza como un modelo de regresin,
ajustar ese modelo a los datos y usar el enfoque de la prueba general de significacin de la regresin. Sin
embargo, existen varias formas en que puede hacerse esto, y estos mtodos pueden producir valores dife-
rentes para las sumas de cuadrados. Adems, las hiptesis que se estn probando no siempre son anlo-
gos directos de las del caso balanceado, y su interpretacin tampoco es siempre sencilla. Para mayor
informacin al respecto, ver el material suplementario del texto de este captulo. Otras buenas referen-
cias son Searle [99a]; Speed y Hocking [105]; Hocking y Speed [58]; Hocking, Hackney y Speed [57];
Speed, Hocking y Hackney [106]; Searle, Speed y Henderson [102]; Searle [99c]; y Milliken y Johnson
[79], El software de estadstica SAS proporciona un excelente enfoque del anlisis de datos no balancea-
dos a travs del procedimiento PROC GLM.
14~3 ANLISIS DE COVARlANZA
En los captulos 2 y 4 se introdujo el uso del principio de la formacin de bloques para mejorar la preci-
sin con la que se hacen comparaciones entre tratamientos. La prueba t pareada fue el procedimiento
ilustrado en el captulo 2, mientras que en el captulo 4 se present el diseo de bloques aleatorizados. En
general, el principio de la formacin de bloques puede usarse para eliminar el efecto de los factores per-
turbadores controlables. El anlisis de covariaoza es otra tcnica que en ocasiones es til para mejorar la
precisin de un experimento. Suponga que en un experimento con una variable derespuestay existe otra
variable, por ejemplo x, y que y se relaciona linealmente conx. Adems, suponga que x no puede ser con-
trolada por el experimentador, pero puede observarse junto con y. A la variable x se le llama variable con-
comitante o covariable. El anlisis de covarianza implica ajustar la variable de respuesta observada para
el efecto de la variable concomitante. Si no se hace este ajuste, la variable concomitante podra inflar el
cuadrado medio del error y hacer que sean ms difciles de detectar las verdaderas diferencias en la res-
puesta debidas a los tratamientos. Por lo tanto, el anlisis de covarianza es un mtodo de ajuste para los
efectos de una variable perturbadora no controlable. Como se ver, el procedimiento es una combinacin
del anlisis de varianza y del anlisis de regresin.
Como un ejemplo de un experimento en el que puede emplearse el anlisis de covarianza, considere
el estudio realizado para determinar si existe una diferencia en la resistencia de una fibra de monofila-
Tabla 14-8 Datos de la resistencia a la ruptura (y = resistencia en libras

y x = dimetro en 10-3 pulgadas)
y x y x y x
36 20 40 22 35 21
41 25 48 28 37 23
39 24 39 22 42 26
42 25 45 30 34 21
~ 32 44 28 32 15
207 126 216 130 180 106
14-3 ANLISIS DECOVARlANZA 605
10 20 30 40
Dimetro, .l:
Figura 14-3 Resistencia a la ruptura (y) contra el dimetro

de la fibra (x).
mento producida por tres mquinas diferentes. Los datos de este experimento se muestran en la tabla
14-8. En la figura 14-3 se presenta un diagrama de dispersin de la resistencia (Y) contra el dimetro (o
grosor) de la muestra. Evidentemente, la resistencia de la fibra tambin se afecta por su grosor; por consi-
guiente, una fibra ms gruesa ser por lo general ms resistente que una delgada. El anlisis de covarianza
podra usarse para eliminar el efecto del grosor (x) sobre la resistencia (Y) cuando se prueban las diferen-
cias en la resistencia entre las mquinas.
14..3.1 Descripcin del procedimiento

A continuacin se describe el procedimiento bsico para el anlisis de covarianza, ilustrndolo para un
experimento de un solo factor con una covariable. Suponiendo que existe una relacin lineal entre la res-
puesta y la covariable, un modelo estadstico apropiado es
Y.. =J.l+"C+!3(x .. -x )+__ {i.:l,2, ,a (14-15)
'J ~ IJ Y J ~ 1,2, ,n
donde Yij es la observacinj-sima de la variable de respuesta tomada bajo el tratamiento o nivel i-si-
mo del nico factor.z, es la medicin hecha de la covariable o variable concomitante correspondiente aYij
(es decir, la corrida ij-sima),x ..es la media de los valores r.; es la media global, "Cies el efecto del trata-
miento r-simo, f3 es el coeficiente de regresin lineal que indica la dependencia de Yij dexij y ij es un com-
ponente del error aleatorio. Se supone que los errores ij son NID(O, 02), que la pendiente d '# OYque la
verdadera relacin entre Yijy Xij es lineal, que los coeficientes de regresin de cada tratamiento son idnti-
cos, que la suma de los efectos de los tratamientos es cero (1:7_1"Ci = O) y que la variable concomitante x,
no se afecta por los tratamientos.
Observe, por la ecuacin 14-15, que el modelo del anlisis de covarianza es una combinacin de los
modelos lineales empleados en el anlisis de varianza y regresin. Es decir, se tienen efectos de los tra-
tamientos {"C}, como en un anlisis de varianza de un solo factor, y un coeficiente de regresinji, como
en una ecuacin de regresin. La variable concomitante de la ecuacin 14-15 se expresa cerno (xij -x..)
606 CAPtruLo 14 OTROS TPICOS DE DISEO Y ANLISIS
en lugar dex,para que el parmetro e se preserve como la media global. El modelo pudo haberse escri-
to como
~: 1, 2, .a
{} -1, 2, ,n (14~16)
donde u' es una constante diferente de la media global, que para este modelo eS}l I +ffX.., Es ms comn
encontrar la ecuacin 14~15 en la literatura sobre el tema.
Para describir el anlisis, se introduce la siguiente notacin:
n a n 2
LL LL
Q
S}Y = (Yij - y..)2 = y:_L_ (14~17)

i~l j-1 1-1 j=1 an
(14~18)
(14~19)
(14-20)
(14~21)
(14~22)
(14~23)
e; = !!
i-1 }-1
(Xi} -Xi.)2 = s; -T;a (14~24)
u; = _L (Xij -XI. )(Yij - Yi.)= s; -Txy (14-25)

i-l j-1
Observe que, en general, S = T + E, donde los smbolos S, Ty E se usan para denotar las sumas de cuadra-
dos y los productos cruzados del total, los tratamientos y el error, respectivamente. Las sumas de cuadrados
dex YY deben ser no negativas; sin embargo, las sumas de los productos cruzados (X)') pueden ser negativas.
A continuacin se indica la forma en que el anlisis de covarianza ajusta la variable de respuesta para
el efecto de la covariable. Considere el modelo completo (ecuacin 14~15). Los estimadores de mnimos
cuadrados de }l, Ti Y {J son ft = Y..' 'I = Yi. - Y.. - 'j3(X. - X. y o ~
A Exy
{J= - (14-26)
E;a
La suma de cuadrados del error en este modelo es
SSE = E}Y -(EX)')2 / e; (14-27)
con a(n - 1) - 1 grados de libertad. La varianza del error experimental se estima con
MS _ SSE
E - a(n-1)-1
14-3 ANLISIS DE COVARlANZA 607
Suponga ahora que no hay ningn efecto de los tratamientos. El modelo (ecuacin 14-15) sera entonces
(14-28)
y puede demostrarse que los estimadores de mnimos cuadrados de f.l y {3son ft = Y.. y jJ = S,JSJa' La suma
de cuadrados del error en este modelo reducido es
(14-29)
con an - 2 grados de libertad. En la ecuacin 14-29, la cantidad (S)o/)2/S"" es la reduccin de la suma de cua-
drados de y obtenida a travs de la regresin lineal de y sobre x. Adems, observe que SSE es menor que
SS~ [ya que el modelo (ecuacin 14-15) contiene los parmetros adicionales {TI}]Yque la cantidad SS~ -
SSE es una reduccin en la suma de cuadrados debida a las {r}. Por lo tanto, la diferencia entre SS~ YSSE,
es decir, SS~ -SSE, proporciona una suma de cuadrados cona -1grados de libertad para probar la hip-
tesis de que no hay ningn efecto de los tratamientos. Por consiguiente, para probar Ho:r = O,se calcula
F. = ~(S_S::_~
-_SS....:::E..:....) I....:,<_a -_1~)
(14-30)
o SSE 1 [a(n-l)-I]
que, si la hiptesis nula es verdadera, se distribuye como Fa -1,0(11 _ 1)-1' Por 10 tanto, Ho:Tj Ose rechaza si =
Fo > Fez, a _ 1, 0(11 _
1) _ i- Tambin podra usarse el enfoque del valor P.
Es instructivo examinar la presentacin de la tabla 14-9. En ella el anlisis de covarianza se ha presen-
tado como un anlisis de varianza "ajustado". En la columna de la fuente de variacin, la variabilidad to-
tal se mide por Syy, con an - 1 grados de libertad. La fuente de variacin "regresin" tiene la suma de
cuadrados (S.y)2ISJa con un grado de libertad. Si no hubiera ninguna variable concomitante, se tendra S)o/
= = =
S;a := E)o/ E"" O.Entonces la suma de cuadrados del error sera simplemente Eyy y la suma de cuadra-
=
dos de los tratamientos sera Syy- Eyy Tyy. Sin embargo, debido a la presencia de la variable concomitan-
te, Syy y Eyy deben "ajustarse" para la regresin de y sobre x, como se muestra en la ttbla 14-9. La suma de
cuadrados del error ajustada tiene a(n -1) -1 grados de libertad en lugar de a(n 1)grados de libertad T
debido a que se ajusta un parmetro adicional (la pendiente {3) a los datos.
Los clculos suelen presentarse en una tabla del anlisis de covarianza como la tabla 14-10. Se em-
plea esta presentacin porque resume de manera conveniente todas las sumas de cuadrados y los produc-
tos cruzados requeridos, as como las sumas de cuadrados para probar las hiptesis acerca de los efectos
de los tratamientos. Adems de utilizarla para probar la hiptesis de que no hay diferencias en los efectos
de los tratamientos, con frecuencia esta tabla se encuentra til en la interpretacin de los datos para pre-
sentar las medias de los tratamientos ajustadas. Estas medias ajustadas se calculan de acuerdo con
i=1,2, ...,a (14-31)
donde jJ = E <Y / E.". Esta media de los tratamientos ajustada es el estimador de mnimos cuadrados de
f.l + tj, i = 1,2, ..., a, en el modelo (ecuacin 14-15). El error estndar de cualquier media ajustada de los
tratamientos es
(14-32)
_.
o I
:ao .--
.....
",:'"
,...._ El "': I
..... o ;::
I
~'"
"O
'!t
.._.
<:!
..__
<'3
.fJ 11
I
....I
8'"
,-.,
~ ~'" ~'" '" -'" <:!
~ ~ ~ ~
I
::
f:5'" :9
'-"
o ~
<lO
~ 15 .....
o
:ao
El ~'" ",:'"
.....
I
,-.,
.....
o
.... :
~ o
....'"
'"
o
"O
I
,.-,
.....
I
<:'l
I
;::
<:!
- I
<:!
*
~ ..... ~ I
'"
o- "O
o
* o '"
"O I I '"
'"
.... i;-'"
<:!
11
"O c'5
"O ~ '"
t:;.;
8'" ~'"
~
;:::1
:'
~~ ~~
?-..
--.
?-..
~""
o
"0"0
.1J .....
<lO '"
,....;
I
-
.-..
....
I
I
.....
I
;:..., '-'
~~
I
11
~
I
""
'-"
~,_
11
",:'"
~
I
"'.o <:s , ~
:;:.:: ::
'-' .o ~'" f:5'" ~~-'"
~
<:!
'C'"
'"~u
:g
1:3
se
,......, '"
e
;:l
ti]
o
;:...,h~
~'" "':~
;:::1
';j'
~~ "O

~
u
.... e~
'"~ o ~t
'a
{j
;;.
'"
o
-
~""
~~
I
~~ ~
t
J!l
o
e
8.g
o o ~ h""
"O ....
<lO
'"
e,
>.
~"" ~""
"O ....... ~
: '" I ?--.. ;:l
(IJ h~ ~~ ~q
<l)
~
'.;j
~ ~~ ~~ ~"" "'O
~
e 8 ~-.. <-,
'-"
I ~~
o
J::
~
-
;:l CI) <l)
"O ~~
o S='
"":l"" .._, ~"" 11 <l)
o- "O
v
(IJ
I
v:J~
"J'"
><
<l) '"
t:
CI)
~ "-:l c: ;: .-..
.... ,...,
11
;:l
.....
'~
~ o I I I
~ ~'"
~ ro
"O
<:s I::! ;::
u
I ~
<lO
O '5" <::S
<l)
"'O ''";;.a ~....
:!?l'" f:5'" o
o
u
~ <l)
'"

"'O
'"
o
"O
~~ <'3
o :: '"
o '.;j t;
;:::1
q- "O
_ 'o
u
c;l
"3 ~ ';'
0'- ~9
......
""" :: '" <lO
o
..!! 5'~ '"~ '~
....
o <a
O
..... 'o El
c:: 'oEl
= '"
~;;. e t: 9 ...t-
.....
'o
2'~'"
CI)
's '8
~ ~ F' llJ
...!3
.o
~
~ >
;:::1 <Il
~"O
- -
'"
<'3
F:
....
o
t::
llJ
l
Fl
~'"
F:
608
143 ANLISIS DE COVARlANZA 609
Por ltimo, cabe recordar que se ha supuesto que el coeficiente de regresin f3 del modelo (ecuacin
14-15)es diferente de cero. La hiptesis Ho:f3 = Opuede probarse utilizando el estadstico de prueba
(ElJ')2 / E""
F.
o
= MS E
(14-33)
que bajo la hiptesis nula se distribuye como FI. a(~_ 1) _ i- Por lo tanto, Ho:f3 = Ose rechaza si Fo > Fa, 1,
a(n - 1) -L'
'E}"EMPW 14....
4 .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Considere el experimento descrito al principio de la seccin 14-3.'Ires mquinas producen una fibra de
monofilamento en una fbrica textil. El ingeniero del proceso tiene inters en determinar si existe alguna
diferencia en la resistencia a la ruptura de la fibra producida por las tres mquinas. Sin embargo, la resis-
tencia de una fibra se relaciona con su dimetro, con las fibras ms gruesas, siendo stas, en general, ms
resistentes que las ms delgadas. Se selecciona una muestra aleatoria de cinco ejemplares de prueba de fi-
bra de cada mquina. En la tabla 14-8se muestra la resistencia de la fibra (Y) y el dimetro correspondien-
te (x) de cada ejemplar.
El diagrama de dispersin de la resistencia a la ruptura contra el dimetro de la fibra (figura 14-3)in-
dica una clara tendencia a una relacin lineal entre la resistencia a la ruptura y el dimetro, y parece apro-
piado eliminar el efecto del dimetro sobre la resistencia mediante un anlisis de covarianza. Suponiendo
que la relacin lineal entre la resistencia a la ruptura y el dimetro es apropiada, el modelo es
i = 1,2,3
y 1).. = r:
u+r. +f3(x .. -X )+E g
1 1).. { i= 1,2,...,5
Utilizando las ecuaciones 14-17 a 14-25, pueden calcularse

2 (603)2
Syy= LL y: _L=
3
j~1an
5
(36)2 +(41)2 + ... +(32)2 ---=
j_1 (3)(5)
346.40
Su = LL xt __ ' = (20)2 +(25)2 + ... +(15)2 - --

3 x 5 2 (362)2
= 261.73
an
;-1 j_1 (3)( 5)
SlJ' = ~}": xijY;j _ (x .. )(Y .. ) = (20)(36)+(25)(41)+ ... +(15)(32)

1-1j-l an
_ (362)(603)= 28260
(3)(5)
T =!
yy n ;-1
y~
l.
.s:an = ![(207)2
5
+(216)2 +(180)2]- (603)2 = 140.40
(3)(5)
1~ x~ 1 2 (362)2
= - tt
2 2 2'
Trx s; _ an = 5[(126) +(130) +(106) ]- (3)(5) = 66.13
TlJ' =~~ Xi.Yi. _ (x ..~~y..) ~[(126)(207)+(130)(216)+(106)(184)]

1-1 .
(362)(603)
96.00
(3)(5)
610 CAPruLO 14 OTROS TPICOS DE DISEO Y ANLISIS
Eyy =s; -Tyy = 346.40-140.40= 206.DO

E"" = S"" - T:a = 261.73- 66.13= 195.60
E"Y =s; -T"Y = 28260-96.00= 186.60
Por la ecuacin 14-29 se encuentra
ss~ = Syy - 2
( S "Y) / Sxx
= 346.40-(186.60)2 /261.73
= 41.27
con an - 2 = (3)(5) - 2 = 13 grados de libertad; y por la ecuacin 14-27 se encuentra
SSE = Eyy _(E"Y)2 / ti;

= 206.00- (186.60)2 /195.60
= 27.99
con a(n - 1) - 1 = 3(5 - 1) - 1 = 11 grados de libertad.
La suma de cuadrados para probar Ho:7:1 = 7:2 7:3 O es = =
SS~ -SSE = 41.27-27.99
=1128
con a - 1 = 3 - 1 = 2 grados de libertad. Estos clculos se resumen en la tabla 14-11.

Para probar la hiptesis de que las mquinas difieren en la resistencia a la ruptura de la fibra produci-
da, es decir, Ho:T =O, por la ecuacin 14-30 el estadstico de la prueba se calcula como
F = (SS~-SSE)/(a-1)
o SS E / [ a(n - 1)- 1]
1128/2 6.64
= 27.99/11 = 2.54 = 261
Al comparar este valor con FO.lo. 2, 11 = 2.86, se encuentra que no puede rechazarse la hiptesis nula. El va-
=
lor P de este estadstico de la prueba es P 0.1181. Por lo tanto, no hay evidencia slida de que las fibras
producidas por las tres mquinas difieran en la resistencia a la ruptura.
La estimacin del coeficiente de regresin se calcula con la ecuacin 14-26 como
p = E;t}' = 186.60 = 0.9540

E"" 195.60
La hiptesis Ho:{3 = O puede probarse usando la ecuacin 14-33. El estadstico de prueba es
F = (E;t}')2 / Ex:< = (186.60)2 /195.60 = 70.08

o MSE 254
y puesto que FO.Ol. 1, 11 = 9.65, se rechaza la hiptesis de que f3 = O.Por lo tanto, existe una relacin lineal
entre la resistencia a la ruptura y el dimetro, y el ajuste proporcionado por el anlisis de covarianza fue
necesario.
~ ......
..... 00
......
O ......
~ O
......
~ ~
N
o
"00
0:1._
...."0 ~
V) ~
= 8S
'o
.SIl
"Ocu
0:1 N ..c
~
lS cu
0:1
;
"0"0
'"
ot:0:1 _
.........
.... N
c..
'"
O
"O
0:1
"Ocu
0:1.,
......
0- -
t;
;:1
< "'-
'"
"'Nr-. ~
t--=...; <:<i
N""<t ......
'";:;
-
... ~8~
'"
O
O..c..c
.!:! ""<tO""<t
;:l "'- ......
N .....
'"'"
'0
"O
...e,
O
::
.....
.~ '"
O
...
<lJ "O
0:1
8~~
.!:! -l3l ~ \O N
<lJ
"U ;:l
u
~~~
'"
B CU
"O
'"
"U
'"
.2
l
~~p
V) ......
<lJ
r;n '"< 1.0 '"
"U I.O-N \O
'"Elca
CU
'la;;. "0"0
O
u
~~
"O~ ..........
NN""<t
l.,
<lJ
"U ;:.:=
..'"
~
-;o
1': '"'"
"O
< 5
.....
~ Q
"0-0
'"
;:l
.~
..... E'~
..;.
~'; ~ '"
.'"
.....
...!3 ~>
=
S ~
::E Jl Q ""
..Q 0"'03 O"'
'l
~ ~
611
612 CAPTUlO 14 OTROS TPICOS DE DISEO Y ANLISIS
Las medias de los tratamientos ajustadas pueden calcularse con la ecuacin 14-31. Estas medias ajus-
tadas son
YL ajustada = YL - P( Xl - X.. )
= 41.40- (0.9540)(25.20- 24.13) = 40.38
yzajustada = Y2. - P(x2. - x..)

= 43.20- (0.9540)(26.00- 24.13) = 41.42
y
}\_ajustada = Y3. - P< x3. - X )
= 36.00- (0.9540)(21.20- 24.13) = 38.80
Al comparar las medias ajustadas con las medias no ajustadas de los tratamientos (las yi.), se observa que
las medias ajustadas se encuentran mucho ms prximas entre s, una indicacin ms de que el anlisis de
covarianza fue necesario.
Un supuesto bsico en el anlisis de covarianza es que los tratamientos no influyen en la covariablex,
ya que la tcnica elimina el efecto de las variaciones en lasXi..Sin embargo, si la variabilidad en las z se
debe en parte a los tratamientos, entonces el anlisis de covarianza elimina parte del efecto de los trata-
mientos. Por lo tanto, deber tenerse una seguridad razonable de que los tratamientos no afectan los va-
lores x; En algunos experimentos esto puede ser obvio a partir de la naturaleza de la covariable, mientras
que en otros puede ser ms dudoso. En el ejemplo tratado aqu puede haber una diferencia en el dimetro
de la fibra (xij) entre las tres mquinas. En tales casos, Cochran y Cox [26] sugieren la posible utilidad de
un anlisis de varianza de los valores r, para determinar la validez de este supuesto. Para el problema tra-
tado aqu, con este procedimiento se obtiene
F. = 66.13/2 = 33.07 = 2.03
o 195.60/12 16.30
que es menor que FO.10,2,12 = 2.81, por lo que no hay razn para creer que las mquinas producen fibras con
dimetros diferentes .
lo lo lo a \11 ..
La verificacin del diagnstico del modelo de covarianza se basa en el anlisis residual. Para el mode-
lo de covarianza, los residuales son
donde los valores ajustados son

Yij = .u+T +P(xlj -x ..)= Y. +[Yi. - Y.. - PCx.-x ..)]
+f3~(x.. -x )= y. +f3~(x.9 -x.)
I} l. l.
Por 10 tanto,
e 1J.. = y_v - Y - P(x - X )
l. f.} l_
(14-34)
Para ilustrar el uso de la ecuacin 14-34, el residual de la primera observacin de la primera mquina
del ejemplo 14-4 es
eu = Yll - Yi. - P(xll - XL) = 36- 41.4- (0.9540)(20- 25.2)
= 36- 36.4392 = -0.4392
En la tabla siguiente se presenta una lista completa de las observaciones, los valores ajustados y los
residuales:
Valor observado y Valor ajustado y Residual e = y - y

36 36.4392 -0.4392
41 41.2092 -0.2092
39 40.2552 -1.2552
42 41.2092 0.7908
49 47.8871 1.1129
40 39.3840 0.6160
48 45.1079 2.8921
39 39.3840 -0.3840
45 47.0159 -2.0159
44 45.1079 -1.1079
35 35.8092 -0.8092
37 37.7171 -0.7171
42 40.5791 1.4209
34 35.8092 -1.8092
32 30.0852 1.9148
Los residuales se grafican contra los valores ajustados Yj en la figura 14-4, contra la covariable z, en la fi-
gura 14-5 y contra las mquinas en la figura 14-6. En la figura 14-7 se muestra la grfica de probabilidad
normal de los residuales. Estas grficas no revelan ninguna desviacin importante de los supuestos, por lo
que se concluye que el modelo de covarianza (ecuacin 14-15) es apropiado para los datos de la resisten-
cia a la ruptura.
Es interesante observar lo que habra ocurrido en este experimento si no se hubiera realizado el an-
lisis de covarianza, es decir, si los datos de la resistencia a la ruptura (Y) se hubieran analizado como un ex-
perimento de un solo factor en el que se ignorara la covariablex. Enla tabla 14-12 se muestra el anlisis de
varianza de los datos de la resistencia a la ruptura. Se concluira, con base en este anlisis, que las mqui-
nas difieren significativamente en la resistencia de la fibra producida. Es exactamente la conclusin

~~----~----~----~----~----~
25 30 35 45 50 40
Yij
Figura 14.4 Grfica de los residuales contra los valores ajus-
tados del ejemplo 14-4.
614 CAPTIJLO 14 OTROS TPICOS DE DISEO Y ANLISIS

2

..
:;::.
O
....

-2
Figura 14-5 Grficade los residualescontra el dimetrox de

la fibra en el ejemplo 14-4.
opuesta del anlisis de covarianza. Si se sospechara que las mquinas difieren significativamente en su
efecto sobre la resistencia de la fibra, entonces se intentara igualar la resistencia producida por las tres
mquinas. Sin embargo, en este problema las mquinas no difieren en la resistencia de la fibra producida
despus de que se elimina el efecto lineal del dimetro. Sera conveniente reducir la variabilidad del di-
metro de la fibra dentro de las mquinas, ya que con esto probablemente se reducira la variabilidad de la
resistencia de la fibra.
14~3.2 Solucinpor computadora

Se cuenta con varios paquetes de software que pueden realizar el anlisis de covarianza. En la tabla 14-13
se muestra la salida del procedimiento General Linear Models (modelos lineales generales) de Minitab

2

.,~ o

-2

-4
O 2 3
Mquina
Figura 14-6 Grfica de los residuales contra las

mquinas.
14-3 ANLISISDECOVARIANZA 615
99
96
90
'o
:= 80
"
;; 70
E 60
(5
e 50
"C
'"
:g 40
j 30
20
~
10
6
-4 -2 o 2 4
Residuales. eii
para los datos del ejemplo 144. Esta salida es muy similar a las que se presentaron anteriormente. En la
seccin de la salida bajo el encabezado "Anlisis de varianza" ("Analysis ofvariance"), "SS Seq" corres-
ponde a la particin "secuencial" de la suma de cuadrados del modelo global, es decir,
SS (Modelo) = SS (Dimetro) +SS(Mquina IDimetro)
= 305.13+1128
= 318.41
mientras que "SS ajustada" corresponde a la suma de cuadrados "extra" para cada factor, es decir,
SS(MquinaIDimetro) = 13.28
y
SS(Dimetro IMquina ) = 178.01
Observe que SS(Mquina IDimetro) es la suma de cuadrados que deber usarse para probar que no hay
ningn efecto de la mquina, y que SS(Dimetro IMquina) es la suma de cuadrados corregida que debe-
r usarse para probar la hiptesis de que {J = O. Los estadsticos de la prueba de la tabla 14-13 difieren li-
geramente de los que se calcularon manualmente debido al redondeo.
Tabla 1412 Anlisis incorrecto de los datos de la resistencia a la ruptura como un experimento de un solo factor
Fuentede Gradosde
variacin Sumade cuadrados libertad Cuadradomedio Fo ValorP
Mquinas 140.40 2 70.20 4.09 0.0442
Error 206.00 12 17.17
lbtal 346.40 14
616 CAPTULO 14 OTROS TPICOS DE DISEO y ANLISIS
Tabla 14-13 Salida de Minitab (anlisisde covarianza) del ejemplo 14-4

Modelo lineal general

"achine fixed 3 1 2 3
Analysis of Variance for Strength, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj "S F P
Diameter 1 305.13 178.01 178.01 69.97 0.000
"achine 2 13.28 13.28 6.64 2.61 0.118
Error 11 27.99 27.99 2.54
Total 14 346.40
Term Coef StDev T P
Constant 17.177 2.783 6.17 0.000
Diameter 0.9540 0.1140 8.36 0.000
Machine
1 0.1824 0.5950 0.31 0.765
2 1.2192 0.6201 1. 97 0.075
Means for Covariates

Covariate Mean StDev
Diameter 24.13 4.324
Least Squares "eans for Strength
"achine Mean StDev
1 40.38 0.7236
2 41.42 0.7444
3 38.80 0.7879
El programa calcula tambin las medias de los tratamientos ajustadas con la ecuacin 14-31 (Minitab
hace referencia a stas como las medias de mnimos cuadrados en la salida muestral) y los errores estn-
dar. El programa comparar asimismo todos los pares de medias de tratamientos utilizando los procedi-
mientos de comparacin mltiple por pares estudiados en el captulo 3.
14..3.3 Desarrollo mediante la prueba general de significacinde la regresin

Es posible desarrollar formalmente el procedimiento para probar Ho:r; = Oen el modelo de covarianza
y .. =ft+r+{3(x-x
r) I t)..
)+e,
'}
{i.:11,2,2,,a
J-, ...,n
(14-35)
utilizando la prueba general de significacin de la regresin. Considere la estimacin de los parmetros

del modelo (ecuacin 14-15) por mnimos cuadrados. La funcin de mnimos cuadrados es
L=!!;-1 j-l
[Yij-ft-r-fi(xij-x.)]2 (14-36)
14-3 ANLISIS DE COY ARIANZA 617
y a partir de aL/a", = aLliJT = aLla{3 = 0, se obtienen las ecuaciones normales
,u:an,u+n! fi = Y.. (14-37a)
7::n,u+nf +,8! j~l

(xij -x ..)= Yi i=1,2, ...,a (14-37b)
{3:!f! (xij-x ..)+,8Sn; =S ; (14-37c)

;:s1 j~l
Al sumar las a ecuaciones de la ecuacin 14-37b, se obtiene la ecuacin 14-37a porque l::~ll:j~l(xij-
x..) = 0, por lo que existe una dependencia lineal en las ecuaciones normales. Por lo tanto, es necesario au-
mentar las ecuaciones 14-37 con una ecuacin linealmente independiente para obtener una solucin.
Una condicin lgica es l::~l Ti:;: O.
Al utilizar esta condicin, de la ecuacin 14-37a se obtiene
(14-38a)
y de la ecuacin 14-37b
ti = Yi. - Y.. - .8cx - x.) (14-38b)
La ecuacin 14-37c puede reescribirse como
a " Q n
~ (-y.-y-)~
.L,., . .. LJ (x IJ..-x
)_R~JJ ~ l. ...L,., (x '1..-x .. )+RS
(x -x)~ P jX
=S .zy
Ie=L j;;;;;;l i~l j~l
despus de sustituir para ti. Pero se observa que
L4
i~l
(Y. - y. .)L (xij -x..)= r;
j~l
"
!
~1
(XI. -x .. )!i~l (xi -x ..)= Tu
Por lo tanto, la solucin de la ecuacin 14-37c es

~ s; -Txy
{3=------'----~.;:_
e;
S",,-Txx EJQC
que fue el resultado dado anteriormente en la seccin 14-3.1 en la ecuacin 14-26.
La reduccin en la suma de cuadrados total debida al ajuste del modelo (ecuacin 14-15) puede ex-
presarse como
4
R(,u, s, {3) = ,uy.. + L f Yi. +,8S xy i

= (Y..)Y.. + [Yi. - Y.. - (Exy I e; )(X. - x..)]y. +(Exy / e; )Sxy

= l/ an+ L (Y. - Y.. )Yi. -(E")' / E;a) (Xi -x ..)Yi. +(Exy / E;a)Sxy
i:::;1 i~l
= y'~ l an+Tc
-(E")' / E",,)(Txy -S")')
= Y.~/ an+Tw +(Exy)2 / En:
Esta suma de cuadrados tiene a + 1 grados de libertad porque el rango de las ecuaciones normales es
a + 1. La suma de cuadrados del error de este modelo es
a n
SSE = 2:2: y: - R(p, {3) T,
a n
= L 2: y: - y2 / an - T yy - (E xy) 2 / E XL
;=1 j=l
= Syy -Tyy -(Exy)2 / En

(14-39)
= Eyy _(Exy)2 / e;
con an - (a + 1) = a(n - 1) - 1 grados de libertad. Esta cantidad se obtuvo anteriormente como la ecua-
cin 14-27.
Considere ahora el modelo restringido a la hiptesis nula, es decir, a Ho:tl = t2 = ... = Ta = O. Este
modelo reducido es
Y q.. = p+f3(x- 'J"-x )+e Q.. {i.: 1,2, ,a

J -1, 2, ,n
(14-40)
Se trata de un modelo de regresin lineal simple, y las ecuaciones normales de mnimos cuadrados para
este modelo son .
anfi = Y.. (14-41a)
(14-41b)
Las soluciones de estas ecuaciones son fi =y y~ = SJSxx; y la reduccin en la suma de cuadrados total
debida al ajuste del model reducido es
R(t, {3) = fiy. + ~Sxy
= (y __)Y. +( Sxy / S",,)S xy
= y_2 / an+(Sxy)2 / S"" (14-42)
Esta suma de cuadrados tiene dos grados de libertad.

La suma de cuadrados apropiada para probar Ho:T 1 = Tz = ... :::Ta = O puede encontrarse como
R( ti u, (3) = R(p, T, {3)- R(p, (3)
= l /an + T yy +(E xy) 2 / E - y'~ / an - ( Sxy) 2 / S X<
= Syy _(Sxy)2 / s; -[Eyy _(Exy)2 / E,n:l (14-43)
utilizando Tyy = Syy-Eyy. Observe queR(T 1t,(3) tiene a + 1- 2 = a -1 grados de libertad y que es idntica
a la suma de cuadrados dada por SSE-SSE en la seccin 14-3.1. Por 10 tanto, el estadstico de prueba para
Ho:r:j = O es
F. = R( t1 u, (3) / (a - 1) = ~(S_S:::....~
-_SS~E..:.,_)
/____:(_a
-_1----'--.)
(14-44)
o SS!!. /[a(n-1)-1] SSE /[a(n-l)-I]
expresin que se dio anteriormente como la ecuacin 14-30. Por 10 tanto, utilizando la prueba general de
significacin de la regresin, se ha justificado el desarrollo heurstico del anlisis de covarianza de la sec-
cin 14-3.1.
14-3.4 Experimentos factoriales con covariables
El anlisis de covarianza puede aplicarse a estructuras de tratamientos ms complejas, como los diseos
factoriales. Siempre que existan datos suficientes para cada combinacin de tratamientos, prcticamente
cualquier estructura de tratamientos compleja puede analizarse mediante el enfoque del anlisis de cova-
rianza. A continuacin se indica cmo podra usarse el anlisis de covarianza en la familia ms comn de
diseos factoriales utilizados en la experimentacin industrial, los factoriales 2k
Al establecer el supuesto de que la covariable afecta a la variable de respuesta de manera idntica
para todas las combinaciones de tratamientos, podra construirse una tabla del anlisis de covarianza si-
milar al procedimiento dado en la seccin 14-3.1. La nica diferencia sera la suma de cuadrados de los
tratamientos. Para un factorial 22 con n rplicas, la suma de cuadrados de los tratamientos (TY.)') sera (1/n)
~;~1~~~1 y=Y~- 1(2)(2)n.Esta cantidad es la suma de las sumas de cuadrados de los factores A, B y la in-
teraccinAB. Entonces podra hacerse la particin de la suma de cuadrados ajustada de los tratamientos
en componentes de los efectos individuales, es decir, la suma de cuadrados de los efectos principales ajus-
tados SSA y SSB' y una suma de cuadrados de la interaccin, SSAB'
El nmero de rplicas es un aspecto clave cuando se ampla la estructura de los tratamientos del dise-
o. Considere un arreglo factorial 23 Se necesita un mnimo de dos rplicas para evaluar todas las combi-
naciones de tratamientos con una covariable separada para cada combinacin de tratamientos. (una
covariable por interaccin de tratamientos). Esto es equivalente a ajustar un modelo de regresin simple
a cada combinacin de tratamientos o celda del diseo. Con dos observaciones por celda, un grado de li-
bertad se usa para estimar la ordenada al origen (el efecto del tratamiento), y el otro se usa para estimar la
pendiente (el efecto de la covariable). Con este modelo saturado, no se cuenta con ningn grado de liber-
tad para estimar el error. Por lo tanto, se necesitan al menos tres rplicas para un anlisis de covarianza
completo, suponiendo el caso ms general. Este problema se agudiza cuando se incrementa el nmero de
celdas distintas del diseo (combinaciones de tratamientos) y las covariables.
Si el nmero de rplicas est limitado, pueden hacerse varios supuestos para permitir un anlisis til.
El supuesto ms simple (y tpicamente el peor) que puede hacerse es que la covariable no tiene ningn
efecto. Si la covariable, incorrectamente, deja de tomarse en consideracin, el anlisis completo y las con-
clusiones subsecuentes podran tener graves errores. Otra eleccin es suponer que no bay ningn trata-
miento por interaccin de la covariable. Aun cuando este supuesto sea incorrecto, el efecto promedio de
la covariable en todos los tratamientos seguir incrementando la precisin de la estimacin y la prueba de
los efectos de los tratamientos. Una desventaja de este supuesto es que si varios niveles de los tratamien-
tos interactan con la covariable, los diferentes trminos pueden cancelarse entre s y el trmino de la co-
variable, si se estima solo sin ninguna interaccin, puede resultar no significativo. Una tercera eleccin
sera suponer que algunos de los factores (como algunas interacciones de dos factores y de rdenes supe-
riores) no son significativos. Esto permite usar parte de los grados de libertad para estimar el error. Sin
embargo, este curso de accin deber emprenderse con cuidado, y los modelos subsecuentes debern
evaluarse a profundidad, ya que la estimacin del error ser relativamente imprecisa a menos que se le
asignen suficientes grados de libertad. Con dos rplicas, cada uno de estos supuestos liberar algunos gra-
dos de libertad para estimar el error y permitir realizar pruebas de hiptesis tiles. El supuesto que se es-
tablecer deber ser dictado por la situacin experimental y por el riesgo que el experimentador est
dispuesto a correr. Cabe hacer notar que en la estrategia de construccin del modelo de los efectos, si se
elimina el factor de uno de los tratamientos, entonces las dos "rplicas" resultantes de cada factorial 23
original no son en realidad rplicas. Estas "rplicas ocultas" liberan grados de libertad para la estimacin
de parmetros, pero no debern usarse como rplicas para estimar el error puro porque la ejecucin del
diseo original quiz no se haya aleatorizado para ello.
Tabla 1414 Datos de la respuesta y la covariahle para un diseo 23 con

2 rplicas
A B e x y
-1 -1 -1 4.05 -30.73
1 -1 -1 0.36 9.07
-1 1 -1 5.03 39.72
1 1 -1 1.96 16.30
-1 -1 1 5.38 -26.39
1 -1 1 8.63 54.58
-1 1 1 4.10 44.54
1 1 1 11.44 66.20
-1 -1 -1 3.58 -26.46
1 -1 -1 1.06 10.94
-1 1 -1 1.5.53 103.01
1 1 -1 2.92 20.44
-1 -1 1 2.48 -8.94
1 -1 1 13.64 73.72
-1 1 1 -.67 15.89
1 1 1 5.13 38.57
Para ilustrar algunas de estas ideas, considere el diseo factorial 23 con dos rplicas y una covariable
que se muestra en la tabla 14-14. Si la variable de respuesta y se analiza sin tomar en cuenta la covariable,
resulta el siguiente modelo: .
y== 2S.03+1l.20A+18.05B+7.24C-18.91AB+ 14.80AC
El modelo global es significativo en el nivel de a = 0.01 con R2 = 0.786 y MSE = 470.82. El anlisis residual
no indica problemas con este madeja, excepto porque la observacin con y = 103.01 es inusual.
Si se elige el segundo supuesto, que las pendientes son comunes con ningn tratamiento por interac-
cin de la covariable, pueden estimarse el modelo de los efectos completo y el efecto de la covariable. La
salida de Minitab (de la rutina General Linear Models) se muestra enla tabla 14-1S.Observe queMSE se
ha reducido considerablemente al tomar en consideracin la covariable. El anlisis final resultante des-
pus de eliminar de manera secuencial cada interaccin no significativa y el efecto principal C se muestra
en la tabla 14-16. Este modelo reducido proporciona unMSE todava menor que el modelo completo con
la covariable de la tabla 14-1S.
Por ltimo, podra considerarse un tercer curso de accin, suponiendo que ciertos trminos de in-
teraccin son insignificantes. Se considera el modelo completo que permite pendientes diferentes entre
los tratamientos y la interaccin tratamiento por covariable. Se supone que no son significativas las in-
teracciones de tres factores (tantoABC comoABCx) y se usan los grados de libertad asociados con ellas
para estimar el error en el modelo de los efectos ms general que pueda ajustarse. ste es con frecuencia
un supuesto prctico. Las interacciones de tres factores son por lo general insignificantes en la mayora de
los ambientes experimentales. La versin actual de Minitab no puede modelar covariables que interac-
tan con los tratamientos, por lo que se usa PROC GLM de SAS. Las sumas de cuadrados tipo In son las
sumas de cuadrados ajustadas que se necesitan. En la tabla 14-17 se presentan los resultados de SAS para
este modelo.
Con un modelo casi saturado, la estimacin del error ser bastante imprecisa. Incluso cuando unos
cuantos trminos son individualmente significativos en el nivel a = O.OS, el sentido general es que este
modelo es mejor que los dos escenarios previos (basados en R2 y el cuadrado medio del error). Debido a
que el aspecto de los efectos de los tratamientos del modelo es de mayor inters, se eliminan de manera
secuencial trminos de la porcin de la covariable del modelo a fin de agregar grados de libertad para esti-
14-3 ANLISISDECOVARIANZA 621
Tabla 1415 Anlisis de covarianza de Minitab para el experimento de la tabla 14-14, suponiendo una
pendiente comn

A
B
fixed
fixed
2 -1 1
2 -1 ,
C fixed 2 -1 1
Analysis 01 Variance for y, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F p
x 1 12155.9 2521.6 2521.6 28.10 0.001
A 1 1320.7 1403.8 1403.8 15.64 0.005
B 1 3997.6 4066.2 4066.2 45.31 0.000
C 1 52.7 82.3 82.3 0.92 0.370
A*B 1 3788.3 3641.0 3641.0 40.58 0.000
A*C 1 10.2 1.1 1.1 0.01 0.913
B*C 1 5.2 8.4 8.4 0.09 0.769
A*B*C 1 33.2 33.2 33.2 0.37 0.562
Error 7 628.1 628.1 89.7
Total 15 21992.0
Term Coef StDev T P
Constant -1.016 5.454 -0.19 0.858
x 4.9245 0.9290 5.30 0.001
mar el error. Si se elimina secuencialmente el trminoACx seguido de BCx, el MSE decrece a 0.7336 y va-
rios trminos no son significativos. En la tabla 14-18 se muestra el modelo final despus de eliminar
secuencialmente Cx,AC y BC.
Este ejemplo destaca la necesidad de contar con grados de libertad para estimar el error experimen-
tal a fin de incrementar la precisin de las pruebas de hiptesis asociadas con los trminos individuales
del modelo. Este proceso deber hacerse de manera secuencial para evitar la eliminacin de trminos sig-
nificativos enmascarados por una estimacin pobre del error.
Tabla 1416 Anlisis de covariarua de Minitab, modelo reducido para el experimento de la tabla 14-14

A fixed 2 -1 1
B fixed 2 -1 1
Analysis of Variance tor y, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P
x 1 12155.9 8287.9 8287.9 119.43 0.000
A 1 1320.7 1404.7 1404.7 20.24 0.001
B 1 3997.6 4097.7 4097.7 59.05 0.000
A*B 1 3754.5 3754.5 3754.5 54.10 0.000
Error 11 763.3 763.3 69.4
TotaL 15 21992.0
Term Coef StDev T p

Constant -1.878 3.225 -0.58 0.572
x 5.0876 0.4655 10.93 0.000
.....
o-r--oo.-o..:t",o",co.--oO
O-Nr--", ....Or--o...:tO..:tN ....
11 00.", r--O",N,., ....
O-O .......:t
NOOOO'-OOOO ....
OO-OO
L 1111 111 ..
0..0000000000000
QI'"
::::I..:t
_.
nI-O
. ~
GlN.- ....ONN..:tOO
::::I",,,,O'NO,,, ....

nI",O-..:tNQOU'l..:tClOOOOO
....
O'U'lOU'l
.-,,,O,,,OO
11 111 I
>0 > N.... ,.,N-O..:t

N N
.......... .....
e QI-O", II..:tO'..:tU'lN..:tr--COO..:t-o.... ,o
ni 1.."'0 1..0- ....0.", r--....
COClO 0-00 r--o-oo
QI nlr--N nI-O"'o. 'O..:t..:tNN..:t,... '00.""
E ::::1 r--o
..
::::IO-U'l ,... ..:tr--",NON
tT..:t ..:t C'O-NCIO r-- -4'N..:tCO",N ......
Cf) enU'lIt'lOON-4' .....
O,...N ....O-O
.......... -00 O .... 0-4' N o-r-- ....O. O O
o- e .
-o nI-4'",II\ ooo-,.,"'O-OOO
'<'" GI .-",.... ..:t,.,o-,.,
E ",
.....
CllCIO-o..:t .Q f,I)-4'O--4'
11'1 N-4' .....
CIO0-4'-0""'0
eQlNO", >N enO'.-O',., ............
CIOcoo-oor--o.oo
I..CIO..:tN .00 'O 1"l00-O..:t-4'N N-4'r--,oo- ....
E ni 00 .... ....
0 ....
::;J::::INCIOO
en tT
.... O-II'Ir--,.,
....
O-NOO ....
...............
""'r--",NON
,...,.,-4'N-4'CIO",N ......
r-- ...."''''OON..,. .... O N,...O,o
f,l)O-NN -OOO .... O..,.NO' O-OO
CIO o. cu ,. III! IJ ,.
o-
...
o-
N
.-
N 1-
0."",.,,,,,...000-,.,"'0-000
>- .... 1""1.... ..,.,.,0.,.,
1""1
11
-'
.Q
....1..
ni -'
ni
....
ni e
> 1-
.... ."
e
GI ....GI
." GI U GI
e u-' I..GI U
11 1..11 el.. 1..
c. ::::1." 1.. 1.. ::::1 XXx
11 cel..o O m ....
c..o XX><mc..o ....
lO f,l)ELLI.... en<m ....
m>ltIuCD
622
y,. ..... .... ooN..--.:t ..................
o ...0000000 ~
1\0 I\OOCOOOOO O ooO-OOO-.:t"-II"I'01I\
O 00000000 ONII"III"I-O .... O'l\Io4'
1.. r.. 1.. Glo.OO,.,OO N-.:t 11"1 000
1:1..0 1:1..00000000 O ... O' .....
-.:t,....
.....
I'-O"-N
r..lUlI"Io.I""I"'o4'''_'O~'''
1.. e >ON-.:tNI'-OO .....
'O""
UJ..-.:t""I""IN,., N ....
...11"111"111"1,.,11\ ..-
"'O en .. ... .. ..
GI"" .... -.:toooo-o""oo "'UJOOOOOOOOO
:::1-00.04'.... 00011"100 11)
....J .. 11 111
cu",,-o-oo.,....,...OOOO
>N-.:t 00",,0. 00 1'--0
N NN-O-O
.....
OON .....-.:t
................
0 ....0000000
000000000
1\ 000000000
CGlo.O UJo4'Gloo-o 000011\,......... o
101..000 ",-.:t
r..ll"la..-OO-N-O-O-.:t 1.. 000000000
GlCUNO E 04'CQ .....-.:t-o011\ 11\11"1a.. 1:1..
E:::IO' ... O :::1"'"1'-11"1II"I-O-.:t
000
'" 000. .
C'N 00 ...
0 O'O' ..... """"N,."",,'O
00. 11) 11"1""04'-0,....0. 11"1
N
O .....
a:o c: '
O N"'"
00,.,,""""
,...
04'
..,o.ooN ..... O,."ON
111..O 04''0 11"1
N 'O-.:t1'-11"1
..
olll'-OOooo.NNO-OOO
'O
N GI..... :z:::: c..
,.,,.,,.,-.:t,.,,II"I-.:t .. .....
:lE N NNII"III"I GlOO-.:t-O>O>OI'->O'01I"I
1.. NN
O GI I
.....e
.....
1II-.:t004'
OGl""-O""
...... cn 00-0
> .....
00 00 11"1,... .... 0
cnll"lo.-oo.N'O'Oo4'
.......ce111
1..-Oll"lN '-0 ....-.:t-OOIl"lIl"lIl"lO' Ci.
e m""""'"",
:::1:::1",,-00
v"_
o.
"''''''1'-11"111"1'004'000
...O' .....
,.",.,N"",.,-O
U'lC" 11\ ...1I\,.,-.:t-o,,-o.II\N
"'-O 11"1
00
N
o. ., .. .
...0 N ""00",,""'''''
.
o.
........ N
N
o. Q.o. 00 N ... lO "" O N GlOOo.NOl'-o."-o-
>. .....,.",.,,.,-.:t,.,,1I"I04' "''''''''''->OII"I,.,-.:to.N
.... N NNII"III\ 11I00"'NooOOo.Oo.N
eOOO'OO>O .....
NON
.....,.,11"1
o. -o 1""1 1'-,.,~ -4"
"'-4"0011"111"1>0-4'>0,.,,.,
111 N 1'-'0-4',.,0000
LLI... .. I
o N"" 11"1
I""INN ....
1""1
..... I I
....
...
1
,_O
"'O ......
GI CJ
...GI GI
GlQ.
...GI
GlCJ
CJ .... 1.. GI Col El..
1.. GI O 1.. r.. 111 GI
:::1"0&.1.. :::1 >< 1..... ><
O O r.. O O 111 ><><111 lile al XXal
"'Eu.I~ II)CIIIV<>CDC I:I..0-4Calv<>al<
623
,624 CAPTULO 14 ornos TPICOS DE DISEO Y ANLISIS
Al revisar los resultados obtenidos de los tres enfoques, se observa que cada mtodo mejora de mane-
ra sucesiva el ajuste del modelo en este ejemplo. Si hay una razn fundada para creer que la covariable no
interacta con los factores, quiz sea mejor establecer ese supuesto desde el principio del anlisis. Esta
opcin tambin puede ser dictada por el software. Aun cuando los paquetes de software para diseos ex-
perimentales quiz slo tengan capacidad para modelar covariables que no interactan con los trata-
mientos, el analista puede tener una oportunidad razonable de identificar los factores principales que
influyen en el proceso, incluso si hay alguna covariable por interaccin de tratamientos. Se observa asi-
mismo que las pruebas usuales de la adecuacin del modelo siguen siendo apropiadas y se recomiendan
enrgicamente como parte del proceso de construccin del modelo del anlisis de covarianzaANCOVA.
14~4 MEDICIONES REPETIDAS
En el trabajo experimental de las ciencias sociales y el comportamiento, as como en algunos aspectos de

la ingeniera y las ciencias fsicas, las unidades experimentales son con frecuencia personas. Debido a las
discrepancias en experiencia, capacitacin o formacin, en algunas situaciones experimentales las dife-
rencias en las respuestas de distintas personas al mismo tratamiento pueden ser muy grandes. A menos
que est controlada, esta variabilidad entre las personas se convertir en parte del error experimental, y
en algunos casos inflar significativamente el cuadrado medio del error, haciendo ms difcil detectar las
diferencias reales entre los tratamientos.
Es posible controlar esta variabilidad entre las personas utilizando un diseo en el que cada uno de
los a tratamientos se usa en cada persona (o "sujeto"). A ste se le llama diseo de mediciones repetidas.
En esta seccin se ofrece una breve introduccin a los experimentos de mediciones repetidas con un solo
factor.
Suponga que un experimento incluye a tratamientos y que cada tratamiento se va a usar exactamente
una sola vez en cada uno de n sujetos. Los datos apareceran como en la tabla ,14-19. Vea que la observa-
cin Yij representa la respuesta del sujeto j al tratamiento i y que slo se usan n sujetos. El modelo que se
utiliza para este diseo es
(14-45)
donde r, es el efecto del tratamiento i-simo y {Jj es un parmetro asociado con el sujeto j-simo. Se supone
que los tratamientos son fijos (de donde ~~~l'
i = O) Yque los sujetos empleados son una muestra aleato-
ria de alguna poblacin ms grande de individuos potenciales. Por 10 tanto, colectivamente los sujetos re-
presentan un efecto aleatorio, por lo que se supone que la media de {Jj es cero y que la varianza de {Jj es a~.
Puesto que el trmino {Jj es comn a todas las a mediciones del mismo sujeto, la covarianza entre Yij YYi'j no
Tabla 14-19 Datos de un diseo de mediciones repetidas con un solo factor

Sujeto Totales de
Tratamiento 1 2 n los tratamientos
1 Yu Yt2 YIn
2 Y~t Y!2 y!"
a Ya Y.z Yan Ya"

Thtales de los sujetos Y.l Y,z y," Y.
14-4 MEDICIONES REPETIDAS 625
es, en general, cero. Se acostumbra suponer que la covarianza entre Yij y Yi'j es constante a lo largo de todos
los tratamientos y los sujetos.
Considere una particin en el anlisis de varianza de la suma de cuadrados total, por ejemplo
~ ~
L, L,
(
v, _ Y.- )2 "'" aL,
~ (-
Y.j
_ - )2
Y.
+ L,
~ L,
{-, (v, _ -Y.j )2 (14-46)
i~l j=l j;;;1 ;-1 /-1
El primer trmino del miembro derecho de la ecuacin 14-46 puede considerarse como una suma de cua-
drados que resulta de las diferencias entre los sujetos, y el segundo trmino es una suma de cuadrados de
las diferencias dentro de los sujetos. Es decir,
SST = SS Entre los sujetos +SS Dentrode jos sujetos
Las sumas de cuadrados SSEntre1ossujetos y SSD.ntrodc los sujeto, son estadsticamente independientes, con grados
de libertad
an-l = (n-l)+n(a-l)
Las diferencias dentro de los sujetos dependen tanto de las diferencias en los efectos de los trata-
mientos como de la variabilidad no controlada (ruido o error). Por lo tanto, la suma de cuadrados resul-
tante de las diferencias dentro de los sujetos puede descomponerse de la siguiente manera:
tl n a a 11
LL (Yij - y.)2 = nL
j:::::;:1
(Y. - Y.. )2 + L 2: (Yi - Yi. - Y. + Y.. )2 (14-47)
El primer trmino del miembro derecho de la ecuacin 14-47 mide la contribucin de la diferencia entre
las medias de los tratamientos a SSDentro de los sujetos>Yel segundo trmino es la variacin residual debida al
error. Ambos componentes de SSDentro de 106 sujetos son independientes. Por lo tanto,
SS Dentrode louujetos = SS Tratamientos +SS E
con los grados de libertad dados por
n(a-l)= (a-l)+(a-l)(n-l)
respectivamente.
Para probar la hiptesis de que no hay ningn efecto de los tratamientos, es decir,
Ho:T1=T2==T.=0
H1: Al menos una Ti ;t: O
se usara el cociente
F. = SS Tratamientos / (a - 1) = MS Tratamiento.
(14-48)
O SSE/(a-l)(n-l) MSE
Si los errores del modelo siguen una distribucin normal, entonces bajo la hiptesis nula, Ho: Ti = O,el es-
tadstico F sigue una distribucinFa_1,Ca_l)(n_l)'La hiptesis nula se rechazara siFo > Fa, a-l,(a-l)(n-l)'
En la tabla 14-20 se resume el procedimiento del anlisis de varianza, donde se presentan tambin
frmulas convenientes de clculo para las sumas de cuadrados. El lector deber identificar el anlisis de
varianza de un diseo de un solo factor con mediciones repetidas como el equivalente del anlisis de un
diseo de bloques completos aleatorizados, donde los sujetos se consideran como los bloques.

o j ,.....I ,.....
"......,
:ao ~ I
6 J
'-':l '-':l'" X
~
.g 11 '-':l ......
I
...'"
'O
~
<i '::l
'-'
0:1 .~ 11
8 : '-':l'"
~ ~
145 PROBLEMAS 627
14..5 PROBLEMAS
14-1. Considere nuevamente el problema 5-22. Usar el procedimiento de Box-Cox para determinar si es apropiada
(o til) una transformacin de la respuesta para analizar los datos de este experimento.
14-2. En el ejemplo 6-3 se seleccion una transformacin logartmica para la respuesta velocidad de avance de una
perforadora. Usar el procedimiento de Box-Cox para demostrar que se trata de una transformacin de datos
apropiada.
14-3. Considere de nuevo el experimento del proceso de fundicin del problema 8-23, donde se us un diseo fac-
torial fraccionado 26 - 3 para estudiar el peso del material de empaque que se adhiere a nodos de carbono
despus de la coccin. Se hicieron tres rplicas de las ocho corridas del diseo, y el peso promedio y el rango
de los pesos de cada combinacin de prueba se trataron como las variables de respuesta. Existe algn indi-
cio de que se necesite una transformacin para cualquiera de las dos respuestas?
14-4. En el problema 8-24 se us un diseo factorial fraccionado con rplicas para estudiar el abombamiento o
combadura del sustrato en la fabricacin de semiconductores. Se usaron como variables de respuesta tanto la
media como la desviacin estndar de las mediciones de la combadura. Existe algn indicio de que se nece-
site una transformacin para cualquiera de las dos respuestas?
14-5. Considere nuevamente el experimento del recubrimiento fotoprotector del problema 8-25. Usar la varianza
del espesor del recubrimiento en cada combinacin de prueba como la variable de respuesta. Existe algn
indicio de que se necesite una transformacin?
14-6. En el experimento defectos en la rejilla del problema 8-29 se emple una variante de la transformacin de la
raz cuadrada en el anlisis de los datos. Usar el mtodo de Box-Cox para determinar si sta es la transforma-
cin apropiada.
14-7. En el diseo central compuesto del problema 11-14 se obtuvieron dos respuestas, la media y la varianza del
espesor del xido. Usar el mtodo de Box-Cox para investigar la utilidad potencial de una transformacin
para estas dos respuestas. Es apropiada la transformacin logartmica sugerida en el inciso e de ese proble-
ma?
14-8. En el diseo factorial 33 del problema 11-33, una de las respuestas es la desviacin estndar . Usar el mtodo
de Box-Cox para investigar la utilidad de las transformaciones para esta respuesta. Cambiara su contesta-
cin si se usara la varianza como la respuesta?
14-9. En el problema 11-34 se sugiere usar In(s2)como la respuesta (referirse al inciso b). El mtodo de Box-Cox
indica que es apropiada una transformacin?
14-10. Un distribuidor de bebidas gaseosas est estudiando la efectividad de los mtodos de descarga. Se han desa-
rrollado tres tipos diferentes de carretillas, y se lleva a cabo un experimento en el laboratorio de ingeniera de
mtodos de la compaa. La variable de inters es el tiempo de descarga en minutos (y); sin embargo, el tiem-
po de descarga tambin guarda una estrecha relacin con el volumen de las cajas descargadas (x). Cada ca-
rretilla se us cuatro veces y se obtuvieron los datos siguientes. Analizar estos datos y sacar las conclusiones
apropiadas. Utilizar a = 0.05.
Tipo de carretilla
1 2 3
Y x y x y x
27 24 25 26 40 38
44 40 35 32 22 26
33 35 46 42 53 50
41 40 26 25 18 20
14-11. Calcular las medias ajustadas de los tratamientos y los errores estndar de stas para los datos del problema
14-10.
14-12. A continuacin se presentan las sumas de cuadrados y los productos de un anlisis de covarianza de un solo
factor. Terminar el anlisis y sacar las conclusiones apropiadas. Utilizar a = 0.05.
-----------------------_ ... -- --_._-_ .._-

632 BIBLIOGRAFA
Conover, WJ. y R.L. Iman. [30b.] "Rank Transformations as a Bridge Between Parametric and Nonpara-
metric Statistics" (con comentarios), en The American Statiscian, vol. 35, pp. 124133.
Conover, WJ., M.E. Johnson y M.M. Johnson. [31.]'~ Comparative Study ofTests for Homogeneity of
Varianees, with Applieations to the Outer Continental Shelf Bidding Data", en Technometrics, vol. 23, pp.
351-361.
Cook, D.R [32a.] "Deteetion of Influential Observations in Linear Regression", en Technometrics, vol.
19, pp. 15-18.
Cook, D.R [32b.] "Influential Observations in Linear Regression", en Joumal oftheAmerican Statistical
Association, vol. 74, pp. 169-174.
Cornell, J.A [33.] Experiments with Mixtures: Designs, Models, and theAnalysis of Mixture Data. 2a. edi-
cin, Wiley, Nueva York.
Cornfield, J. y J.W Tukey. [34.] 'Average Value of Mean Squares in Factorials", enAnnals of Mathemati-
cal Statistics, vol. 27, pp. 907-949.
Daniel, C. [35a.] "Use ofHalf-Normal Plots in Interpreting Factorial Two Level Experiments", en Tech-
nometrics, vol. 1, pp. 311-342.
Daniel, C. [35b.] Applications 01 Statistics to Industrial Experimentation. Wiley, Nueva York.
Davies, O.L. [36.]Design andAnalysis of Industrial Experiments. 2a. edicin, Hafner Publishing Company,
Nueva York.
Derringer, G. y R Suich. [37.] "Simultaneous Optimization of Several Response Variables", en Journal of
Quality Technology, vol. 12, pp. 214-219.
Dolby, J.L. [38.] '~ Ouick Method for Choosing a Transforrnation", en Technometrics, vol. 5, pp. 317-326.
Draper, N.R. y WG. Hunter. [39.] "Transformations: Sorne Examples Revisited", en Technometrics, vol.
11, pp. 23-40.
Duncan, AJ. [40.] Quality Control and Industrial Statistics. 5a. edicin, Richard D. Irwin, Hornewood, Ill.
Duncan, D.B. [41.] "Multiple Range and Multiple F Tests", en Biometrics, vol. 11, pp. 1-42.
Dunnett, C.w. [42.] "New Tables for MuItiple Comparisons with a Control", en Biometrics, vol. 20, pp.
482-491.
Eisenhart, C. [43.] "The Assumptions Underlying the Analysis of Variance", en Biometrics, vol. 3,
pp. 1-21.
. .
Fisher, RA [44a.] Statistical Methodsfor Research Workers. 13ava edicin, Oliver & Boyd, Edimburgo.
Fisher, RA [44b.] The Design 01Experimenis. 8a. edicin, Hafner Publishing Cornpany, Nueva York.
Fisher, RA y E Yates. [45.] Statistical Tablesfor Biological, Agricultural, and Medical Research, 4a. edi-
cin, Oliver & Boyd, Edimburgo.
Fries, AyWG. Hunter. [46.] "Minimum Aberration 2kp Designs", en Technometrics, vol. 22, pp. 601-608.
Gaylor, D.W y T.D. Hartwell. [47.] "Expected Mean Squares for Nested Classifications", en Biometrics,
vol. 25, pp. 427-430.
Gaylor, D.W. y F.N. Hopper. [48.] "Estimating the Degrees of Freedom for Linear Combinations of Mean
Squares by Satterthwaite's Formula", en 'Iechnometrics, vol. 11, no. 4, pp. 699-706.
Graybill, EA. y D.L. Weeks. [49.] "Combining Interblock and Intrablock Information in Balanced Ineom-
plete Blocks", en Annals of Mathematical Statistics, vol. 30, pp. 799-805.
Graybill, EA [50.] An Introduction to Linear Statistical Models. Vol. 1, McGraw-Hill, Nueva York.
BIBLIOGRAFA 633
Graybill, EA y C.M. Wang. [51.] "Confidence Intervals on Nonnegative Linear Combinations ofVarian-
ces", en Joumal 01 the American Statistical Association, vol. 75, pp. 869-873.
Hamada, M. y N. Balakrishnan. [52.] 'Analyzing Unreplicated Factorial Experiments: A Review with
Some New Proposals" (con comentarios), en Statistica Snica, vol. 8, pp. 1-41.
Hamada, M. y C.EJ. Wu. [53.] ''Analysis of Designed Experiments with Complex Aliasing", en Ioumal 01
Quality Technology, vol. 24, no. 3, pp. 130-137.
Hill, WG. y w.G. Hunter. [54.] .~ Review of Response Surface Methodology: A Literature Survey", en
Technometrics, vol. 8, pp. 571-590.
Hines, W.W y D.C. Montgomery. [55.] Probability and Statistics in Engineering and Management Science.
3a. edicin, Wiley, Nueva York.
Hocking, RR [56.] '~Discussion o the 1Wo-WayMixed Model", en The American Statistician, vol. 27,
no. 4, pp. 148-152.
Hocking, RR, O.P. Hackney y FM. Speed. [57.J"The Analysis of Linear Models with Unbalanced Data",
en Contributions to Survey Sampling and Applied Statistics, HA. David (ed.), Aeademic Press, Nueva
York.
Hoeking, RR y F.M. Speed. [58.] '~Full Rank Analysis of Some Linear Model Problems", en Joumal 01
the American Statistical Association, vol. 70, pp. 706-712.
Hunter, J.S. [59a.] "Statistieal Design Applied to Product Design", en Joumal 01 Quality Technology, vol.
17, pp. 210-221.
Hunter, J.S. [59b.] "Let's All Beware the Latn Square", en Quality Engineering, vol. 1, pp. 453-465.
John, J.A y P. Preseott. [60.] "Critical Values of a 'Iest to Detect Outliers in Factorial Experiments", en
Applied Statistics, vol. 24, pp. 56-59.
John, P.WM. [61a.] "The Three-Ouarter Replieates of 24 and 25 Designs", en Biometrics, vol. 17, pp.
319-321.
John, P.WM. [6tb.] "Three-Ouarter Replicates of 2n Designs", en Biometrics, vol. 18, pp. 171-184.
John, P.W.M. [61c.] "Blocking a 3(2n - k) Design", en Technometrics, vol. 6, pp. 371-376.
John, P.WM. [61d.] Statistical Design and Analysis 01 Experiments. Macmillan, Nueva York.
Kackar, R.N. [62.] "Off-Line Ouality Control, Parameter Design, and the Taguchi Method", en Journal 01
Kempthorne, O. [63.] The Design and Analysis 01 Experiments, Wiley, Nueva York.
Keuls, M. [64.] "The Use ofthe Studentized Range in Connection with anAnalysis ofVariance", en Euph-
ytica, vol. 1, pp. 112-122.
Kiefer, J. [65a.] "Optimum Experimental Designs", en Joumal ofthe Royal Stutistical Society B, vol. 21, pp.
272-304.
Kiefer, J. [65b.] "Optimum Designs in Regression Problems", enAnnals 01Mathematical Statistics, vol. 32,
pp. 298-325.
Kiefer, J. y J. Wolfowitz. [66.] "Optimum Designs in Regression Problems", en Annals 01 Mathematical
Statistics, vol. 30, pp. 271-294.
Khuri, ALy J.A. Comell. [67.]Response Surfaces: Designs and Analyses. 2a. edicin, Dekk:er, Nueva York.
Kruskal, WH. y WA Wallis. [68.] "Use of Ranks on One Criterion Variance Analysis", en Ioumal of the
American StatisticalAssociation, vol. 47, pp. 583-621 (las correcciones aparecen en el vol. 48, pp. 907-911).
634 BIBLIOGRAFA
Lamtz, K. y P. Whitcomb. [69.] "Use of Replication in Almost Unreplicated Factorials", ponencia presen-
tada en la Conferencia Tcnica de Otoo, Coming, N.Y.
Lenth, RV [70.] "Quick and Easy Analysis of Unreplicated Factorials", en Technometrics, vol. 31, pp.
469-473.
Leon, RV, A.C. Shoemaker y RN. Kackar. [71.] "Performance Measures Independent of Adjustment",
en Technometrics, vol. 29, pp. 253-265.
Levene, H. [72.] "Robust 'Iests for Equality of Variance", en Contributions to Probability and Statistics, Z.
Olkin, ed., Stanford University Press, Palo Alto, CA, pp. 278-292.
Loughn, TM. [73.] "Calibration of the Lenth Test for Unreplicated Factorial Designs", en Joumal 01
Loughin, TM. y W. Noble. [74.] '~Permutation Test for Effects in an Unreplicated Factorial Design", en
Technometrics, vol. 39, pp. 180-190. '
Margolin, RH. [75a.] "Systematic Methods of Analyzing 2n3m Factorial Experiments with Applications",
en Technometrics, vol. 9, pp. 245-260.
Margolin, B.H. [75b.] "Results on Factorial Designs of Resolution IV for the 2n and 2n3m Series", en Tech-
nometrics, vol. 11, pp. 431-444.
McCullagh, P. y J.A. Nelder. [76.] Generalized Linear Models. 2a. edicin, Chapman & Hall, Nueva York.
Miller, RG. [77.] Simultaneous Statistical Inference. Springer-Verlag, Nueva York.
Miller, R.G., Jr. [78.] "Developments in Multiple Comparisons, 1966-1976", en Joumal of the American
Statistical Association, vol. 72, pp. 779-788.
Milliken, G.A. y D.E. Johnson. [79.]Analysis 01Messy Data, Vol.1. Van Nostrand Reinhold, Nueva York.
Montgomery, D.C. [80a.] Introduction to Statistical Quality Control. 3a. edicin, Wiley, Nueva York.
Montgomery, D.C, [80b.] "Experimental Design for Product and Process Design and Development", en
Joumal 01 the Royal Statistical Society, D, vol. 48, pp. 159-177.
Montgomery, D.C., e.M. Borrory J.D. Stanley. [81.] "Sorne Cautions in the Use ofPlackett-BurmanDe-
signs", en Quality Engineering, vol. 10, pp. 371-381.
Montgomery, D.C. y E.A. Peck. [82.]Introduction to Linear RegressionAnalysis. 2a. edicin, Wiley, Nueva
York.
Montgomery, D.C. y G.C. Runger. [83a.] "Gauge Capability Analysis and Designed Experiments. Part 1:
Basic Methods", en Quality Engineering, vol. 6, pp. 115-135.
Montgomery, D.C. y G.c. Runger. [83b.] "Gauge Capability Ana1ysis and Designed Experiments. Part II:
Experimental Design Mode1s and Variance Component Estimation", en Quality Engineering, vol. 6, pp.
289-305.
Montgomery, D.C. y G'C, Runger. [83c.] "Foldovers of 2k-p Resolution IV Designs", en Joumal 01Quality
Technology, vol. 24, pp. 446-450.
Montgomery, D.C. y G.e. Runger. [83d.] Probabilidad y estadstica aplicadas para ingenieros. 2a. edicin,
Limusa-Wiley, Mxico.
Myers, RH. [84.] Classical and Modern Regression with Applications. 2a. edicin, PNS-Kent, Boston,
Myers, RH. y D.e. Montgomery. [85a.] Response Surface Methodology: Process and Product Optimization
Using Designed Experiments, Wiley, Nueva York.
Myers, RH. y D.C. Montgomery. [85b.] ''A Thtorial on Generalized Linear Models", en Joumal olQuality
Technology, vol. 29, pp. 274-291.
BIBLIOGRAFA 635
Nair, v'N. et al. (eds.) [86.] "Iaguchi's Parameter Desgn: A Panel Discussion", en Technometrics, vol. 34,
pp. 127-161.
Nelder, J.A y RW.M. Wedderbum. [87.] "Generalzed Linear Models", en Joumal ofthe Royal Statistical
Society, A, vol. 135, pp. 370-384.
Nelson, L.S. [88a.] "Using Nested Designs 1: Estmation o Standard Deviations", en Joumal of Quality
Technology, vol. 27, no. 2, pp. 169-171.
Nelson, L.S. [88b.] "Using Nested Designs 11: Confidence Lmits for Standard Deviations", en Joumal of
Quality Technology, vol. 27, no. 3, pp. 265-267.
Nelson, L.S. [88c.] "Variance Estimation Using Staggered, Nested Designs", en Joumal ofQuality Techno-
logy, vol. 15, pp. 195-198.
Nelson, P.R [89.] "Multiple Comparison o Means Using Simultaneous Confidence Intervals", enJoumal
of Quality Technology, vol. 21, No. 4, pp. 232-241.
Newman, D. [90.] "Tbe Distribution of the Range in Samples from a Normal Population, Expressed in
Terms o an Independent Estimate of Standard Deviation", en Biometrika, vol. 31, pp. 20-30.
O'Neill, R y G.B. Wetherill. [91.] "The Present State o Multiple Comparison Methods", en Joumal ofthe
Royal Statistical Society, B, vol. 33, pp. 218-241.
Ostle, B. [92.] Statistics in Research, 2a. edicin, Iowa State Press, Ames, Iowa.
Pearson, E.S. y H.O. Hartley. [93a.] Biometrika Tablesfor Statisticians. Vol. 1, 3a. edicin, Cambridge Uni-
versity Press, Cambridge.
Pearson, E.S. y H.O. Hartley. [93b.] Biometrika Tables for Statisticians. Vol. 2, Cambridge University
Press, Cambridge.
Pignatello, J.J., Jr. y J.S. Ramberg. [94.] "Thp Ten 'Iriumphs and Tragedies o Genichi 'Iaguchi", en Qua-
lity Engineering, vol. 4, pp. 211-225.
Plackett, RL. y J.P. Burman. [95.] "The Design ofOptimum Multifactorial Experiments", en Biometrika,
vol. 33, pp. 305-325.
Quenouille, M.H. [96.] The Design and Analysis of Experiments, Charles Griffin & Company, Londres.
Satterthwaite, P.E. [97.] "An Approximate Distribution of Estimates of Variance Components", en Bio-
metrics Bull., vol. 2, pp. 110-112.
Scheff, H. [98a.] ''A Method for Judging All Contrasts in the Analysis of Variance", en Biometrika, vol.
40, pp. 87-104.
Scheff, H. [98b.] ''A 'Mixed Model' for the Analysis o Variance", enAnnals of Mathematical Statistics,
vol. 27, pp. 23-36.
Scheff, H. [98c.] ''Altemative Models for the Analysis o Variance", enAnnals of Mathematical Statistics,
vol. 27, pp. 251-271.
Scheff, H. [98d.] The Analysis 01 Variance. Wiley, Nueva York.
Searle, S.R [99a.] Linear Models. Wiley, Nueva York.
Searle, S.R [99b.] "Thpics in Variance Component Estimation", en Biometrics, vol. 27, pp. 1-76.
Searle, S.R [99c.] Linear Models for Unbalanced Data. Wiley, Nueva York.
Searle, S.R, G. Casella y G.E. McCulloch. [100.] Variance Components, Wiley, Nueva York.
Searle, S.R. y R.E Fawcett. [101.] "Expected Mean Squares in Variance Component Models Having Fini-
te Populations", en Biometrics, vol. 26, pp. 243-254.
636 BIBLIOGRAFA
Searle, S.R., FM. Speed y RV Henderson. [102.] "Sorne Computational and Model Equivalences in
Analyses of Variance of Unequal-Subclass-Numbers Data", en The American Statistician, vol. 35, pp.
16-33.
Smith, H.F [103.] "Interpretations of Adjusted Treatment Means and Regressions in Analysis of Cova-
riance", en Biometrics, vol. 13, No, 3, pp. 282-308.
Smith, J.R. y J.M. Beverly. [104.] "The Use and Analysis of Staggered Nested Factorial Designs", essIour-
nal of Quality Technology, vol. 13, pp. 166-173.
Speed, FM. y RR. Hocking. [105.] "The Use of the R( )-Notation with Unbalanced Data", en The Ameri-
can Statistician, vol. 30, pp. 30-33.
Speed, FM., RR Hocking y O.P. Hackney. [106.] "Methods of Analysisof Linear Models with Unbalan-
ced Data", en Joumal of the American Statistical Association, vol. 73, pp. 105-112.
Stefansky, W. [107.] "Rejecting Outliers in Factorial Designs", en Technometrics, vol. 14, pp. 469-479.
Taguchi, G. [108a.] System of Experimental Design: Engineering Methods to Optimize Quality and Minimize
Costo UNIPUB, White Plains, Nueva York.
Taguchi, G. [108b.] Introduction to Quality Engineering. Asian Productivity Organization, UNIPUB, Whi-
te Plains, Nueva York.
'Iaguchi, G. y Y. Wu. [109.] Introduction to Off-Line Quality Control. Central Japan Quality Control Asso-
ciation, Nagoya, Japn.
Ting, N., RK. Burdick, FA. Graybill, S. Jeyaratnamy T.-F C. Lu. [110.] "Confidence Intervals on Linear
Combinations of Variance Components That Are Unrestricted in Sgn", en Iournal of Statistical Compu-
tation and Simulation, vol. 35, pp. 135-143.
Tukey, J.W [111a.] "OneDegree ofFreedomforNon-Additivity", en Biometrics, vol. 5, pp. 232-242.
Tukey, J.w. [ll1b.] "Comparing Individual Means in the Analysis of Variance", en Biometrics, vol. 5, pp.
99-114.
Tukey, J.w. [111c.] "Quick and Dirty Methods in Statistics, Part 11,Simple Anaysis for Standard De-
signs", en Proceedings of the FifthAnnual Convention, American Societyfor Quality Control, pp. 189-197.
Thkey, J.w. [111d.] "The Problem of Multiple Comparisons", notas inditas, Princeton University.
Winer, B.J. [112.] Statistical Principies in Experimental Design. 2a. edicin, McGraw- Hill, Nueva York.
Yates, F [113a.] "The Analysis of Multiple Classifications with Unequal Numbers in the Different Clas-
ses", en Joumal of the American Statistical Association, vol. 29, pp. 52-66.
Yates, F [113b.] Design and Analysis of Factorial Experiments. Comunicado tcnico No. 35, Imperial Bu-
reau of Soil Sciences, Londres ..
Yates, F [l13c.] "The Recovery of Interblock Information in Balanced Incomplete Block Designs", en
Annals of Eugenics, vol. 10, pp. 317-325.
Ye, K.y M. Hamada. [114.] "Critical Values ofthe Lenth Method for Unreplicated Factorial Designs", en
Joumal of Quality Technology, vol. 32, pp. 57-66.
Apndice
1 Distribucin normal estndar acumulada

11 Puntos porcentuales de la distribucin t
111 Puntos porcentuales de la distribucin XZ
IV Puntos porcentuales de la distribucin F
V Curvas de operacin caracterstica para el anlisis de varianza del modelo con efectos fijos
VI Curvasde operacin caractersticapara el anlisisdevarianza del modelo con efectosaleatorios
VII Rangos significativospara la prueba del rango mltiple de Duncan
VIII Puntos porcentuales del estadstico del rango studentizado
IX Valores crticos para la prueba de Dunnett para comparar tratamientos con un control
X Coeficientes de polinomios ortogonales
XI Nmeros aleatorios
XII Relaciones de alias para diseos factoriales fraccionados 2k - P con k :S lS y n :S 64
XIII Glosario para el uso de Design Expert
637
638 APNDICE
~(t) = r
l. Distribucin normal estndar acumulada"
_1_
-~ \1'2;
e-u'/2 du
z .00 .01 .02 .03 .04 -

.0 .50000 .50399 .50798 .51197 .51595 O
.1 .53983 .54379 .54776 .55172 .55567 .1
.2 .57926 .58317 .58706 .59095 .59483 .2
.3 .61791 .62172 .62551 .62930 .63307 .3
.4 .65542 .65910 .66276 .66640 .67003 .4
.5 .69146 .69497 .69847 .70194 .70540 .5
.6 .72575 .72907 .73237 .73565 .73891 .6
.7 .75803 .76115 .76424 .76730 .77035 .7
.8 .78814 .79103 .79389 .79673 .79954 .8
.9 .81594 .81859 .82121 .82381 .82639 .9
1.0 .84134 .84375 .84613 .84849 .85083 1.0
1.1 .86433 .86650 .86864 .87076 .87285 1.1
1.2 .88493 .88686 .88877 .89065 .89251 1.2
1.3 .90320 .90490 .90658 .90824 .90988 1.3
1.4 .91924 .92073 .92219 .92364 .92506 1.4
1.5 .93319 .93448 .93574 .93699 .93822 1.5
1.6 .94520 .94630 .94738 .94845 .94950 1.6
1.7 .95543 .95637 .95728 .95818 .95907 1.7
1.8 .96407 .96485 .96562 .96637 ;96711 1.8
1.9 .97128 .97193 .97257 .97320 .97381 1.9
2.0 .97725 .97778 .97831 .97882 .97932 2.0
2.1 .98214 .98257 .98300 .98341 .93882 2.1
2.2 .98610 .98645 .98679 .98713 .98745 2.2
2.3 .98928 .98956 .98983 .99010 .99036 2.3
2.4 .99180 .99202 .99224 .99245 .99266 2.4
2.5 .99379 .99396 .99413 .99430 .99446 2.5
2.6 .99534 .99547 .99560 .99573 .99585 2.6
2.7 .99653 .99664 .99674 .99683 .99693 2.7
2.8 .99744 .99752 .99760 .99767 .99774 2.8
2.9 .99813 .99819 .99825 .99831 .99836 2.9
3.0 .99865 .99869 .99874 .99878 .99882 3.0
3.1 .99903 .99906 .99910 .99913 .99916 3.1
3.2 .99931 .99934 .99936 .99938 .99940 3.2
3.3 .99952 .99953 .99955 .99957 .99958 3.3
3.4 .99966 .99968 .99969 .99970 .99971 3.4
3.5 .99977 .99978 .99978 .99979 .99980 3.5
3.6 .99984 .99985 .99985 .99986 .99986 3.6
3.7 .99989 .99990 .99990 .99990 .99991 3.7
3.8 .99993 .99993 .99993 .99994 .99994 3.8
3.9 .99995 .99995 .99996 .99996 .99996 3.9
"Reproducida con permiso de Probabilityand Statistics in Engineeringand Management Science, 3a. ed., w.w.
Hines y D.C. Montgomery, Wiley, Nueva York
APNDICE 639
4(~) = r
L Distribucin normal estndar acumulada (continuacin)
-- 1
- .. v'21T
e- ..'Iz du
z .05 .06 .ff7 .08 .09 z

.0 .51994 .52392 .52790 .53188 .53586 .0
.1 ..55962 .56356 .56749 ..57142 .57534 .1
.2 .59871 .60257 .60642 .61026 .61409 .2
.3 .63683 .64058 .64431 .64803 .65173 .3
.4 .67364 .67724 .68082 .68438 .68793 .4
.5 .70884 .71226 .71566 .71904 .72240 .5
.6 .74215 .74537 .74857 .75175 .75490 .6
.7 .77337 .77637 .77935 .78230 .78523 .7
.8 .80234 .80510 .8ff785 .81057 .81327 .8
.9 .82894 .83147 .83397 .83646 .83891 .9
1.0 .85314 .85543 .85769 .85993 .86214 1.0
1.1 .87493 .87697 .87900 .88100 .88297 1.1
1.2 .89435 .89616 .89796 .89973 .90147 1.2
1.3 .91149 .91308 .91465 .91621 .91773 1.3
1.4 .92647 .92785 .92922 .93056 .93189 1.4
1.5 .93943 .90462 .94179 .94295 .94408 1.5
1.6 .95053 .95154 .95254 .95352 .95448 1.6
1.7 .95994- .96080 .96164 .96246 .96327 1.7
1.8 .96784 .96856 .96926 .96995 .97062 1.8
1.9 .97441 .97500 .97558 .97615 .97670 1.9
2.0 .97982 .98030 .98ff77 .98124 .98169 2.0
2.1 .98422 .98461 .98500 .98537 .98574 2.1
2.2 .98778 .98809 .98840 .98870 .98899 2.2
2.3 .99061 .99086 .99111 .99134 .99158 2.3
2.4 .99286 .99305 .99324 .99343 .99361 2.4
2.5 .99461 .99477 .99492 .99506 .99520 2.5
2.6 .99598 .99609 .99621 .99632 .99643 2.6
2.7 .99702 .99711 .99720 .99728 .99736 2.7
2.8 .99781 .99788 .99795 .99801 .99807 2.8
2.9 .99841 .99846 .99851 .99856 .99861 2.9
3.0 .99886 .99889 .99893 .99897 .99900 3.0
3.1 .99918 .99921 .99924 .99926 .99929 3.1
3.2 .99942 .99944 .99946 .99948 .99950 3.2
3.3 .99960 .99961 .99962 .99964 .99965 3.3
3.4 .99972 .99973 .99974 .99975 .99976 3.4
3.5 .99981 .99981 .99982 .99983 .99983 3.5
3.6 .99987 .99987 .99988 .99988 .99989 3.6
3.7 .99991 .99992 .99992 .99992 .99992 3.7
3.8 .99994 .99994 .99995 .99995 .99995 3.8
3.9 .99996 .99996 .99996 .99997 .99997 3.9
640 APNDICE
n. Puntos porcentuales de la distribucin t"
.40 .25 .10 .05 .025 .01 .005 .0025 .001 .0005
.325 1.000 3.078 6.314 12.706 31.821 63.657 127.32 318.31 636.62
2 .289 .816 1.886 2.920 4.303 6.965 9.925 14.089 23.326 31.598
3 .277 .765 1.638 2.353 3.182 4.541 5.841 7.453 10.213 12.924
4 .271 .741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 .267 .727 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 .265 .727 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 .263 .711 1.415 1.895 2.365 2.998 3.499 4.019 4.785 5.408
8 .262 .706 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 .261 .703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 .260 .700 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 .260 .697 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 .259 .695 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 .259 .694 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 .258 .692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 .258 .691 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 .258 .690 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 .257 .689 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 .257 .688 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 .257 .688 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 .257 .687 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 .257 .686 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 .256 .686 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 .256 .685 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 .256 .685 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 .256 .684 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 .256 .684 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 .256 .684 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 .256 .683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 .256 .683 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659
30 .256 .683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 .255 .681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
60 .254 .679 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
120 .254 .677 1.289 1.658 1.980 2.358 2.617 2.860 3.160 3.373
00 .253 .674 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
v =
grados de libertad.
Adaptada con permiso de Biometrika Tablesfor Statisticians, vol. 1, 3a. ed., E.S. Pearson y H.O. Hartley,
a
Cambridge University Press, Cambridge
APNDICE 641
In. Puntos porcentuales de la distribucin Xl a
el
JI .995 .990 .975 .950 .500 .050 .025 .010 .005
0.00 + 0.00 + 0.00 + 0.00 + 0.45 3.84 5.02 6.63 7.88
2 0.01 0.02 0.05 0.10 1.39 5.99 7.38 9.21 10.60
3 0.07 O.U 0.22 0.35 2.37 7.81 9.35 11.34 12.84
4 0.21 0.30 0.48 0.71 3.36 9.49 11.14 13.28 14.86
5 0.41 0.55 0.83 1.15 4.35 11.07 12.38 15.09 16.75
6 0.68 0.87 1.24 1.64 5.35 12.59 14.45 16.81 18.55
7 0.99 1.24 1.69 2.17 6.35 14.07 16.01 18.48 20.28
8 1.34 1.65 2.18 2.73 7.34 15.51 17.53 20.09 21.96
9 1.73 2.09 2.70 3.33 8.34 16.92 19.02 21.67 23.59
10 2.16 2.56 3.25 3.94 9.34 18.31 20.48 23.21 25.19
11 2.60 3.05 3.82 4.57 10.34 19.68 21.92 24.72 26.76
12 3.07 3.57 4.40 5.23 11.34 21.03 23.34 26.22 28.30
13 3.57 4.11 5.01 5.89 12.34 22.36 24.74 27.69 29.82
14 4.07 4.66 5.63 6.57 13.34 23.68 26.12 29.14 31.32
15 4.60 5.23 6.27 7.26 14.34 25.00 27.49 30.58 32.80
16 5.14 5.81 6.91 7.96 15.34 26.30 28.85 32.00 34.27
17 5.70 6.41 7.56 8.67 16.34 27.59 30.19 33.41 35.72
18 6.26 7.01 8.23 9.39 17.34 28.87 31.53 34.81 37.16
19 6.84 7.63 8.91 10.12 18.34 30.14 32.85 36.19 38.58
20 7.43 8.26 9.59 10.85 19.34 31.41 34.17 37.57 40.00
25 10.52 11.52 13.12 14.61 24.34 37.65 40.65 44.31 %.93
30 13.79 14.95 16.79 18.49 29.34 43.77 46.98 50.89 53.67
40 20.71 22.16 24.43 26.51 39.34 55.76 59.34 63.69 66.77
50 27.99 29.71 32.36 34.76 49.33 67.50 71.42 76.15 79.49
60 35.53 37.48 40.48 43.19 59.33 79.08 83.30 88.38 91.95
70 43.28 45.44 48.76 51.74 69.33 90.53 95.02 100.42 104.22
80 51.17 53.54 57.15 60.39 79.33 101.88 106.63 112.33 116.32
90 59.20 61.75 65.65 69.13 89.33 113.14 118.14 124.12 128.30
lOO 67.33 70.06 74.22 77.93 99.33 124.34 129.56 135.81 140.17
v = grados de libertad
Adaptada con permiso de Biometrika Tablesfor Statisticians, vol. 1, 3a. ed., E.S. Pearson y H.O. Hartley,
Cambridge University Press, Cambridge '
- - - --
e- -e ('f" N
-----
V"'I 100\0000
r'"! ro'! ~ ~ ~ ~'""l~~~
- - - - --
gg~$s.;;:t; o-. f"-. ..o 1,1"') '(f'
. ~ . _;,...: t'1 ~ ~ ('f"~ ~
- - - - _.
~ ~ ~.~ ~
~~~~~
- "..... - --o. ~
-----
~~;:~C) ..
r-r:-.\OV)V"i
r:~~:~~ .. ~~~~~
~ ..
~~~~~
.. ~ ~.~
~r::12~~
. . ~ ..; _:
- - _ - ~~~~~
0\00
- - - _..-
00 00
~~~~f'f1
.......
r-
0\ ......\r)t4'l-
~;;;'ii-l!l f"IJ~C"")~t:-'\
....(.....;.....;.....; ......
>D oO~MM
-e
~~~~
00 ('n ("'1 ~
- - - --
t"".
~
N
~
('1 -
-.:t: ~
-
~
642
..,
.., ~ s~ ~
- :5 e: s
o- f:! ~ ~ ~ ~ '" e-
~ :2 :l '"
:l :2 '" ! ~ !;t.....
8 ..; ~ '"
'"
-o
vi ..; ..;
'" N
"l
N
""
(' ('
~- '":! ~ ~ .....
- :2 ~ ~
15 :B '" .,.; .... ..;

<lO....
~ ~ ~ l'"; ~ rt ~ ~ ;: ~ S ~ (' N ('
.. N ...
.. ..,
"'! "'! '" '" ~
!: l'"; ~ ~ ;!
...; ~ s :5 ~ ~
:;:
...; ..... '"
:1 5 ~ ! ...;~ ~ !:;...;
.. ~ ~"" ~.. ~ .., ....
!~ :
oa
s ~ ~ ~ :c '":1 :l 5 -
."
\;; '" '" :!: le ;;:; ~ ~ '" '" ~ ~ 00
~ fCl~ o- vi

..,
l'";
..; M M (' M M
l'"; l'"; "1 "1
~ !
i r<l
....
"1 \;; ~ i
..;
a. vi
..,
..;
00
l'";
'" '"
~ ~
M
.., ..,
'"
M M M
a '" ~ ~ ~ '"l'"; '"l'"; :: ~ ~ ~ ~ ~ :c $.
~ :;; :!
- .. :~ 5 -
"1 ~ !;
~
~
~ :<i ~
!:; &!
vi ..;
!:; i ~ ~ ~
..; M M M M ""
M
~
('
<:>
N
~ s ~: oc
"'! l'"; ~ ~ ~ ~
<:>
!s
e-
~ ~
...; ~ !'"~ ~ ~ ;: :3;
8~ ~
~ :<i .,; .,.; ~
..... '"
..;
00
('
oc
'" ~ '"
M M M
00 .. -
M M
<:>
! ee
~ '; ~
('
...."'!
~ 5 '" l'"; f::; '" '" ....
l'"; l'"; l'"; ~ ~
oa
'<:! ~ ~ :a e-
~ :l :l :t;l
....,
oc
""
]' ~ ~ ~ ~ ~
;o '" vi ..;
;::
..; M
~ '"
'" ('
..
N
M M
.... ~ ~ ~
C
M MM
o
(' ~ ~ '"
"'!
..,
~ :..:! '"
!:
00
'" .. ....
l'"; l'"; l'"; l'";
N
~ 5~~~
...'<:!
- ~
oc
<t: ~
~
ail oc.... :.: ~ i!; ~ ....l'"; ~ ~ ~ '"
-
.., ~ .., ~
~ .... .... ~ ~ ~ ..... oM ;; ~ ~ ~ ~
:; ~ '"

J;.
~ :Q
.,; vi ..; ~
oc
M M M N ('
!:;
M
<=!
M
S; ';
- "'! "1 <t:
"-
:;: E
:: ;; ~ ~ .... ~ N
!O Si: ~ .. - ."
.., ....
... aM aM ~ "" "" O;
e.
~ ~ '" ....
:~ ~ ~ ~ 00
5 5 ~ ~ '"
i"
'O "'! "'! "1
'0 !:! .,; vi ..; ..; M M
M
('
N
M
M
(' ...; ...; ~
il ~
]:;
~ i; ~
;
s: $'" """'l'" ~'" ~..; ~ ~
....
<:>
l'"; ~ ~ ..,
M
N
M M
~ '"M ~ ~ ~ : ~ oc
M M
'" '; ~ ~
::; ~ '" ..
OC! "'! ~ ~ ~ ~
..,
OC! '"
.., ::
"'! l'"; :a ~
..'! >
o
'O N
'" '" N M
~
","- l ... ... ..... '"
..!l
B:;:
~ ~ ~
" "" ~
'O
~ ;, ....'"
.,; .,.; ..; ..; ~ .... ~
M ~
..,..... .... '"
M M ~ M N ('
N
- N
M
8 oc
('
.....
~ ~ M ~ ~ ~ ~ ~ ~
O; ~ ~ OC! :! "'! ~ :~ ~ ~
el
4J
U
'O
g ...
::: .... ~ :s; .... ~ ~ ;: ;:
oc
'" ~ g ~ ;g aM 8 ~ &; ~ '; ~ ro; .... ...
- 5~~
<-
Ei
o.. .,; .,.; .... ~
.... ~
lQ '"
N M ~
<t:
M M M M M M M M M ~ ~ :ll OC!
"" ~ N
8

o...
.....
;: ~
cci.,;
:::.
vi ..,
~ :; E;
..; .... ~
fCl ..... ;: ~
M N M...
OC>
M
M
:
(' '"
M
.., ....
;: ;: ~M
..
<:>
N M N
(' N
....
8 ;g el c: ~ ~ ~ ~ :s; ;, ~ 00
~ :5 OC!
N ....
~ ~
N
::; '"
?:l ....
.., .., .,., .., 8a
....; a..; M""
'; .., "l S ~ :.:
... oM 8M 8M ~
oc
.., "" !;; ." ~ ... ~... ...:: M ;: ;: ;: ~ ~ Sj
00
'" "l
~ M "l N N M ~ ~
~ .,; ." N N M M N
~ g .... .. a ~ oc
oc .... '" .., '"M ."
~ -
'" ..,M :;... ~M ~ ?:lM ;: .. ::2 ~ ~
... M ~M s 8 8 9. ~ ~ ~ ~
~ !! M M N ...
<t: "i
."
'" ,..;.., .,;

.,.; ..; ..; M M M
'" M
'" '" M N
'"
'" ..
..,. .,.. ~ ~ N
"" N M ~ .. ~
oc ;o ~ ~ ~ '".... ....
M ... M ~ ;:
;;j ~ ....
"l ~ .... ... ;:: "" ~ !:; !:; ::2 :::l :!:
~ ~ ~

N
vi .,; ...; '" ..;
..; N N M N (' ~ N M M M M M M .... M N ~
'"..; '".,; ""..,vi '"'<i fCl ~

.., ::: ....
..,
'" .... ....., ..,'" ;: ~ ...'" l!j l!!l : ~ ~ ...<=!
.... ~ ~ '" ~
N 00
.... ."
..; ..; ~ ~ M
;8
M
.....
N
~
... <t: ('
~ i ('
"'l
N M M
<';
M M M N N M M N
'" '" '" N

'"
.., ~ ... ..."l ~ ;;:; <t: ::: ~
<:>
...fQ ~M ....S ;o..... ....SI; t:.... M'" '"'" ~
<:> <:> ....
N
<:>
8~ ~ ~
..; ~ ~
'" .,; vi '<i
.,;
:5
..; ..;
~
... M 00 00
N
.... R
M M
'00
N .... '" '"
M ..l- M
'"
N M M '" M M
."
.... '" '"

~ "1'" ~ ~ ~ 1-: SI;
00
~
..,
...
....
... ......; ~ '"N..; ~..; ..; ~..; <:> q
... g: s: .., ~ ;, ~
..; a .., o. M
..... N ;:
~ ~
~ .... ~
..
00 ~ ~
l'"; '" :::
; oc ...; ...,.
'"
..;
'" '" "" ....
(' N N (' N (' N N
- '" ..N ." .., .... .. "" ~ :: t! ~ :!: :::l ~ !:; ~ e:

N
N N
... ~ ~ ~ .... ~ ~ ~ ~
r-
$ 15 8
(Lit) JOPl!UfUlOU:lP :lp PUU;-q1"p SOPl!lD
643
~ ~ ~ :: ~
8 MN N MN
~Q~~
MNN
~;!~ag: ~~~~~
~rf1m~M MMMMN
~::;:r.~~
~~~MN
:8~~;t.
MMM~('i
~~s~a
N N 1:"') M M
!;l ~ :;p:! & ~~~:=:; ~:g;C;~

~~('t'<~M M~~r4 NNMM
:g~::J:!l~ ~~~~~ ~~t:l~~ ~gb:gS ~

~~~~N N~i~NN NNNN~ ~ c--i N N f"l M
:;]~f~~ ~"""'~ @B8~8

MN M M N N M ('i ('iC"'i C'iNMNN
il!l8:;:;~B
~~M~~
~~~~~
N <"'i N M e-i
..o~
N N M M
S!0
;:: gs~~~
M'"
t!~~;q::!: ~~;~~ <U:j~~OO

~ ~ M ~ ~ M ~ N M M N ("i ~ M M
~:=F8~~ ~~~~~ ~p.;t.~~ ~~i1~::: MMq~~

('i N
~~("')~~ NNNN M ~ ~ ('.i N NMMMC"'i N
~~~3~ ~~8-g
~~~r""'\M ~NNc:--i_;
gg::g:~~ ~~~~~ ...,~~:;J::;! ::::i1!:::@C;

-.i-..i~~~ NMNNI MMMNN ~N~~M
q:::;-g~ ~~~~~ g:;:!g:g~ :;!;:r.~t:~

'" ;t.~ .,.;, ~~~!;"')~ NN~r-iM ("'iriNMN
'"
"""gN~O~
e:i 0\ \
~~~
...,
.. ~! ~~ sr'"I sN
-... ~., '"' '" ~ ~ ~
~:Goof::~
MN N N N
r- ~~~&1
M M M M c--'
~~&1~~
e-i M N M M
~~p.~~
N M ("i M N
'"
~~~~~
..n~~~{""
r-~~:;;:;:r. ~~::2~ ~B:g$o g:1l'!~~~ ~l~~~

~ e-i ~ 1""\ ~ tri ~ ~ r r'i ~ M ~ ~ ("') ('i N N M ,... N ('i ('-.i N M
~~t!~~ ~~~~~ 35~~~~ ~~~~ ~~~;t;~ ~~~~8

""~-.:t~~ ot:i~~~1"f"1 f'I'"i~("')~~ f'")('t"';t"t)ti":r....; t"I"i~~~~ ~I""\~~~
8;1;~f;;;~ ~~:Q:;~ :q~~g,'l~ ~~"';:"" !:::~8~;;

'-.:t~-.i"'4" ';OIfj~ot:i~ ~~~-rr:f-rri ~~.q.~-.i ""-ci~(f":~
644
S:;Q~!D~ ~~(:l~~
..Q-i-i~"" MNMNM
:!~~~::: ~~~~~
~""'NN~ MMM~N
~c;~~"!
~ ~ ~ M ~
~~a.~~
~ ~ N M M
~"1~~~
N N N M M
~~N~~
N N N N N
~b~~~ "'.' N ~ ~;:: ~&1~~~ ""~.., g

~u-; .. t""iNNM NMNNN e-i M N N M
~~~~:ti
\ ~ "If ~ ,.,.
~~s.~~
rri~~N
g ~ ~~~
NNNNN
;.'U1:::!::;
MMNNN
~
~r-.~s~
..o ~ ro-:
oti ""
~:;q~~
C""i ~~. M M
~~~;g",
("'i M M c:---i N
~~~~~
NNNMM
g~~:::l;::
NNMMM
~~~t3~ ~~~~~ &:;::::l~~~ ~~:st~;:

NNMMM
~~~~M NNMMN NNNNN
!;l r;;!O ;n; ~~~~q ~~!::;a~

~ M M M
...o loI"i ~ ~ ~ ~~"":rrf""l
~~~g~ ~~~~~ 8g:~&;;j ::~~~~ :Q~t:;~~ ;:;~~~~

.. _,..;...,.. ('0"': M"";~t-)~ ~NM<""iM ~MMNM MMNMM MNMNN
~~,..;~.s:; ~ r.;,...,
~ ~ !::!qg;~::l
M ('.- N ("'.i M
~~n~;::~
~('iMMM
~:a:<l;a:f:
NMMNM
~~~:;~ ~.~ "'! ~ ~ ~~8o~ ~r;:~~~

.,: Ti .q.
'1) ~ (",;~~M~ tri~triff"iC"i MMNNN
~~g::::::l~ ~}e~~~ ~~~~~

,,.r.~~-t:i tori~~f"""'; 1"'I"i~~I:"'t"'"\
;gg~~~ ;~~~r--- ~gasg: r.;~~~:;:

MMNNN
~ ".; ~ rr) ~ t"'i~~"';~ ~r"";~N
~g~~~ ~~~::::g ~~~~::: ~~~:g;! a~~!O&;

r-vi"'~-.:t .~rri~~ ~~~~t"t' ~f""i""~t"t' t"I'\MMMM
~~~a~
....:~v)v5-.:f
~~!::!8~
~ ~ .., ~ ~
l~~;a~
rr"i('l'")t""o
(9"1 M
..... ~~~~
t"'i("j(""("f"'~
r;:~M~~
~~f'I'"i~~
~~~~~
(""tritrlNN
~ ~ ; ~ ~ ~~o~~
ori .,. .,. ..rj .,
~;j~~~
,..;~~~~
~-.:t~~M
:;~;:l;~::: ~~~S;~ g::~~~

..,. -rr:i ~ ~
=a~i$
~~~Iov) .,.;v)v)v~ otti- "~~Mt"i
~::!~~~
..o ..o \O W") vi
~:~~~ $:8:a~:f:
"";v)vlviu-i v)1I)1I).,-)r,,'i
&;~~~g
~u-iviv)v)
~~:'!: ~:2~=~ ~;::~:::l~ ~~::~~ g:Z~8
(!A) ropeunnouop I'lP p1l11~q!l~p SOP1l1D
645
8
s e a s z o;
o''oCiv)'';~ M~~~~
s :~n:; !:::::~~8
NNNMN
S;~~!ij! ~~~~$ 8~~:S1l!; :;:;!::::!

0\ ..o Iri ~ "I:f' "("'")("'")~~ MNNNN ('-iNNNN
~::lgi!l:
MNNM~
~:!~~~ ~~~~~ $;Z~~~

o\r--:V'i~..f ...trri~~~ MMMMM
..,. .....~;g;
N ~ & ~ ~
!;:;;;S~~
Q\"'_..c vi ~
~a~~:;j!
--:i"' C"\ ~ ~
~~g8~
tri t'"i t'"i ~ M MN
~~~~
('-o .. ' .. '"
~~~~~
NNMf"if"'i
~~~~O\
MMN"";;f"::
'"
~~~~= ~8~:S~
0\ r-, 'l:i .,.; .. "'t~C""\~f")
~~~~s
~~r""I~("I"l,
~gg~~t!
MC""-i('iMN
~~~~r;;
NMMMM
~!:;~~~
~~~~M
i$~~~ ~~~N~ :::g888 ~i~!;~

tf'i~f""ltr:('I'" ('r)~~r""i~ M~~~~ MNNMM
~~~;:~ ~~~~a ~~~$~ ~!ij!~~i!l ~oo~~g bgj~~~

2~1..~"'; ot:t"f!t .. .c:f-..i Mf"':i~~~ f'f'j~~~~ t"'It"it"'iC"'"i('l1 ~Mc--iNr>l
8i1l;!:::~
~~r""If'I'*i~
~~~;~
("')C"i~rri~
:.j1!li!l~;
~~~('f'l(")
!::&~:s
~N<'-iMM
.....
::!~~~:: ~~~~~
~v~~~ triMm('l')C'Ii
r.;~~r;;i ~;~::;<J; r.o",;,<z::G ~~~Cl~ ~~~~i

~oor--:l.OV"i ori"''~"'tr ~ct)~I""}("t\ ~MM~~ (",,)~~~N
!:;
~
sssss
~~t'i~~
~~~~:;
rrirt"i~~~
1':",;;!;!:a
~~~~~
~::!
~--i..r:f"'""
.. S;g a;;~~~
-.;;t~~~f'"i
~g $::; ~:3~C:~
.....,,...,,~~
V"v)v;\r}V")
~~~~~
'I"i"":;...t.~
::~~:3~ ~;;::!!~~
r--:~~r'r--: r--:~t-I.ci"
(Z~) Jop'lllI!l"0nap jop p"lJaqn op SOPllJD
646
APNDICE 64 7
V. Curvas de operacin caracterstica para el anlisis de varianza del modelo con efectos fijos
1.00
.80
.70
.60
.60
.40
'"
'0;
CD .30
'8.
.,
:E
.20
~
~
.,
u
ca .10
'"
'C
'C
.08
.07
~ .06
'iS .05
i .04
.03
.02
.01
1.6 2 2.5 3 3.5 ~ q, (para...= .06)
q,(parsll=.011 ............ 2 345
1.00
.80
.70
.60
.50
.40
lb
.
CD .30
.o
Q,
:E .20
J
1
B .10
.,
ca
'C .08
.07
I..
,Q
.06
.05
.04
~
.03
.02
.01
1 2 3_ q, (paraIl= .051
q, (paraa= .Ol)---+- 1 2 3 4 5
v, = gradosda libertad del numerador, 1/2 = gradosde libertad del denominlldOf.
Adaptada con permiso de Biometrika Tablesfor Statisticians, vol. 2, E.S. Pearson y H.O. Hartley, Cambridge
University Press, Cambridge
648 APNDICE
V. Curvas de operacin caracterstica para el anlisisde varianza

del modelo con efectos fijos (continuacin)
1,00 r-------:-~---~-r-----r_---__,_~---_r_-__,
,80 1--"----+-"'11
,70
,60
,50
AO
.30
.10~---~~~~~8~~~~~~~~--~~------+---~
.08 f-------lffilt-\\'~C\- .'.
...=*,,:-T'~;t\-\:-+-T-~tt-----r---1
.07 1-------fI\\~~r-\--'~:
,06~-----~~~~~~-~~~~~~~~~~-------+----~
.05~--------~~~~~~-;~~~~~-T-T~~------r----~
.04~-------1-~~~~~--_+~~~~~~~~~------+----~
.031-------+-1+~MH~~~~~~~_+~~~~--~----~----_,
2 3_ el> (para
u = .05)
<P(parau=
,01)- 1 2 3 4 5
1.00.-----~--;---------,_-------_r-------_.--------_r----_,
.80
.70
,60
.50
.40
.30~~~~~~~')~~~~~~~~~--------~--------~----_,
<ti
15.
Q)
<;)
~-----J""w~~"'r
.10
~'" .08~--~~~~~~v?=m~~4r~~~_+~~----~~~
"C .071------~~~~~~1-~~~~~~~~--~-------_r----_,
:g'" .06~---~Hn~~~-r~~~r;rT~~T_~~----1_-~
:; .05~----~~~~~tt-~~~~~~~~_rT_---+_-__1
e'"
.J3
.04~-----~~~~~~--~~~~.,~~~~~-----4_---~
a,
.03~--------~~~~~+\_4~~~~~~~~~~~----_r----_1
.01
L_ L-~LL~~~~~~~_L_L~~_L_~ __~~ ~
1 2 3_<p(paraa=,05)
<p(parau=
.01)_ 1 :1 3 4 5
APNDICE 649
V. Curvas de operacin caracterstica para el anlisisde varianza
1.00
.80
.70
.80
.50
..
'0;
ID
.40
.30
~
z .20
'"...
..!!!
'"
15.
CD .10
"'"CD
" .8.7
.06
8
~ .05
]S
E .04
.t .03
.02
2 3_ '" ,paraa~ .05)

""paraa=.Ol)_l 2 3 4 5
1.00 r----:--,.----~~--"'T'"---.,..---"""T'-__,
.80 k---!---+----~
.70
.60
.50
.40
.
.,
.<;
.30~~~~~----~-~~~~~~~r_---,_-__,
c.
e
-'
~
..
ID
"
CD
".. :89 ~:::~~~!~:===\:t+\:~~~+===1
"
;g .oo~--~~~~~~~=~;~---_+~r+~~~~~~rr--__i
..
:c
.c
.05~--~~~~~~~M--~~~~~~~~-\r--;
.04~----~~~~~~~~--~~~~~~~~~_k;~-__;
.t
.03~----~~~~~~------~~~~~~~~~_r~o,__;
.01~---~~LL~~~~--~~~~~~~~~~~~
1 2 3_""paraa=.06)
"',paraa=.011_1 2 3 4
650 APNDICE
V. Curvas de operacin caracterstica para el anlisis de varianza

1.00r-----=---~--------~--------,_--------_.--------_r----_,
.80",...--.:..._----+---------..,.
.70
.60
.50
.40
.30r-~~~~~------_,----~~rr~~~~~--------1_----~
.101---\-\c\-\+l~rt_b""'"?"::::~R --H+~M_+~r_:tr_--\;-_+--_i
--+-lrH-+-1H--\--\+'!t-T-~,....-+------I
.081----\-l~AA_w\_\:Or'\,....::,....Filn
.07 1------1rH-\-\t-\-lr\\7"''X''':71'=;
.06r----\-t-lH-H--\-\:II':~,....,= 1
.05r----~~~~~~~~.20---~~_+;_+_+_~~._Y_~~---~
.04r---ttrtty~~~~M--~Ht~~~P1~~~~i\.~~--l
.03~----~~~~~~~~=-----~~~~~~~~~~4-~~L-~
2 3_ (para0:= .05)
ol>
<l>(parao:=.01)_1 2 3 4
1.00
.80
.70
.60
.50
ti>
.
.40
"
'0
o.
.30
1:
<1) .20
!'!
a'"
"
o
'"
Q)
"O
.10
.08
al .07
~
.n .06
III .05
o .04
d:
.03
.02
2 3 _ol>(parau=.05)
<l>(parau=.01)_1 2 3 4
APNDICE 651
VI,' Curvas de operacin caracterstica para el anlisis de varianza
del modelo con efectos aleatorios-
1.00
.80 l-V1 ,1
.70
'"
~
'0;
:~
.40 ,. , :..
I
..
Q.
:2 .30
_j
.!!!
la
.,
15.
..".,
.20
.10 \ ~
..
"
"
~
:s.,
.08
.07
.06
.05
.04
.03
V2.~~
ii::
/.
..-
..... r-- /'
.::>'111
./ .- 20
---
;~~. v2
._
12~'
J:l
.02
ct :/V
.01
10 30 50 70 90 110 130 150 170 190~ A (para a'" .05)
A(parao.c .01).. 10 30 50 70 90 110 130 150 170 190
1.00 :--r--r-.---,--,--r---r--,--r----r-,
r---.--::-......
.80~~t==1~
.701-
.60 --;.-t--t--
.50 I-__
--t-
.40
.~ .30
.oc.
:2
'"
.!!!
tt!il'" .101--+--
~ .08 1-----1--4-'
"i .071--+--+--'
;g .06 1--+--+--
~ .05 I--+--+--t:;
'2
a,
.041--1--
.01L____J_-L_..L..._...l.,__JI..--....L._...J...."':
1 3 5 7 9 11 13 15 17 19 21 23 .... A (para a: = .05)
3 5 7 9 11 13 16 17 19 21 23 25
"Reproducida con permiso de Engineering Statistics, Za. ed., A.H. Bowker y G.I. Lieberman, Prentice-Hall,
Inc., Englewood Cliffs, NI.
652 APNDICE
VI. Curvas de operacin caracterstica para el anlisis de varianza del

modelo con efectos aleatorios (continuacin)
1.00c---~--~--.---~--~--.---r---'---~--~--~--~---T--~
.80I--'Ik-'+----t--'..
.70
.60
.50
.40
.30
.lO1---1---1--
.08 ~---t--I-----'
.07I---I---'f--~
.061---1----f---4-
.051---I---v
.04I---+----t- ;'=I>-~,."'fl~
.03I---+---t-
2 3 4 5 6 7 8 9 ro 11 __ ;\.(para!t:.05)
~.(para u~ .01)_ 1 2 3 4 5 6 7 8 9 10 11 12 13
1.00 ,...----,..-:----,-_",..::-r--r--,--r--.,--.,--,---.,---r--.,---,
.80 '__'~_-+_-I-....l
.70
.60
.50
.40
.30
.20
.101---+----''1\'
.081---t---ft
.071----l--H'tWI
.06I---l--+--'~
.05 I--t--I--..l(\w
.04I---+--+--W~
.03~~~~~-4~~~~~~-~~~~~~~~~--+---4--~
2 3 4 5 6 7 8 ,._ ;\.(para u= .05)

A(paraa=.Ol)~ , 2 3 4 56789 la '1 12
APNDICE 653
modelo con efectos aleatorios (continuacin)
1.00 .....-..,--""T""C:---,-- __
.80
.70
.60
.50
.40
.30
.20
.lO 1--1---'
.081---+-
.071--+--
.061---1---
.051--1-----1
.041--1---+
.031--+--H
,0'1~-2L--~3--4~~5~~6~~7L~_-L-A-I~~ra~a~;~.o~~~~~~~~~-L_~
2 3 4 5 6 7 8 9 10
1.00 l""""-..---,.....-:---,-_
.80
.701- .,(:t==I=~t:::::::~:;
.60
.50
. .40
.30
.o
Q.
.,
1:
.20
~~
.,
.,
15.
..
" .10
"" .08
.07
~ .06I--f-
:o .051--f-------1IM\l\WVTri-
'"
.c
o
.t .04I-----I-""~MY~,.:::::::.
'.":o~~""'W~[T~~-+--+--+--t----t
.031--1-~~~~~~~~~~~~~~~~~~-4--4--4--~
.011~-~2-~3~~4~~~~6L---~7-~-~ALI~pa~r~a~a~=~.oLl~)~~~~~--~--~--~
A(paraa=
.05)
__ 1 2 3 4 5 6 7 8 9
654 APNDICE

modelo con efectos aleatorios (continuaci6n)
1.00 r------,....-----,-__,.-_ ;:--r---,r----r----r---,,..----,---,---,--,.---.
.80
.70
.60
.50
AO
.30
.20
.10
.08 r--Htt
.07 .........-+""'" ""'kW:...,.-
.06I--H~~MI""7"-
.05~~R~~
.04r
.03~~~~~~~~~n'~~~~~~~T-;-"'_+---r-~--~
.01 ~ __ ~~~~~~-L~ __ ~_~~~~~~~~~ __ ~ __ ~ __ ~

1 2 3 4 5 6 _ i\,(parlla~ .05)
2 3 4 5 6 7 8
!II
.
i
:E
12...
~
~ .10
'"
'O .08
.07
~ .06
~ .05
..2!
o
ti:
.03
.02
2 3 4 5 6 __ iI, (para a ... 01)

i\,(para 11= .05)-+- 1 2 3 4 5 6 7 8
APNDICE 655
Vil. Rangossignificativospara la prueba del rango mltiple de Duncan-
10.91 (P, f)
p
f 2 3 4 S 6 7 8 9 10 20 SO 100
1 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0
2 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0
3 8.26 8.5 8.6 8.7 8.8 8.9 8.9 9.0 9.0 9.3 9.3 9.3
4 6~ ~8 ~9 ~O 7.1 7.1 7.2 7.2 7.3 7.5 7.5 7.5
5 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.5 6.8 6.8 6.8
6 5.24 S.51 5.65 5.13 5.81 S.88 S.9S 6.00 6.0 6.3 6.3 6.3
7 4.95 5.22 5.37 5.45 5.53 5.61 5.69 5.73 5.8 6.0 6.0 6.0
8 4.74 5.00 S.14 5.23 5.32 5.40 5.47 5.s1 5.5 5.8 S.8 5.8
9 4.1O 4.86 4.99 5.08 5.17 5.25 5.32 s.36 5.4 S.7 5.7 S.7
10 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.55 S.SS s.ss
11 4.39 4.63 4.17 4.86 4.94 5.01 5.06 5.12 5.IS 5.39 S.39 5.39
12 4.32 4.55 4.68 4.16 4.84 4.92 4.96 5.02 5.()7 S.26 5.26 5.26
13 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 S.lS 5.15 5.15
14 4.21 4.42 4.SS 4.63 4.10 4.78 4.83 4.87 4.91 ssn 5.07 s.m
15 4.17 4.37 4.SO 4.S8 4.64 4.12 4.77 4.81 4.84 5.00 S.OO 5.00
16 4.13 4.34 4.45 4.54 4.1O 4.67 4.12 4.76 4.79 4.94 4.94 4.94
17 4.10 4.30 4.41 4.SO 4.56 4.63 4.68 4.73 4.75 4.89 4.S9 4.89
18 4.07 4.27 4.38 4.46 4.53 4.59 4.64 4.68 4.71 4.85 4.85 4.85
19 4.05 4.24 4.35 4.43 4.SO 4.56 4.61 4.64 4.67 4.82 4.82 4.82
20 4.02 4.22 4.33 4.40 4.47 4.S3 4.58 4.61 4.65 4.79 4.79 4.79
30 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.48 4.65 4.71 4.11
40 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.S9 4.69 4.69
so 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.53 4.66 4.66
100 3.71 3.86 3.98 4.06 4.11 4.17 4.21 4.25 4.29 4.48 4.64 4.65
00 3.64 3.80 3.90 3.98 4.04 . 4.09 4.14 4.17 4.20 4.41 4.60 4.68
f = grados de libertad
Reproducida con permiso de "Multiple Range and Multiple F 'Iests", D.S. Duncan, Biometrics,
vol. 1, no. 1, pp, 142
TO.05 (p, f)
p
f 2 3 4 S 6 1 8 9 10 20 SO 100
1 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0
2 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
3 4.50 4.SO 4.50 4.50 4.50 4.SO 4.50 4.50 4..so 4.SO 4.50 4,SO
4 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
5 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
6 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
7 3.35 3.41 354 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61
8 3.26 3.39 3.41 3.52 3.SS 3.56 3.56 3.56 3.s6 3.S6 3.56 3.56
9 3.20 3.34 3.41 3.47 3.50 3..52 3.52 3.52 3.52 3~2 3~2 3~2
10 3.15 3.30 3.37 3.43 3.46 3.41 3,41 3.41 3.47 3.48 3.48 3.48
11 3.11 3.27 3.3S 3.39 3,43 3.44 3.45 3.46 3.46 3.48 3.48 3.48
12 3.08 3.23 3.33 3.36 3.40 3,42 3.44 3.44 3.46 3.48 3.48 3.48
13 3.06 3.21 3.30 3.35 3.38 3.41 3.42 3.44 3.4S 3.47 3.47 3,47
14 3.03 3.18 3.21 3.33 3.37 3.39 3.41 3.42 3.44 3,47 3.47 3.47
15 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 3.43 3.47 3.47 3.41
16 3.00 3.15 3.23 3.30 3.34 3.37 3.39 3.41 3.43 3,47 3.41 3.41
17 2.98 3.13 3.22 3.28 3.33 3.36 3.38 3.40 3.42 3.47 3.47 3.47
18 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39 3.41 3.41 3.47 3.47
19 2.96 3.11 3.19 3.26 3.31 3.35 3.37 3.39 3.41 3,47 3.47 3.47
20 2.95 3.10 3.18 3.25 3.30 3.34 3.36 3.38 3.40 3.47 3.41 3.47
30 2.89 3.04 3.12 3.20 3.25 3.29 3.32 3.35 3.37 3.47 3.41 3,47
40 2.86 3.01 3.10 3.17 3.22 3.27 3.30 3.33 3.35 3.47 3.47 3.41
60 2.83 2.98 3.08 3.14 3.20 3.24 3.28 3.31 3.33 3.47 3.48 3.48
100 2.80 2.95 3.05 3.12 3.18 3.22 3.26 3.29 3.32 3.47 3.53 3.S3
2.77 2.92 3.02 3.09 3.IS 3.19 3.23 3.26 3.29 3.47 3.61 3.61
';:28;:;~ ~~~~~ ~:g~~~
~o'a\ociaci r--:r--:r--:r--:r--: r-:r-:..cI..o
~~~~~
o"';ociooci
~~~~~
r--:r--:r--:l'"-r--:
S8;;:~e
r-:r--:I..o1
~~~~~:c
1..o..o",.n.n
oo1J;~~:!; 8Q!;;:~~
r--:r--:l'"-r--:r--: r--:1..c11
II"I\CNC\ b;;;;~g:2
N...,r--""O\ ~~~?:l~
..0..0..0..0..0
~~8~t:;;;!;
10..0..011"1"'''';
....
oo.:ociocir--: r--:r--: r--:r--: 1"-
:2~~S!~ ~~~~1J; ~~~~~~

r--:r--:r--:r--:l'"- ..o\CII\C ..c111f"l\rl";
~N~:::OO ~~"':g~ N "''''00

aQt-\C1I'l1l"\ N ~:!;~~~~
"';O'Zociocir--: r--:r--:r--:r-:..o 11..o..o\C ..0..0"';"';";"';
OC;8~8~ ~~S~~ ~~;~~~

11.n.,;.,.;.,.;
o' O; aci oci r--: r-: r-: r--: ..o ..o
\Cl'"- .... r--\C 1Ot-0rt'll'"-

:2~;::;;;:@ rt'l_000l'"- \Cll"lll"lo:j""" ~o~to:;~
o;ooocir--:r--: r--:r--:r-:..o..o ..0..0..0..0..0 ..0..0 ",.nlf"l 11"1
~~oo~~
",ociocir-:r-:
~8~:::~
r--:r-:..o..o..o
~:::~~g
..o.,.;.,.;
II"IIf"l 11"1
\O
00
lOo:j" ~~8~~ :::~~$:g ~~;;:;~C\
\..oI\\
8~~~~8
\.nIf"l"';1I"I1f"l
...,<'ir--:c-io o;acior--:r--: r--:..o..o..o..o
Vi ('('l ~ ....-1
N
S~:;;~ ~oc;fO;;!;~ :q~~:!;g; ~e@~g:e

o'ocir--:r--:r--: ..0..0..0..0..0 ..0..0..0..0..0 triv-iv-iV-;"';t.
;;;~~~~ -.::tr--.('f")~"'"
00 \C 11"1 o:j" ..... ~1I"I~gS\ oo~~~~
ocior--r-:r--: l'II..o ..o ..o \1.n .,.;.,.;.nll"l.n.n
iO~~"';;; fO;;:j~~1O ~.O -g ~ ~ $;;!;~~S:1&

Or-:r--:r--:..o ..010..0..0..0 11.n.,;.n .n.,.;.,.;.,.;.,.;,,,
~~~;;:fO ~~~~g:: ~~~~$ ~~~tf)~~

ocir-:r--:..o..o ..o 1..c ..o.,.; ";1I"\1f"l"""'; v-i1.l"iv-i~V)~
IONIOC\
.... ~s~~~ ~~~~;:; ::;;~:::g:::;;e
'1.,.;.,.;.n 11"1"';11"\";"'; .n";";"'-i-i
lO ~~:iciaci
ION
r--...,o-.~ ~o~~~
r--:r-:..o..o..o
S;~~~~
.,.;.n.,.;.,.;.,.;
~~~8g
.nV1v.;1.f".1.(')
~8~6<l::::@
Irl.,.;..t"i...:f
11"1 ~~.,..-io'aQ
S;;!;~~r.: ~~~~~ 0\:!;G;88 O\~g@~~

r--:..o..o.,.;.n .,.;.,.;.n.,...n .,.;.,.;.,.;.,.;.,.; -i...r...:f""'...:f
OIO~S; ~~:2~ ~~~g:;g; ~t!gfO~ ;;!;~~~gN

-i"'-i,,,..t-i
("'
...,
..,.,
......
.... ,..... aci..o
0'0 ..o.n.n.n.n .,.;"';...:f......:f -i...:f...:f"...:f
~~t!@~ ~~~~ ::;S888

",...r,,,,,,,
~~~e~~
.,..-i<"iMr<)"""",;
.,.;..t..ti..t ...r..t,,,..to:j"
656
~:e!;O~!;: ~~~~::
ro:ro:loll "'"'"'In"'
~!!:l~~~ ~~rt~~
"'"'"'"'on
:g~~~~s;
"'"'"'lnon~
.Q.Q-Cln"'
~~8~~
....,..,.
~~$~~
.,..,.,.,..,..,.,
~~~:!:l~~
"'"'"'";II"I.,f
~~:a;~ :!g~~~ ~~~~~

"';"'In"';"';
;~~-8~
.,..,..,..,..,.~
ro:-Cll-O -o-o.,..,,;'"
~~~~~
..o"'"""'.,.,
~~~.~~ ~~~~~ s:::g~~~

"""'"'V'lV'l
~ ~~~
"'"'"'.,.,'<t.q.
ro:-O..ol-O "'V'l"';"'V'l
~:a~2:: ~i:::$~ ~!;:~~~ :q!!):gg~~

ro:-O..o-OI .,...,,;.,..,...,. .,..,..,...,..,. "'"'"'~~.q.
C;~:d~~ ~~~~~ ~~~:l8e~

"'"'";.,f.,f.q.
"'In"';"'"' .,..;"""'"'"'
~~~~&l ~;:;;~~~
.,..;.,..;"';"'"';
~8*C;~~
"'"'";.,f.,f.,f
-c-O-O"";"";
~~:g~~ ~M~::!;::
..o..o..o",;",, .,..;"'"'"'"'
~:!:l~rt~ ~~~:q~ .,.,::::s~o ~~i!:a~~

-0-0.,..;"';.,., .,.V\.,..,.,.,..; .,...,..,..,..,..; ";.,f.,f.,f""'<t
~g;~~~ ~~2::!~
.,..,,;.,..,..,.
-o"'"""'on
~i~~~
-o.,..,..,...,,;
~~CQg:;
.,..,..,.,-.i";
"'
8
o. ~~~~N :~:l8~~ ~~~;:;;~~

.,..,..,..,..,..; "'.q...t..;..; ";";.,f.,f.,f.,f
I"llnt""-N-
..o1"l-oO\ &j~$:$~
",;","';"'.,f -.i";";";~
O\""""'
NC:OIn<,">>C!
..... ~
;:;;8~;e~ ;.t;;:;;~~~
.,., ro: o ro: I V'l ",",..;..t..t .,f..t..t'<t'<t
<'"> -
lSq8~~ ~ot~~$:d
<'"i<'"i<'"iM..-i..-i
";'<t";..-iM
;.t;'O~~:l8 ~~R~~ ",('1-0\00

101O'OV'lV'l ;:~~~~~
..;-.t-.tr<\"' <'"it'iM .... <'"i <'"i<'"i..-i<'"it'i <'"i<,">M<'"i..-i..-i
~~~~:!:l 8~;~~
..-i"'"'..-i..-i <'"iC'iC'iC'iC'i
~:!~~ 1Ot""-~2:~ ~~~~~8

- 657
658 APNDICE
IX. Valorescrticos para la prueba de Dunnett para comparar tratamientos con un controla
do,05 (a -1, f)
Comparaciones de dos colas
a -1 = nmero de medias de tratamientos (sin incluir el control)
f 1 2 3 4 5 6 7 8 9
5 2.57 3.03 3.29 3.48 3.62 3.73 3.82 3.90 3.97
6 2.45 2.86 3.10 3.26 3.39 3.49 3.57 3.64 3.71
7 2.36 2.75 2.97 3.12 3.24 3.33 3.41 3.47 3.53
8 2.31 2.67 2.88 3,02 3.13 3.22 3.29 3.35 3.41
9 2.26 2.61 2.81 2.95 3.05 3.14 3.20 3.26 3.32
10 2.23 2.57 2.76 2.89 2.99 3.07 3.14 3.19 3.24
11 2.20 2.53 2.72 2.84 2.94 3.02 3.08 3.14 3.19
12 2.18 2.50 2.68 2.81 2.90 2.98 3.04 3.09 3.14
13 2.16 2.48 2.65 2.78 2.87 2.94 3.00 3.06 3.10
14 2.14 2.46 2.63 2.75 2.84 2.91 2.97 3.02 3.07
15 2.13 2.44 2.61 2.73 2.82 2.89 2.95 3.00 3.04
16 2.12 2.42 2.59 2.71 2:80 2.87 2.92 2.97 3.02
17 2.11 2.41 2.58 2.69 2.78 2.85 2.90 2.95 3.00
18 2.10 2.40 2.56 2.68 2.76 2.83 2.89 2.94 2.98
19 2.09 2.39 2.55 2.66 2.75 2.81 2.87 2.92 2.96
20 2.09 2.38 2.54 2.65 2.73 2.80 2.86 2.90 2.95
24 2.06 2.35 2.51 2.61 2.70 2.76 2.81 2.86 2.90
30 2.04 2.32 2.47 2.58' 2.66 2.72 2.77 2.82 2.86
40 2.02 2.29 2.44 2.54 2.62 2.68 2.73 2.77 2.81
60 2.00 2.27 2.41 2.51 2.58 2.64 2.69 2.73 2.77
120 1.98 2.24 2.38 2.47 2.55 2.60 2.65 2.69 2.73
00 1.96 2.21 2.35 2.44 2.51 2.57 2.61 2.65 2.69
1= grados de libertad
"Reproducidacon permiso de c.w. Dunnett, "NewThblesfor MultipleComparisonwith a Control",
Biometrics, vol.20,no. 3, y de c.w. Dunnett, "AMultipleComparisonProcedure for ComparingSevera!
Treatmentswith a Control",Ioumal 01the American StatisticalAssociation, vol.50
APNDICE 659
IX. Valorescrticos para la prueba de Dunnett para comparar tratamientos con un control"
do.ol (a -1, f)
Comparaciones de dos colas (continuacin)
a ~ 1 = nmero de mediasde tratamientos (sin incluirel control)
f 2 34567 8 9
5 4.03 4.63 4.98 5.22 5.41 S.S6 5.69 5.80 5.89
6 3.71 4.21 4.51 4.71 4.87 5.00 5.10 5.20 5.28
7 3.SO 3.95 4.21 4.39 4.53 4.64 4.74 4.82 4.89
8 3.36 s.n 4.00 4.17 4.29 4.40 4.48 4.56 4.62 .
9 3.25 3.63 3.85 4.01 4.12 4.22 4.30 4.37 4.43
10 3.17 3.S3 3.74 3.88 3.99 4.08 4.16 4.22 4.28

11 3.11 3.45 3.65 3.79 3.89 3.98 4.05 4.11 4.16
12 3.05 3.39 3.58 3.71 3.81 3.89 3.96 4.02 4.07
13 3.01 3.33 3.52 3.65 3.74 3.82 3.89 3.94 3.99
14 2.98 3.29 3.47 3.59 3.69 3.76 3.83 3.88 3.93
15 2.95 3.25 3.43 3..55 3.64 3.71 3.78 3.83 3.88

16 2.92 3.22 3.39 3.51 3.60 3.67 3.73 3.78 3.83
11 2.90 3.19 3.36 3.47 3.56 3.63 3.69 3.74 3.79
18 2.88 3.17 3.33 3.44 3.53 3.60 3.66 3.71 3.75
19 2.86 3.15 3.31 3.42 3.SO 3.57 3.63 3.68 3.72
20 2.85 3.13 3.29 3.40 3.48 3.55 3.60 3.65 3.69

24 2.80 3.07 3.22 3.32 3.40 3.47 3..52 3.57 3.61
30 2.75 3.01 3.15 3.25 3.33 3.39 3.44 3.49 3.52
40 2.70 2.95 3.09 3.19 3.26 3.32 3.37 3.41 3.44
60 2.66 2.90 3.03 3.12 3.19 3.25 3.29 3.33 3.37
120 2.62 2.85 2.97 3.06 . 3.12 3.18 3.22 3.26 3.29
2.58 2.79 2.92 3.00 3.06 3.11 3.15 3.19 3.22
do.os(a -1, f)
Comparaciones de una cola
a~1 = nmero de mediasde tratamientos (sin incluirel control)
f 2 3 4 5 6 7 8 9
5 2.02 2.44 2.68 2.85 2.98 3.08 3.16 3.24 3.30
6 1.94 2.34 2.56 2.71 2.83 2.92 3.00 3.07 3.1.2
7 1.89 2.27 2.48 2.62 2.73 2.82 2.89 2.95 3.01
8 1.86 2.22 2.42 2.55 2.66 2.74 2.81 2.87 2.92
9 1.83 2.18 2.37 2.50 2.60 2.68 2.75 2.81 2.86
10 1.81 2.15 2.34 2.47 2.56 2.64 2.70 2.76 2.81
II 1.80 2.13 2.31 2.44 2.53 ,2.60 2.67 2.72 2.77
12 1.78 2.11 2.29 2.41 2.SO 2.58 2.64 2.69 2.74
13 I.n 2.09 2.27 2.39 2.48 2.55 2.61 2.66 2.71
14 1.76 2.08 2.25 2.37 2.46 2.53 2.59 2.64 2.69
15 1.7S 2.07 2.24 2.36 2.44 2.51 2.57 2.62 2.67
16 1.7S 2.06 2.23 2.34 2.43 2.SO 2.56 2.61 2.65
17 1.74 2.05 2.22 2.33 2.42 2.49 2.54 2.59 2.64
18 1.73 2.04 2.21 2,32 2.41 2.48 2.53 2.58 2.62
19 1.73 2.03 2.20 2.31 2.40 2.47 2.52 2.57 2.61
20 1.72 2.03 2.19 2.30 2.39 2.46 2.51 2.56 2.60
24 1.71 2.01 2.17 2.28 2.36 2.43 2.48 2.53 2.57
30 1.70 1.99 2.15 2.25 2.33 2.40 2.45 2.50 2.54
40 1.68 1.97 2.13 2.23 2.31 2.37 2.42 2.47 2.51
60 1.67 1.95 2.10 2.21 2.28 2.35 2.39 2.44 2.48
..
120 1.66
1.64
1.93
1.92
2.08
2.06
2.18
2.16
2.26
2.23
2.32
2.29
2.37
2.34
2.41
2.38
2.45
2.42
660 APNDICE
lX. Valorescrticos para la prueba de Dunnett para comparar tratamientos con un control
do 01 (a -1, f)
Comparaciones de una cola (continuacin)
a -1 = nmero de medias de tratamientos (sin incluirel control)
f 2 3 4 5 6 7 8 9
5 3.37 3.90 4.21 4.43 4.60 4.73 4.85 4.94 5.03
6 3.14 3.61 3.88 4.07 4.21 4.33 4.43 4.51 4.59
7 3.00 3.42 3.66 3.83 3.96 4.07 4.15 4.23 4.30
8 2.90 3.29 3.51 3.67 3.79 3.88 3.96 4.03 4.09
9 2.82 3.19 3.40 3.55 3.66 3.75 3.82 3.89 3.94
10 2.76 3.11 3.31 3.45 3.56 3.64 3.71 3.78 3.83
11 2.72 3.06 3.25 3.38 3.48 3.56 3.63 3.69 3.74
12 2.68 3.01 3.19 3.32 3.42 3.50 3.56 3.62 3.67
13 2.65 2.97 3.15 3.27 3.37 3.44 3.51 3.56 3.61
14 2.62 2.94 3.11 3.23 3.32 3.40 3.46 3.51 356
15 2.60 2.91 3.08 3.20 3.29 3.36 3.42 3.47 3.52
16 2.58 2.88 3.05 3.17 3.26 3.33 3.39 3.44 3.48
17 2.57 2.86 3.03 3.14 3.23 3.30 3.36 3.41 3.45
18 2.55 2.84 3.01 3.12 3.21 3.27 3.33 3.38 3.42
19 2.54 2.83 2.99 3.10 3.18 3.25 3.31 3.36 3.40
20 2.53 2.81 2.97 3.08 3.17 3.23 3.29 3.34 3.38
24 2,49 2.77 2.92 3.03 3.11 3.17 3.22 3.27 3.31
30 2.46 2.72 2.87 2.97 3.05 3.11 3.16 3.21 3.24
40 2.42 2.68 2.82 2.92 2.99 3.05 3.10 3.14 3.18
60 2.39 2.64 2.78 2.87 2.94 3.00 3.04 3.08 3.12
120 2.36 2.60 2.73 2.82 2.89 2.94 2.99 3.03 3.06
00 2.33 2.56 2.68 2.77 2.84 2.89 2.93 2.97 3.00

'C
'C
'C"'" ""'1&)
...... -I~
c:; I - I

onOOVl
I
.....I ""'I ' ' 'I' ' I
~ ~
11
lO:
,,l:'"-""'fill'l I
-e-
00
r:( "'I" ""'0'>00'>"'"
I I
Vl .....
I I
1:'"-

1:'"-
('ION
I -

N
I
('1 ...

...
N
I

N<"I"'" Vl'C 1:'"-00 O'>
-

661
662 APNDICE
XL Nmeros aleatorios-
10480 15011 01536 02011 87647 91646 69179 14194 62590

22368 46573 25595 85393 30995 89198 27982 53402 93965
24130 48360 22527 97265 76393 64809 15179 24830 49340
42167 93093 06243 61680 07856 16376 39440 53537 71341
37570 39975 81837 16656 06121 91782 60468 81305 49684
77921 06907 11008 42751 27756 53498 18602 70659 90655
99562 72905 56420 69994 98872 31016 71194 18738 44013
96301 91977 05463 07972 18876 20922 94595 56869 69014
89579 14342 63661 10281 17453 18103 57740 84378 25331
85475 36857 53342 53988 53060 59533 38867 62300 08158
28918 69578 88231 33276 70997 79936 56865 05859 90106
63553 40961 48235 03427 49626 69445 18663 72695 52180
09429 93969 52636 92737 88974 33488 36320 17617 30015
10365 61129 87529 85689 48237 52267 67689 93394 01511
07119 97336 71048 08178 77233 13976 47564 81056 97735
51085 12765 51821 51259 77452 16308 60756 92144 49442
02368 21382 52404 60268 89368 19885 55322 44819 01188
01011 54092 33362 94904 31273 04146 18594 29852 71585
52162 53916 46369 58586 23216 14513 83149 98736 23495
07056 97628 33787 09998 42698 06691 76988 13602 51851
48663 91245 85828 14346 09172 30168 90229 04734 59193
54164 58492 22421 74103 47070 25306 76468 26384 58151
32639 32363 05597 24200 13363 38005 94342 28728 35806
29334 27001 87637 87308 58731 00256 45834 15398 46557
02488 33062 28834 07351 19731 92420 60952 61280 50001
81525 72295 04839 96423 24878 82651 66566 14778 76797
29676 20591 68086 26432 46901 20849 89768 81536 86645
00742 57392 39064 66432 84673 40027 32832 61362 98947
05366 04213 25669 26422 44407 44048 37937 63904 45766
91921 26418 64117 94305 26766 25940 39972 22209 71500
00582 04711 87917 77341 42206 35126 74087 99547 81817
00725 69884 62797 56170 86324 88072 76222 36086 84637
69011 65795 95876 55293 18988 27354 26575 08625 40801
25976 57948 29888 88604 67917 48708 18912 82271 65424
09763 83473 73577 12908 30883 18317 28290 35797 05998
91567 42595 27958 30134 04024 86385 29880 99730 55536
17955 56349 90999 49127 20044 59931 06115 20542 18059
46503 18584 18845 49618 02304 51038 20655 58727 28168
92157 89634 94824 78171 84610 82834 09922 25417 44137
14577 62765 35605 81263 39667 47358 56873 56307 67607
"Reproducida con permiso de Probability and Statistics in Engineering and Management Science, 3a. ed., w.w.
Hines y D.C. Montgomery, WIIey, Nueva York
APNDICE 663
xn. Relaciones de alias para diseos factoriales fraccionados 2k-p con k S 15 y n :$ 64

Diseos con 3 factores
a) 23-1; fraccin 1/2 de Resolucin m
3 factores en 4 corridas Generadores del diseo
C=AB
Relacin de definicin: 1 = ABC
Alias
A=BC
B=AC
C=AB
b) 24-1;fraccin 1/2 de Resolucin IV
D=ABC
Relacin de definicin: 1 = ABCD
Alias
A = BCD
B=ACD
C=ABD
D:ABC
AB=CD
AC=BD
AD=BC
e) 25-2; fraccin 1/4 de Resolucin m
D=AB E=AC
Relacin de definicin: 1 = ABD = ACE = BCDE
Alias
A=BD=CE
B=AD=CDE
C=AE=BDE
D=AB=BCE
E=AC=BCD
BC=DE=ACD=ABE
CD = BE == ABC = ADE
d) 25-1; fraccin 1/2 de Resolucin V
E=ABCD
Relacin de definicin: 1 ABCDE=
Alias
Cada efecto principal es alias de una sola interaccin de 4 factores
AB=CDE BD=ACE
AC=BDE BE=ACD
AD=BCE CD=-ABE
AE=BCD CE=ABD
BC=ADE DE=ABC
2 bloques de 8:
el ~
l1li
l1li
'e :s:
'g '"
.El
'a =
~'" &!'"
~
11 ~
~ u
~ fZ 11
-l ~
11 ~
~ 11
'<1'"
\O ~
VI
U
~~~ ~ ~
~ 11 11 ~
::
11 11 11 11 Q:j
>- ~
'" b SSu ~~~~~bBSQ:j
11
VI
,=o
~Q:j Q:j~~ o
11 11 11 11 11 11 11 b
~
:: O)
en
;a
11 11
~~ ~i:l~
11 11 11 ,::
(1)
~ 11
;a ~t3
en ~~~~~~1is ~11
8 ~
1) 11 ~
1) u~ S
",
r 11 11 11
N "Q "Q ~~
~ 11 ,"""'UUkl
~ Q:jt:I:l ~U~ "'1 ~u
.g
<lO
ti'.> ti'.>
(1) 11
....
O)
~ ....
o ~ 11 11
'O
'"o
::
]
ID
]5 ~ ~ ~~e
o ~~
11
~ 11 11 11 "Q
'"a::
....
(1)
~d
11:9
~~~~~~b~
Ciu~~ ~
~
ci
;j

(1)
~'E 11 11 11 11 11 11 11 11 (1)
<J:!
<lO
~'::"' la::
'"
o
o ~~
11
~~~b
~ ~
C? <::l
O)
"Q
~~~b~e~~
t:I:l~ Q:j t:I:lU~
"Q
~
;:::1
o (1) .... 11 11 11 11 (1)
"Q 11 11 11 11 11 11 11 11 C"
o
~
i3 ti'.>
s ~~~~ =
'o
~Q:jUCit.tl~CiA :a
('l
uU~Q:j 'C ~~
B
,:: ~
]
11 11 11 11 '"
1)
"'
-~
~b1is~ ~
"'...'"" ~
(1)
11 11 11 II
'"
o. "Q
a::
Q~~~
~ ~~
-~ 11 11 II 11
~ ] ~Q:UQ
~
<lO
~
"'
::
,:2
;j
~ '" <lO
(1)
.... e
~ ] El
~
ID \O
(1) O)
-
"Q "Q
e!?
..... ::t
,8 ~
,_ "Q =.@'"
e'E -c'S
'~ 8
"" o
rtlo
,;,"00
~d~
,-..,
'.-
rtl\O
~d~
~
'"
664
<lO
o
'd
u
<lO
<lO
e
'O
'0
j
r--
'8
lO
U
u
"O
"O
~ s::
10 'O
..... .~
~~ ~
....'e
]8
10
;r ';
Nu
'""'
-'i:!
665
VI
666
~ :t:
~~
11 ~
:t:::t::::r:::Z::::t::;X::~
QIJ~Ut:.!)~~
~ ~ 11 11 11 11 11 11 11
~
11
~ ~
11
8~~8~~t3
11 11 11 11 11 11 11
~~
ct:i lil~b~fH6~
11 11 11 11 11 11 11 11 11
sc ~ ~~~~~~~
~~
11
~
ct:i ~
::r: 11 11 11
o ~::r: ~~~~~~~~
~IJQuct:i""!
'"e 'c::l UU e 8
~
.....
~ ~~ e
'O 11 11 11
11 11 11 11 11 11 11 11
::r:tEli::::z::ifi5;x::t:.!)
~Uct:ie3CiCi~~ ~
11
00 'O e ~ ;x::
'" ~ ~IIIIIIIIIII" 1111 11
8 ~ ~~ ~
~~~~t3t3~2 ~
,g'" ~ ~ 11 11 ~ "'I:!ct:iuu 00
.~ ~ 11 ~
~u u
~
11 11 11 11 11 11 11 11 ~
el u
o
8"
"'I:!~
11
!
~~~~~~~
o
11 11 11 11 11 11 11 11
ct:i~ ::z:: :c
N
118 ~ 88~~~2~b
ct:i"'l:! ct:ict:ict:i
~ct:i "'I:!
11 11 11 11 11 11 11 11 11 11
.....
e ~~~~~~~~
11 11 11 11 11 11 11 11
~
; ~~~t3ee~~
UUct:ict:ict:i"'l:!
~ 11 11 11 11 11 il 11 11
~ "'I:!ct:iUQ~~(.:)::r:
i
~
-
.......
667
,1
668
669
VI
670
671
-
lI"\
672
a1:1
;i
w
-! ~
'"
!
~~a~
~~
11
Sil<
~
U ~:'::~II~
e,:,::t:QiI<
~ ~QUt311
11 ~ 11 11 ~iI<
~~t-..II~iI<~~
~~t3~l!i~II~
~ 11 ~ 11bul~u
II~UC3~~~~1I
~~~~ ~iI<
~ ~ 11 11 11 U::a
QUII;:!'-.~iI<~e,:,
U 11~~:t:t::t:
~~[iIl~II&S~S
t5~
'"-1
11 11
~
11
~
11
11~ t:::l ..... c::::.::CQ~ ~
....
11
lI~e,:,IICjIl
'"-1 ~iI<
~~~~~~ ~
11 11 11 11 11 11 11
g .8 Q t:l ~S~~~~~ 11
~
~
~
~ ~~~~~
'O 11 'l::i 11Cj~~~~t:I:i
11811 2 ~t:l28~~t:l
11 11 11 11 11 11 11
CQ
11
"C :x: 11:t: t:l
o
.....
::::j
8
~ e,:,e,:,~ IISiI<~iI<
,gSS\.)II~~~II~
~III
e,:, 11Cj 11 ~~~~~~S~
11 1111111111
.... ~~~~~~
S
e
11
'"
o
.::::j e ~~ ~C3~ iI< 11~~~;.; ~
11)
ol"!l e
11) 11
11~ ;t:CQS; 11tjS ci
Q o t:l'"-1~!~~iI<~t:I:i ~~~~~~~~ ~
c:::~ 'l::i;.; 11CQ~ 11 11 11 11 11 11 11 11 11 11 ~
:::1
UIlIlt:l;:aIlUil<~ ~C3:t:~~~Q:tl C'
o
'l::i r.;.;t:~ il<CQ!S
11Ab II~:S II~~ 11 11 11 11 11 11 11 11 :c
~ ~ ~t-..CQuil< 11 ~ ~~\.)c~r...t:l:t: N
UIIII~~~~~n
~.:.~ 11 IIQ ~
U~~lt.lil<UQ5:!
11~ SQ~ti~~lt.l
~ 11 11111111111111
.....
'"~o
,
] 0
o
..... ;
11)
"C
~ 11)
! "C
::::j
.....::::j '"
CU
'o
o~
'o
0goe "C
'
cu 8 c:::
~"\O
!
~ .:l
....
N 11)
'i::'
673
.
==
'C
~...

_.-.
,
.~
.
],
::z
VI
:
:>.
....
11'1
VI
..l(
~
8
~
'"
~

'13
.s
'"
u
711
'C
j
'"o
'I'l
U
:6
~
Q.,
~
~
674
675
==1:1
;s
..e"" ~ ~ ~
1i
~ ~ tJ u ~~~
o..; ~ Cl:)s;all~'"
S~II 1I:::;~Cl:)t:l
~ 1lEi:i~ :; ~Q:t:IICl:)
?
:s
~U::t: ~ CJ~CJs;a1l
::r:~CJ ~~ ~ s;a
u "'" 11 CJ ~ 1I~~II:':Cj
~
.,
~
S ~~~II~~~
~~Q;:;
~~~~~
QCJIIIICJIIA~
:::: U ~ U(.!i IIU ...~ ... U
el
~ ~ 11 11 11 11 ... ~Cl:)~t3~~~~ 11
"<1"
'D
II~~~~~~~~~~~~II~~~
VI "'~~UCj[!CJII~CJII8~~~s~
::::
~ ~IIAII~U~~U~~~IICJU(.!iCJ
'"
,...; CjU~~~~(.!i1l CJII~bCl:)~:': ~~~
II~~... ~~II"'~~~II~Q UQ ~~~
VI ~ t:l :.: 11 11 11U::t:...SCjCj 11 ~ 11 11 11 11 11 11 11 11
..!:
IIQ[i;~~~CJCJ~~~ :t:~~ CJCJCj::t::::t::~CJ ~
Cl:)...QCl:)Cj~kl 11
El S~~~Cj~~II~bll~~~~t3~ 11 II 11 11 11 11 11
\'- . ~r,:..,"'II~II_.,;:~UCl:)"':1I ~U_.,;:CJ
~ ~Q...,A~Cl:)..,..~II:t: IIA~~A ~t:l~8~~tJ ~
'" '" <1) o 11 11~CJ 11(.!i11"'~~...:U U 11
O
'"O
11 11 11 11 11 11 11
~ '~ ...,~::t::A 11~~t:l~~U:':~ 11 11 11~
:::
O
~ ;;a ~CJU!""-. :t:Cl:)::t:AIIIICj~~t211 ~~~~~S~ ~
oS 11
.~ ,.....,
,...;
:g ~ Q ~~~ 11 8 112~::E~SCj:t:Cj~
'" ~ 11(.!i~~~;:;Cl:) CjC5 11QCJu~
11 11 11 11 11 11 11
U
.J::l ::: Cl:)
~ 11 1I::t::t:lCj 11(.!i11 11 ~u~~ 11 11 ~I""~"'~~~~
ca'" '"O
O.)
C '1:1
O
c.>
2
.g ::t:: CJ~ 11 S~~t><"': ~~ 11~t2~
~AU~II~Cl:)~1I~2~1I~~~sQ ~
11
.8
~ Q
'"
<1)
~U~II~~II~~~II~~Q ...~~~ tF~~t5 Q:j::E~ ~

<1)
o ~~~Cl:)A~ II;jA"':~~ II~U 11 11 11 11 11 11 11 11 11 11 '"O
'"
o
'd
<1)
<lO
1I:':~lIj~
CJ ~~ ~At><~
~ Cl:)~ 11~~ 11 11
j~~U~~UII~~
s~ 11~~t2~~
~~~~tJ~~~ '"~
11 11 11 11 11 11 11 11 O
;;a A 11 1It:l~IIU~~IIII~AlliEU~ :c
~
...~ ~~~t:32S~~tl t:'l
~ ...~Cl:)~~Cl:)~~"':~~~~~~j
o.. IIStiIlQ~II~~~iEU ... 1111 11 11 11 11 11 11 11 II
<lO
~ ...~ ~~~j~ 11 ~ 11 11 11Q 11 ~ ~Cl:)...lQ~"'Cj::t::
~
<1)
11 11
U~::t::1I
lil ~~~
IIA ~II~
11 ..,:~~ 11t2~ili
;t:t2~
'"O
'"d
<1)
~~~~~~~~~~~S~~~St:l
11 UQ ...l ~Cl:) ~~ Cl:)Cl:)~
8 ...'"
<1)
:.: 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11 11
c:d .8 .....
~ ~
,....., d
,....., -o
a O.)
'"O
~
,...;
0
]O.)
'"O
.~ O.)
'"O
d ~
'o '"O
gE ~
~8 \0
'1 ,....., ~
:::d
t:'ll!)
..-.
::!
676
677
678 APNDICE
XII. Relaciones de alias para diseos factoriales fraccionados 2k-p con k ~ 15 y n ~ 64 (continuacin)
w) 212-<!; fraccin 1/256 de 12 factores Resolucin ID
en 16 corridas
Generadores del diseno
E==ABC F==ABD G==ACD H=BCD
I=ABCD K=AB L=AC M=AD
Alias
A = HJ == BK = CL == DM
B ::= Gl == AK == EL = FM
C = Fl = EK = AL = GM
D=El =FK =GL =AM
E == DI == CK = BL = HM
F=G=DK=HL=BM
G = BJ = HK == DL = CM
H = Al == GK = FL = EM
1= DE = CF == BG = AH
K = AB == CE = DF = GH
L = AC = BE == DG = FH
M = AD == BF = CG = EH
AE = BC == FG == DH = KL == 1M
AF = BD = EG == eH = IL == KM
AG = EF == CD = BH = IK = LM
2 bloques de 8:AE = BC = FG = DH = KL = JM
x) 213-9; fraccin 1/512 de 13 factores Resolucin 111
en 16 corridas
Generadores del diseo
E==ABC F=ABD G=ACD H=BCD
I=ABCD K=AB L=AC M=AD N=BC
Alias
A = Hl = BK = CL = DM = EN
B = GI = AK = EL = FM == CN
C = FI = EK == AL = GM = BN
D = El = FK = GL = AM == HN
E == DI ::::
CK = BL == HM == AN
F = G = DK == HL = BM = GN
G == BJ = HK = DL = CM ,= FN
H = Al = GK == FL = EM == DN
1= DE == CF = BG = AH = MN
K =AB=CE=DF=GH =LN
L=AC=BE=DG=FH =KN
M == AD = BF == CG = EH = JN
N = BC = AE = FG == DH == KL = 1M
AF = BD = EG '" CH = lL == KM
AG==EF=CD=BH =IK =LM
2 bloques de 8:AF = BD = EG == CH == lL = KM
APNDICE 679
X1L Relaciones de alias para diseos factoriales fraccionados 24 con k :s; 15 y n s 64 (continuacin)
y) 214-1; fraccin 1/1024 de 14 Resolucin 111
factores en 16 corridas
E=ABC F=ABD G=ACD H=BCD J=ABCD
K=AB L=AC M=AD N=BC O=BD
Alias
A = HJ = BK = CL == DM EN = Fa=
B = GJ == AK = EL = FM = CN = DO
C = FJ = EK = AL = GM = BN == Ha
D = FJ = FK = GL = AM = HN == BO
E=DJ=CK =BL=HM=AN=GO
F = CJ = DK = HL = BM = GN = Aa
G :::BJ = HK = DL = CM = FN::: Ea
=
H = Al GK = FL = EM = DN = ca
J == DE = CF = BG = AH = MN = LO
K = AB = CE = DF = GH = LN = MO
L = AC = BE = DG = FH == KN = JO
M = AD = BF = CG = EH = JN = Ka
N = BC = AE == FG = DH = KL = JM
0== BD = AF = EG = CH == JL = KM
AG = EF = CD == BH = JK = LM = NO
2 bloques de 8:AG =EF = CD =BH=JK=LM =NO
z) 2l'!-11;fraccin 1/2048 de 15 Resolucin 111
factores en 16 corridas
E=ABC F=ABD G=ACD H=BCD J=ABCD
K = AB L == AC M = AD N = BC 0= BD P = CD
Alias
A = HJ == BK = CL = DM ee EN = Fa = GP
B = GJ ee AK = EL = FM = CN = DO = HP
C = FJ = EK := AL = GM = BN = Ha == DP
D::: El =FK = GL = AM = HN = BO = CP
E = DJ = CK = BL == HM = AN = GO = FP
=
F == CJ = DK = HL BM = GN :::Aa = EP
G = BJ == HK = DL = CM = FN == Ea = AP
H = Al = GK = FL == EM = DN = ca =: BP
J = DE = CF = BG == AH = MN LO = KP =
K = AB = CE = DF == GH =: LN = MO = JP
= =
L AC = BE = DG FH = KN = JO = MP
M = AD = BF = CG = EH = JN = Ka = LP
N = BC = AE = FG = DH = KL = JM = OP
0= BD = AF = EG = CH = JL = KM = NP
=
P CD = EF = AG = BH = JK LM = NO =
680 APNDICE
Tabla Xlfl, Glosario para el uso de Design Expert

Actual value Valor real
Adeq precision Precisin adecuada
Adj MS (adjusted mean square) Cuadrado medio ajustado
Adj R-squared R cuadrada ajustada
Adj SS (adjusted sum of squares) Suma de cuadrados ajustada (SS ajustada)
Analysis of variance Anlisis de varianza
Coefficient estmate Estimacin del coeficiente
C. V. (coefficient of variation] Coeficiente de variacin
Cl (confidence interval) Intervalo de confianza
Cook's distance Distancia de Cook
Cor total (corrected total) Total corregido. Suma de los valores de
respuesta corregidos por la media. Se llama
comnmente suma de cuadrados totales
DF (degrees of freedom) Grados de libertad
DDF (denominator degrees of freedom) Grados de libertad del denominador
Diagnostic case statistics Estadsticos de diagnstico del caso
Error term Trmino del error
Estimated mean Media estimada
Expected mean square Cuadrado medio esperado
Lack offit Falta de ajuste
Least squares means for strength Medias de mnimos cuadrados de la
resistencia
Leverage Accin de palanca. Potencial de un punto del
diseno para influir en los coeficientes del
ajuste del modelo. Deben evitarse valores
cercanos a uno
Mean Media
Mean difference Diferencia media
Mean square Cuadrado medio
Means for covariates Medias de las covariables
NDF (numerator degrees of freedom) Grados de libertad del numerador
Operator fixed Operador fijo
Operator random Operador aleatorio
Outlier t Punto atpico t
Pred R-squared R cuadrada predicha
Predicted value Valor predicho
PRESS (Prediction error sum of squares) Suma de cuadrados del error de prediccin
Pure error Error puro
R-squared R cuadrada
Root MSE (root mean square error) Raz cuadrada del cuadrado medio del error
Seq SS (sequential sum of squares) Suma de cuadrados secuencial
Std. Dev. (standard deviation) Desviacin estndar
Standard error (SE) Error estndar
SE of difference (standard error of difference) Error estndard de la diferencia
Std. error of estimation Error estndar de la estimacin
SE mean (standard error of the mean) Error estndar de la media
Standard order Orden estndar
Student residual Residual de Student
Sum of squares Suma de cuadrados
Variance component Componente de la varianza
,
Indice
Aberracin, 326 Combinacin de informacin nterbloques e intrabloques,

Aditividad del modelo de bloques aleatorizados, 136. J!r 162
tambin Prueba de interacciones (no aditividad) Combinacin de los cuadrados medios para estimar el
Aleatorizacin, 12, 13, 61, 126, 148 error, 535
Algoritmo de anlisis para el diseo 2', 242 Comparacin de medias por pares, 96-104
Algoritmo de intercambio, 469 Comparacin de todos los contrastes, 95
Alias, 304 Comparacin de tratamientos con un control, 103
Alias parciales, 344, 380, 383 Comparacin grfica de medias, 89
Anlisis cannico del modelo de superficie de respuesta de Comparaciones mltiples, 88, 133, 182
segundo orden, 440 Componente 1de una interaccin, 366
Anlisis de covaranza, 15, 126, 604 Componente J de una interaccin, 366
Anlisis de residuales, 76, 79, 185, 224, 400, 416, 563 Componente W de una interaccin, 372
Anlisis de varianza, 60, 63, 66 Componente X de una interaccin, 372
Anlisis de varianza de dos factores, 177 Componente Y de una interaccin, 372
Anlisis de varianza de un solo factor, 64 Componente Z de una interaccin, 372
Anlisis de varianza simple o de una variable, 64 Componentes de la varianza, 65, 511, 512, 518, 565
Anlisis interbloques, 161 Componentes de una interaccin, 204, 366
Anlisis ntrabloques, 161 Condiciones ptimas, 427, 429, 430, 436
Arreglo exterior, 491 Conexin entre anlisis de varianza y regresin, 112
Arreglo interior, 491 Confusin completa, 299
Ascenso ms pronunciado, 227, 430, 435 Confusin en el diseo 2', 288
Aumento del diseo, 409. J!r tambin Separacin de alias cuatro bloques, 296
en las interacciones y Contraccin de diseos facto- dos bloques, 289
riales fraccionados ms de cuatro bloques, 297
Confusin en el diseo Y, 373
ms de nueve bloques, 378
Bloque principal, 291, 297, 373 nueve bloques, 377
Bloques completos, 127 tres bloques, 373
Bloques incompletos, 154 Confusin parcial, 299
Construccin de diseos factoriales fraccionados, 307, 318,
337, 379-381
Clculos en el anlisis de varianza, 70, 72 Contraccin completa, 340
Cambio en el efecto de la media en una operacin evoluti- Contraccin parcial, 349
va (EVOP), 484, 488 Contraste estandarizado, 92
Carcter iterativo de la experimentacin, 17, 20. Ver tam- Contraste ortogonal, 93, 221, 231
bin Experimentacin secuencial Contrastes, 90, 93, 221, 231, 290
Ciclo en ~ operacin evolutiva (EVOP), 484 Cordillera creciente, 448
Codificacin de los datos en un anlisis de varianza. 72 Cordillera estacionaria, 448
Coeficiente de confianza, 42 Corridas axiales, 274, 365, 478
Coeficiente de variacin, 104 Covariable, 604
Coeficientes de regresin parcial, 393 Covarianza, 26
Combinacin de fracciones para estimar efectos, 303, 306, Criterio de prediccin adecuada, 104
315, 339, 347, 348 Criterio para seleccionar un diseo, 455
681
682 NDICE
Criterios de diseo, 455 Diseo optimal G, 468

Cuadrado latino estndar, 148 Diseio optimal V, 468
Cuadrados latinos ortogonales, 151, 365 Diseo pentagonal, 461
Cuadrados medios, 68, 179 Diseo robusto, 488. Ver tambin Estudios de robustez de
Cubo con centros en las caras, 459 procesos
Curioseo o sondeo de datos, 94 Diseo rotable, 457
Curva de operacin caracterstica,40, 107, 139, 189, 529 Diseno smplex para el modelo de primer orden, 456
Curva OC. J-r Curva de operacin caracterstica Diseos 2"-1, 304-317
Curvatura, 174, 272, 432 Diseos 2k-2, 317
Diseos 2k-p, 326
D de Cook, 420 Diseos 3k, 363, 372
Datos no balanceados en el anlisis de varianza, 75, 600 Diseo 3k-1, 379
Datos proporcionales en un diseo factorial no balanceado, Diseios 3k-p, 382
600 Diseos alternados o entrecruzados, 150
Definicin de contrastes, 290, 296, 373 Diseos anidados, 557-568
Desviacin estndar muestral, 27 Diseos anidados por etapas escalonados, 566
Determinacin analtica de una transformacin, 590 Diseos centrales compuestos pequeos, 461
Determinacin del tamao de la muestra, 40, 107-110, 139, Diseos cuboidales, 450
189,529 Diseos de bloques incompletos balanceados, 154
Diagrama de caja, 23, 62 Diseios de cuadrados grecolatinos, 151, 383
Diagrama de dispersin, 662 Diseos de puntos frontera, 478
Diagrama de puntos, 21, 22 Diseos de resolucin III, 306, 337
Direccin del ascenso ms pronunciado. Ver Ascenso ms Diseos de resolucin IV; 306, 347
pronunciado Diseos de resolucin V, 307, 347
Diseo anidado de dos etapas, 557 Diseos de segundo orden, 456
Diseo anidado de m etapas, 566 Diseos de superficie de respuesta, 11, 364, 429
Diseo anidado de tres etapas, 566 ' Diseos en parcelas con doble subdivisin, 580
Diseo balanceado, 154, 558, 600 Diseos equirradiales, 461
Diseo bsico, 307, 317, 381 Diseos esfricos, 457
Diseo central compuesto, 11, 274, 275, 365, 441, 456 Diseos generados por computadora, 409, 466, 479
Diseo de aberracin mnima, 326 Diseos hbridos, 461
Diseno de arreglo combinado, 492, 494 Diseos mnimos de resolucin IV, 347
Diseo de arreglo cruzado, 491 Diseos no geomtricos, 343
Diseo de bloques aleatorizados, 50, 126, 207 Diseos optimales, 468
bloques completos, 127 Diseos optimales alfabticos, 468-469
bloques incompletos, 154 Diseos ortogonales, 231, 404, 455
Diseo de Box-Behnken, 458 Diseos para modelos de primer orden, 455
Diseo de comparaciones pareadas, 47, 50 Diseos Plackett-Burman, 343-347
Diseno del cuadrado latino, 144, 148, 209, 365 Diseos saturados, 337
Diseo en parcelas subdivididas, 557, 573, 578 Diseos simtricos, 155
Diseo en parcelas subdivididas en franjas, 583 Diseos smplex de centroide para mezclas, 475
Diseo experimental completamente aleatorizado, 33, 64, Diseos smplex de retcula para mezclas, 474
176,207 Distribucin de muestreo, 29
Diseo experimental y diseo de productos, 8, 11 Distribucin de probabilidad, 23
Diseo factorial 22, 5, 219 Distribucin de probabilidad continua, 24
Diseo factorial 2', 6, 228 Distribucin de probabilidad discreta, 24
Diseo factorial 24, 7, 246 Distribucin de referencia, 35
Diseo factorial 2k, 7, 218, 242 Distribucin F, 32
Diseno factorial anidado, 569 Distribucin ji-cuadrada, 30
Diseo factorial no balanceado, 600 Distribucin normal, 29
Diseo hexagonal, 461 Distribucin normal estndar, 29
Diseo jerrquico. J-r Diseos anidados Distribucin sesgada, 30
Diseo no balanceado, 75, 144, 600 Distribucin t, 31
Diseo no replicado. Ver Rplica nica Doblez de diseos factoriales fraccionados, 339, 340, 347,
Diseo optimal A, 468 348. J-r tambin Separacin de alias en las interac-
Diseo optmal D, 468 'iones
NDICE 683
Ecuaciones normales de mnimos cuadrados, 112, 151, 159, Experimentacin secuencial, 10, 17, 18,20, 303, 315, 365,
186-187, 395 429,456
Ecuaciones normales. Ver Ecuaciones normales de mnimos Experimentador, 2
cuadrados Experimento aleatorizado, Ver Diseo experimental comple-
Efecto del tratamiento, 64 tamente a1eatorizado
Efecto principal, 5, 170, 220 Experimento comparativo, 21
Efecto total de un factor, 221 Experimento con mediciones repetidas, 624
Efectos cuadrticos, 88, 204, 432 Experimento de caracterizacin, 8. ~r tambin Experimen-
Efectos cbicos, 88 to de tamizado
Efectos de dispersin, 110, 241, 260, 264, 323 Experimento de tamizado, 9, 15, 218, 303
Efectos de localizacin, 111, 260, 323 Experimento factorial, 4, 170, 218
Efectos de los factores, 5, 6, 220 en bloques, 207, 287
Efectos de los tratamientos ajustados, 157, 161 en parcelas subdivididas, 578
Efectos ortogonales, 221, 231 Experimento factorial fraccionado, 7, 303, 379
Efectos residuales de tratamientos, 150 Experimentos con un factor a la vez, 4
Eficiencia relativa de los diseos factoriales, 174 Experimentos de mezclas, 472
Eigenvalores (valores propios), 440 Experimentos de seguimiento. Ver Pruebas de confirmacin
Eigenvectores (vectores propios), 446 Experimentos industriales y experimentos agrcolas, 18
Elemento identidad, 231 Experimentos no planeados, 392
Enfoque de grupo en el diseo de experimentos, 14
Enfoque de la mejor conjetura para la experimentacin, 3 Factor cruzado, 170. Ver tambin Experimento factorial
Enfoque no paramtrico del anlisis de varianza, 116 Factores, 1, 2, 3, 5, 14, 21, 60
Error, 22 Factores controlables, 2, 14, 15, 489, 493
Error de la parcela completa, 575, 579, 584 Factores cualitativos, 86, 201, 275, 368
Error de la subparcela, 575, 579, 584 Factores cuantitativos, 86, 171, 201, 272, 363, 368, 511
Error estadstico, 22, 64, 412 Factores de ruido. Ver Factores no controlables
Error estndar de los efectos en un diseo 21, 241 Factores no controlables, 2, 15, 489
Error estndar de un coeficiente de regresin, 239, 412 Factores que se mantienen constantes, 14
Error experimental, 11, 12, 34, 64 Falta de ajuste, 239, 272, 431
Error intrabloques, 163 Familia de potencias de transformaciones, 84, 591
Error puro, 239 Familia exponencial de distribuciones, 594
Escala codificada, 172 Familia factorial fraccionada, 306
Espacio inferencial de un experimento, 511 Fase en una operacin evolutiva (EVOP), 484
Estadstico del rango studentizado, 97, 102 Forma no restringida del modelo mixto, 526, 540, 573
Estadstico R2 ajustada, 104, 411. Ver tambin Rl Forma restringida del modelo mixto, 523, 531, 539, 559,
Estimacin, 27 569
Estimacin de los componentes de la varianza, 513 Formacin de bloques, 12, 13, 15, 50, 126, 127, 130, 207,
mxima verosimilitud, 547 209, 287, 289, 296, 298, 315, 331, 373, 462, 574, 576,
mtodo de mxima verosimilitud con restricciones, 549 579, 580, 604
mtodo del anlisis de varianza, 513, 518, 524 Formacin de bloques de diseos de superficie de respues-
Estimacin de los parmetros del modelo en el anlisis de ta,462-466
varianza, 74, 112, 185 Fraccin alterna, 305, 319
Estimacin de mxima verosimilitud, 547, 549, 595 Fraccin complementaria. Ver Fraccin alterna
Estimacin de mnimos cuadrados de parmetros, 88, 112, Fraccin irregular, 346
141, 159, 186, 394 Fraccin principal, 305
Estimacin de valores faltantes, 139, 148, 602 Fraccin un medio, 7, 304
Estimaciones de efectos, 220 Fuerza de una transformacin, R4
magnitud y direccin, 221 Funcin de enlace, 595
Estimador, 27 Funciones con condicin de deseables, 451-454
Estimador de la varianza mnima, 27 Funciones estimables, 113, 11.4, 188, 189
Estimador de momentos, 547
Estimador insesgado, 27 Generador de diseos. ~r Generador de diseos factoria-
Estrategia de experimentacin, 1, 3 les fraccionados
Estudios de capacidad o aptitud de los instrumentos de Generador de diseos factoriales fraccionados, 304, 318
medicin, 519, 524 Grados de libertad, 29, 30, 31
Estudios de robustez de procesos, 1, 127, 176, 488 Grfica de contorno, 10, 204
--------------------------------------,-----, ..,-
684_. NDICE
Grfica de cubo, 242, 262 Mtodo de Box-Cox,590

Grfica de inferencia condicional para diseos factoriales Mtodo de grandes muestras modificado, 545
no replicados, 253 Mtodo de la diferencia significativamnima (LSD) para
Grfica de probabilidad normal de los efectos, 246, 264 comparar medias, 99
Graficacin de residuales, 76-86 Mtodo de Lenth para diseos sin rplicas, 254
Grficas de probabilidad normal, 38, 72 Mtodo de los cuadrados de las medias ponderados, 603
Mtodo de medias no ponderadas, 603
Herencia de la agricultura, 17, 18 Mtodo de mnimos cuadrados. ver Estimacin de mnimos
Hpercuadrados, 154 cuadrados de parmetros
Hiptesis alternativa, 34 Mtodo de momentos, 547
Hiptesis alternativa de dos colas, 34 Mtodo de Satterthwaite. ver Pruebas F aproximadas
Hiptesis alternativa de una cola, 35 Mtodo del ascenso ms pronunciado. ver Ascenso ms
Hiptesis nula, 34 pronunciado
Histograma, 23 Metodologa de superficies de respuesta (MSR), 11, 427
Mtodos de medias no ponderadas en el anlisis de varian-
Importancia de los conocimientosno estadsticos, 19 za,603
ndice de error en el modo del experimento, 75 Mezclado lineal, 476
Influencia y accin de palanca, 419, 420 Mezclado sinrgico en mezclas, 476
Informacin relativa para efectos confundidos, 300 Mezclas antagnicas en mezclas, 476
Interaccin, 4, 137, 171, 174 Mezclas binarias, 472
Interaccin entre tratamientos y bloques, 137 Mezclas de verificacin, 478
Interaccin generalizada, 296, 299, 377 Mezclaspuras, 474
Intervalo de confianza, 42 Mnimos cuadrados esperados, 68, 179
Intervalo de confianza para la media de un tratamiento, 74, reglas para, 531
75, 100 Mnimos cuadrados ponderados, 595
Intervalo de confianza para la respuesta promedio en el Mitad de grfica normal de los efectos, 253
modelo de regresin, 416 Modelo completo, 115, 116, 142, 413
Intervalo de confianza simultneo, 75 Modelo con efectos aleatorios, 65, 511, 512, 557
Intervalo de prediccin, 416 Modelo con efectos fijos, 65, 511
Intervalos de confianza aproximados para los componentes Modelo de la respuesta o de reaccin de un diseo robus-
de la varianza, 543 to,492
Intervalos de confianza para los componentes de la varian- Modelo de las medias, 64, 128, 177
za, 516, 491 Modelo de los efectos, 64, 128, 145, 177
intervalos aproximados tipo Satterthwaite, 543 Modelo de primer orden, 226, 427, 455
intervalos exactos, 51.6,543 Modelo de regresin, 87, 172, 177,201, 204, 223, 235, 364,
mtodo de grandes muestras modificado, 545 392,604
procedimientos de mxima verosimilitud,552 Modelo de regresin lineal mltiple, 393
Intervalos de confianza simultneos, 75, 95 Modelo de superficie de respuesta de segundo orden, 429
Intervalos de confianza uno a la vez, 75 Modelo emprico, 17,87,392
Modelo estadstico, 34, 48, 64, 87, 1.28,155, 177, 190, 191,
Jerarqua del modelo, 203, 286 194, 207, 210, 393, 427, 429, 436, 476, 492, 493, 512,
517,522,526,558,567,569,575,576,578,581,584,
Lmites de confianza, 42 594, 60S, 624
Localizacin, como en la tendencia central, 22 Modelo factorial sin interacciones, 190
Modelo jerrquico, 203, 286
Matriz de covarianza, 397 Modelo lineal,.64. ver tambin Modelo estadstico
Matriz del diseo, 228 Modelo lineal generalizado, 594
Matriz gorro, 417 Modelo mixto, 522, 559, 569
Media, 12, 25 error estndar de la media con efectos fijos, 524
Media global, 64 estimacin de los componentes de la varianza, 524
Media muestral, 12, 26, 27 formas alternativas, 526
Medias ajustadas de los tratamientos en anlisis de cova- modelo con restricciones, 523
rianza, 607 modelo sin restricciones, 526
Mediciones duplicadas en la respuesta, 265 Modelo reducido, 116, 143, 413, 520
Mtodo de Bonferroni de intervalos de confianza simult- Modelos aditivos, 135, 145, 432
neos, 75 Modelos con mezclas, 476
NDICE 685
Muestreo aleatorio, 26 Prueba de Tukey, 96
Prueba del rango mltiple de Duncan, 100
Navaja de Ockham, 310 Prueba F parcial, 413
Nivel de significacin, 34, 37 Prueba general de la significacin de la regresin, 114, 141,
Niveles de los factores, 14, 21, 60, 245 626
Niveles de los factores naturales, 224, 226,431 Prueba t combinada. J!r Prueba t de dos muestras
Niveles imprecisos de los factores del diseo, 405 Prueba t de dos muestras, 35
Niveles mixtos de los factores en un diseo factorial, 383 varianzas diferentes, 44
Notacin geomtrica para experimentos factoriales, 228 Prueba t pareada, 49
Pruebas de aleatorizacin, 40, 73
Observaciones faltantes en un diseo de bloques aleatoriza- Pruebas de confirmacin, 17,317
dos, 139 Pruebas F aproximadas, 535, 539, 540
Observaciones faltan tes en un diseo de cuadrado latino, Pseudocomponentes, 479
148 Pseudopruebas F. Ver Pruebas F aproximadas
Observaciones faltantes en un diseo factorial 2', 404 Punto de respuesta mxima, 436, 437
Operacin evolutiva (EVOP), 484-488 Punto de respuesta mnima, 436, 438
Operador de la varianza, 25 Punto estacionario, 436, 440
Operador del valor esperado, 25 Punto silla, 436, 439
Optimizacin de un proceso, 9, 427 Puntos atpicos, 78, 417
Orden de Yates. Ver Orden estndar Puntos centrales, 271, 365, 431, 458, 461
Orden estndar, 223, 228, 242 Puntos de accin de palanca, 420. Ver tambin Influencia y
Ortogonalidad, 93, 221, 231 accin de palanca
Palabras en la relacin de definicin, 318

Parcelas completas, 574, 579, 583 RZ, 104, 411. Ver tambin Estadstico R2 ajustada
Pautas generales para el diseo de experimentos, 13 W para prediccin, 104, 419
Pendiente de la superficie de respuesta, 493 Realizacin de rplicas, 5, 12, 16, 60, 247
Planeacin previa al experimento, 14, 16 Regin crtica, 34
Potencia, 34 Regin de rechazo. Ver Regin crtica
Predictor lineal, 594 Reglas para expectativas, 26
PRESS (Prediction Error Sum of Squares, Prediccin de Reglas para los cuadrados medios esperados, 531
suma de cuadrados de error), 104 Relacin de definicin para un diseo factorial fraccionado,
Principio de efectos esparcidos, 245, 303 304, 318, 379
Principio jerrquico en la construccin de modelos, 203, Relacin generadora, 318
2;6 Relacin seal a ruido, 491
Procesos robustos, 1. Ver tambin Estudios de robustez de Repetibilidad, 519
procesos Rplica oculta, 247, 619
Programacin no lineal, 451 Rplica nica, 191, 244. Ver tambin Una observacin por
Propagacin del error, 495 celda
Propiedad de reduccin de ruido con la formacin de blo- Rplicas de cuadrados latinos, 148
ques, 51, 132-133 Reproducibilidad, 519
Propiedades de los estimadores de mnimos cuadrados, 397 Residuales escalados, 417
Proyeccin de diseos factoriales, 246, 303, 307, 331 Residuales estandarizados, 78, 417
Proyeccin del diseo, 247, 303, 310 Residuales PRESS, 418
Proyectividad, 345 Residuales studentzados, 418
Prueba de Bartlett para la igualdad de varianzas, 81 Resolucin del diseo, 308
Prueba de Dunnett, 103 Resolucin de un diseo factorial fraccionado. Ver Resolu-
Prueba de hiptesis, 21, 33, 409 cin del diseo
Prueba de interacciones (no aditividad), 192 Respuestas mltiples, 448
Prueba de Kruskal-Wallis, 116 Restriccin sobre la aleatorzacn, 130, 145, 207, 209
Prueba de Levene modificada. Ver Prueba de Levene Restriccin sobre la aleatorizacin, Ver Restriccin sobre la
Prueba de Levene para la igualdad de la varianza, 82 aleatorizacin; ver tambin Formacin de bloques
Prueba de Newman-Keuls, 102 R-Student, 419
Prueba de Scheff, 95
Prueba de significacin. Ver Prueba de hiptesis
Prueba de significacin de una regresin, 409 Seleccin emprica de una transformacin, 81, 84
686 NDICE
Separacin de alias en las interacciones, 306, 315, 339, 348, Tratamientos ortogonales a los bloques, 139
407. Ver tambin Doblez de diseos factoriales frac- Trayectoria del ascenso ms pronunciado. Ver Ascenso ms
cionados pronunciado
Significacin prctica vs significacin estadstica, 19
Sistemas de cordilleras, 447 Una observacin por celda, 191
Submuestreo, 578 Unidad experimental, 13, 64, 126
Subparcelas, 574, 579
Suma de cuadrados corregida, 28 Valor esperado, 25
Suma de cuadrados de los residuales, 397 Valores P, 37
Sumas de cuadrados extras, 412 Variabilidad, 22, 323
Sumas de cuadrados tipo 1I1, 620 Variabilidad dentro de un tratamiento, 66
Superficie de respuesta, 10, 173, 201, 204, 225, 235, 364, Variabilidad entre los tratamientos, 66
393, 427 Variable aleatoria, 22
Supuesto de desigualdad de la varianza, 80 Variable aleatoria continua, 22
Supuesto de independencia en la prueba t y el anlisis de Variable aleatoria discreta, 22
varianza, 38-40, 79 Variable aleatoria F no central, 107
Supuesto de normalidad en las pruebas t y el anlisis de Variable concomitante, 604
varianza, 38, 77 Variable de regresin, 392
Variable de respuesta, 1, 2, 14, 15, 392
Tendencia central, 22 Variable dependiente, 392
Teorema de Cochran, 69 Variable independiente, 392
Teorema del lmite central, 30 Variable perturbadora, 13, 126
Totales de los tratamientos ajustados, 157 Variables aleatorias independientes, 26
'Iransformacin de datos, 40, 81, 84-86, 257 Variables codificadas, 172, 223, 431
Transformacin de rangos, 117, 118 Variables indicadoras, 203
Transformacin para corregir la violacin de los supuestos, Varianza, 25
40, 81, 84-86, 257, 590 Varianza de la prediccin como criterio de diseo, 455,
Transformaciones para estabilizar la varianza, 81, 84-86, 457,468
257 Varianza muestral, 26, 27
Transmisin del error, 493, 495 Varianza no constante, 38, 44, 79, 80
Tratamiento de control, 103 Verificacin de supuestos, 38, 76-86, 135, 185, 224, 242,
'Iratamientos, 21, 60 251, 258, 261, 416
LA EDICiN,COMPOSICIN,OISEOE IMPRESiNDE ESTAOBRAFUERONREALIZADOS

BAJOLA SUPERVISINDE GRUPO NORIEGA EDITORES.
BALDERAS95, COL CENTRO.M8<ICO, D.F. C.P. 06040
22257500007046S8DP92331E
H5000t

Diseño y Análisis de Experimentos, Montgomery

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

Diseño y Análisis de Experimentos, Montgomery

Încărcat de

Drepturi de autor:

Formate disponibile

DISEO y

LA PRESENTACiN Y DISPOSICiN EN CONJUNTO DE

SON PROPIEDADDEL EDITOR. NINGUNA PARTEDE ESTOBRA PUEDE

e 2004, EDITORIAL LlMUSA, S.A. DE C.V.

CANIEM NM. 121

ACERCA DEL LIBRO

MATERIAL SUPLEMENTARIO DEL TEXTO

En el sitio web http://www.wiley.com/legacy/college/engin/montgomery316490/student/student.html est

Captulo 2. Experimentos comparativos simples 21

Captulo 3. Experimentos con un solo factor: el anlisis de varianza 60

3-4 Verificacin de la adecuacin del modelo 76

Captulo 4. Bloques aleatorizados, cuadrados latinos y diseos relacionados 126

4-1 Diseo de bloques completos aleatorizados 126

Captulo 5. Introduccin a los diseos factoriales 170

Captulo 6. Diseo factorial 21; 218

Captulo 7. Formacin de bloques y confusin en el diseo factorial 2" 287

Captulo 8. Diseos factoriales fraccionados de dos niveles 303

Captulo 10. Ajuste de modelos de regresin 392

Captulo 11. Mtodos de superficies de respuesta y otros enfoques para la optimizacin de

11-3.4 Respuestas mltiples 448

Captulo 12. Experimentos con factores aleatorios 511

Captulo 13. Diseos anidados y en parcelas subdivididas 557

Captulo 14. Otros tpicos de diseo y anlisis 590

14-1.1 Seleccinde una transformacin:el mtodo de Box-Cox 590

1..1 ESTRATEGIADE EXPERIMENTACIN

S. Qu mtodo de anlisis de datos deber usarse?

1. El tipo de palo usado (grande o normal).

Figura 12 Resultados de la estrategia de un factor a la vez para el experimento de golf.

Figura 1-3 Interaccin entre el Figura 1-4 Experimento factorial de dos

Ef d1 1 92+94+93+91 88+ 91 + 88+ 90 = 3.25

:. ~+~+M+W 88+ 91 + 93+ 91 ::o 0.25

Figura 1-6 Experimento factorial de tres factores que

Figura 17 Experimento factorial de cuatro factores que incluyeel tipo de

Figura 1-8 Experimentofactorialfraccionadode cuatro factores que incluye

1~2 ALGUNAS APLICACIONES TPICAS DEL DISEO EXPERIMENTAL

EJEMPLO 1~1 ..........................................................

1. El espesor de la tarjeta de circuitos impresos.

Figura 1-9 Grfica de contorno del rendimiento como una fun-

Ilustracin del diseo de un producto

1. La distancia que se desplaza el cilindro.

La consecuencia prctica de lo anterior es que si se hicieron n = 1 rplicas y se observ YI = 145 (tem-

1~4 PAUTAS GENERALESPARA DISEAR EXPERIMENTOS

Tabla 1-1 Pautas generales para disear un experimento

1..5 BREVEHISTORIA DEL DISEO ESTADSTICO

1~6 RESUMEN:USO DE TCNICAS ESTADSTICAS EN LA

Tabla 2-1 Datos de la fuerza de la tensin de

2~2 CONCEPTOS ESTADSTICOS BSICOS

Descripcin grfica de la variabilidad

o " Mortero sin modificar

Recuperacinde metal (rendimiento)

Figura 2-2 Histograma de 200observacionesde la recuperacin de metal (rendimiento) en

Diagramas de caja y bigotes

Figura 2-3 Diagramasde caja del experimentode la fuerza de la ten-

Y2 Y4 Y6 Ya Yl0 Y12 Y14

a) Una distribucin discreta

b) Una distribucin continua

Figura 2-4 Distribuciones de probabilidad discreta y continua.

y discreta: o s p(Y):S; 1 todos los valores de Yi

y continua: O:s; f(y)

P(a:s; y:s; b)= I: f(y)dy

Media, varianza y valores esperados

I:", yf(y)dy y continua

I:., yf(y)dy y continua

donde E denota el operador del valor esperado.