ESTADISTICA III

RICK VEGA ACOSTA

UNIVERSIDAD DEL MAGDALENA

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA INDUSTRIAL
SANTA MARTA (D.T.C.H)
2017
 TALLER 3
ESTADISTICA
III
ING. RICK ACOSTA VEGA
TEMA: DISEÑO 2K

I. Preguntas

1. Conteste las siguientes preguntas, de índole general, con respecto a los diseños
factoriales:

a) Explique qué son los factores y qué es la(s) variable(s) de respuesta.

En un diseño factorial 2𝑘 los factores simbolizan el exponente k y corresponden a los
valores estudiados o controlados por el experimentador para analizar su efecto en la
variable de respuesta, quien a su vez es la variable de interés de la cual se desea
conocer la variación cuando se realicen ciertas variaciones en los factores.

b) ¿Cuál es el objetivo de un diseño factorial?

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una o
varias respuestas o características de calidad, es decir, lo que se busca es estudiar la
relación entre los factores y la respuesta, con la finalidad de conocer mejor cómo es
esta relación y generar conocimiento que permita tomar acciones y decisiones que
mejoren el desempeño del proceso.

c) Ejemplifique y explique en qué consiste la estrategia de modificar o mover un

factor a la vez, que es propia de la experimentación empírica.
Consiste en elegir el primer factor, realizar las corridas que quiera con ambos niveles,
para obtener así la condición óptima.

d) Señale y argumente qué ventajas tienen los experimentos factoriales sobre la

estrategia de mover un factor a la vez.
-Permiten estudiar el efecto individual y de interacción de los distintos factores.
-Se pueden correr fracciones de diseños factoriales, las cuales son de gran utilidad
cuando se involucran muchos factores para descartar de manera económica los que
no son importantes.
-Pueden utilizarse en combinación con diseño de bloques en situaciones en las que no
puede correrse todo el diseño factorial bajo las mismas condiciones.

e) ¿Qué significa que un factor tenga un efecto significativo? ¿Sobre quién es el

efecto?
Significa que en interacción con otro factor su significancia es negativa y esto recae en
la variable de respuesta, lo que significa que no es el mejor tratamiento

f) ¿Todos los factores deben ser de tipo cuantitativo o es posible involucrar

factores cualitativos, por ejemplo dos tipos de máquinas, o la presencia o
ausencia de alguna sustancia?
 Si es posible, los factores en estos diseños pueden ser de tipo cualitativo
(máquinas, tipos de material, operador, la presencia o ausencia de una operación
previa, etc.) , o de tipo cuantitativo (temperatura, humedad, velocidad, presión,
etc.).

2. Suponga un diseño factorial 22 , cuyos factores y niveles son: temperatura (8, 20) y
velocidad (4, 7). La variable de respuesta es rendimiento. Conteste las siguientes
preguntas:

a) ¿Por qué este diseño recibe tal nombre?

El diseño recibe el nombre porque tiene dos factores y dos niveles.

b) Anote los diferentes tratamientos que forman este diseño. Utilice diferentes tipos
de códigos.

TEMPERATURA VELOCIDAD A B AB CODIGO

8 4 - - + 1
20 4 + - - A
8 7 - + - B
20 7 + + + AB

c) Represente en forma geométrica al diseño y resalte la región de experimentación.

8

8, 7 20, 7

4 8, 4 20, 4

0
4 8 12 16 20

d) Explique cómo piensa que fue el proceso para seleccionar esos factores y esos
niveles.
Los factores se eligen porque su comportamiento se considera clave en el proceso y
estos niveles son críticos.

e) Defina qué son los efectos principales y cuál el efecto de interacción.

El efecto de un factor se define como el cambio observado en la variable respuesta
debido a un cambio de nivel de tal factor. En particular los efectos principales, son los
cambios en la media de la variable respuesta debido a la acción individual de cada
factor. Matemáticamente el efecto principal de un factor es la diferencia entre la
respuesta media observada cuando tal factor estuvo en su nivel más alto y la
respuesta media observada cuando el factor estuvo en su nivel más bajo.

Por otro lado, se dice que dos factores interactúan entre sí o que tienen un efecto de
interacción sobre la variable respuesta, cuando el efecto de un factor depende del
nivel en que se encuentra el otro.

f) Señale los diferentes efectos que se pueden estudiar con este diseño y la forma en
que se calcula cada uno.
En este ejercicio se pueden analizar los efectos principales que son la temperatura y
la velocidad y la interacción entre ambos.
Esto se logra con las siguientes ecuaciones:

𝑪𝑶𝑵𝑻𝑹𝑨𝑺𝑻𝑬 𝑨
𝑬𝑭𝑬𝑪𝑻𝑶 𝑨 =
𝒏𝟐𝒌−𝟏

g) Describa en qué consiste la aplicación de los tres principios básicos del diseño de
experimentos (capítulo 1), en este caso.
-Aleatorizar
“Aleatorizar todos los factores no controlados por el experimentador en el diseño
experimental y que pueden influir en los resultados serán asignados al azar a las
unidades experimentales”.
-Bloquear
“Se deben dividir las unidades experimentales en grupos llamados bloques de modo
que las observaciones realizadas en cada bloque se realicen bajo condiciones
experimentales lo más parecidas posibles.
A diferencia de lo que ocurre con los factores tratamiento, el experimentador no está
interesado en investigar las posibles diferencias de la respuesta entre los niveles de
los factores bloque”.
-La factorización del diseño.
“Un diseño factorial es una estrategia experimental que consiste en cruzar los niveles
de todos los factores tratamiento en todas las combinaciones posibles”.

II. Ejercicios

1. EJERCICIO
En una empresa de electrónica una máquina toma componentes que le
proporciona un alimentador, para montarlos o depositarlos en una tarjeta. Se ha
tenido el problema de que la máquina falla en sus intentos por tomar el
componente, lo cual causa paros de la máquina que detienen el proceso hasta que
el operador se da cuenta y reinicia el proceso. Para diagnosticar mejor la situación,
se decide correr un diseño de experimentos 24 con n = 2 réplicas, en el que se
tienen los siguientes factores y niveles (–, +), respectivamente: A) Velocidad de
cam (70%, 100%), B) Velocidad de mesa (media, alta), C) Orden o secuencia de
colocación (continua, variable), D) Alimentador (1, 2). Como el proceso es muy
rápido, es necesario dejarlo operar en cada condición experimental el tiempo
suficiente para reproducir el problema. Se consideró que esto se lograba con
suficiente confianza con 500 componentes; por ello, cada una de las corridas
experimentales consistió en colocar 500 componentes, y se midieron dos variables
de respuesta: Y1 = número de errores (o intentos fallidos), y Y2 = tiempo real (en
segundos) para tomar y “colocar” los 500 componentes. Es evidente que se quiere
minimizar ambas variables. Los datos obtenidos se muestran en la siguiente tabla.

a) Al observar los datos obtenidos se deduce que hay algunos tratamientos que
tienen pocos o ningún componente caídos, como por ejemplo el (–1, –1, +1, +1),
alguien muy “práctico” decidiría poner la máquina a operar bajo estas
condiciones, y olvidarse del análisis estadístico. De proceder así, explique qué
información se perdería.

b) Investigue qué efectos influyen de manera significativa sobre Y1 (apóyese en

Pareto y ANOVA). c) Obtenga el mejor ANOVA.
El mejor ANOVA se construyó de orden 2 y queda de la siguiente forma:
Análisis de Varianza para NUMERO DE ERRORES

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P

A:VELOCIDAD DE CAM 1352,0 1 1352,0 2,38 0,1388
B:VELOCIDAD DE MESA 338,0 1 338,0 0,59 0,4497
C:ORDEN 2701,13 1 2701,13 4,75 0,0414
D:ALIMENTADOR 3042,0 1 3042,0 5,35 0,0315
AB 0,5 1 0,5 0,00 0,9766
AC 666,125 1 666,125 1,17 0,2920
AD 8,0 1 8,0 0,01 0,9068
BC 55,125 1 55,125 0,10 0,7587
BD 2,0 1 2,0 0,00 0,9533
CD 66,125 1 66,125 0,12 0,7367
bloques 13122,0 1 13122,0 23,08 0,0001
Error total 11372,5 20 568,625
Total (corr.) 32725,5 31

Esta tabla muestra que el valor-P para el alimentador y el orden de colocación son
menores que el valor de significancia α= 0,05, por lo cual estos factores influyen
significativamente en la variable de respuesta de estudio que en este caso es el número de
errores en la máquina.
Esta afirmación la podemos comparar con diagrama de Pareto el cual ordena los factores de
menor a mayor magnitud en valor absoluto lo que indica que el factor alimentador y el factor
orden son los más significativos.

c) Si en el análisis anterior encuentra alguna interacción significativa, analice con

detalle la más importante e interprete en términos físicos.
No existe ninguna interacción significativa.
 d) ¿Qué tratamiento minimiza Y1?

Optimizar Respuesta
Meta: minimizar NUMERO DE ERRORES
Valor óptimo = 37,0

Factor Bajo Alto Óptimo

VELOCIDAD DE CAM -1,0 1,0 -1,0
VELOCIDAD DE MESA -1,0 1,0 -1,0
ORDEN -1,0 1,0 1,0
ALIMENTADOR -1,0 1,0 1,0

Para minimizar el número de errores de debe trabajar la velocidad de cam en nivel

bajo, la velocidad de mesa en nivel bajo, el orden en nivel alto y el alimentador en
nivel alto.

e) Ahora investigue qué efectos influyen de manera relevante sobre Y2.

Se tomó un diseño máximo de 4

Análisis de Varianza para TIEMPO REAL

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
A:VELOCIDAD DE CAM 1176,13 1 1176,13 1,41 0,2531
B:VELOCIDAD DE MESA 364,5 1 364,5 0,44 0,5182
C:ORDEN 1568,0 1 1568,0 1,88 0,1901
D:ALIMENTADOR 4704,5 1 4704,5 5,65 0,0312
AB 480,5 1 480,5 0,58 0,4592
AC 1512,5 1 1512,5 1,82 0,1977
AD 242,0 1 242,0 0,29 0,5977
BC 3,125 1 3,125 0,00 0,9520
BD 105,125 1 105,125 0,13 0,7273
CD 45,125 1 45,125 0,05 0,8191
ABC 3,125 1 3,125 0,00 0,9520
ABD 378,125 1 378,125 0,45 0,5106
ACD 190,125 1 190,125 0,23 0,6396
BCD 18,0 1 18,0 0,02 0,8851
ABCD 2,0 1 2,0 0,00 0,9616
bloques 10658,0 1 10658,0 12,80 0,0027
Error total 12489,0 15 832,6
Total (corr.) 33939,9 31

Esta tabla muestra que el valor-P para el alimentador es menor que el valor de
significancia α= 0,05, por lo cual este factor influyen significativamente en la variable de
respuesta de estudio que en este caso es el tiempo real.
Esta afirmación la podemos comparar con diagrama de Pareto el cual ordena los factores de
menor a mayor magnitud en valor absoluto lo que indica que el factor alimentador es el más
significativo.
 f) ¿Qué tratamiento minimiza Y2?

Optimizar Respuesta
Meta: minimizar TIEMPO REAL
Valor óptimo = 39,0

Factor Bajo Alto Óptimo

VELOCIDAD DE CAM -1,0 1,0 1,0
VELOCIDAD DE MESA -1,0 1,0 -1,0
ORDEN -1,0 1,0 1,0
ALIMENTADOR -1,0 1,0 1,0

Para minimizar el número de errores de debe trabajar la velocidad de cam en nivel

alto, la velocidad de mesa en nivel bajo, el orden en nivel alto y el alimentador en nivel
alto.

g) Encuentre una condición satisfactoria tanto para minimizar Y1 como Y2.

No es posible encontrar una condición satisfactoria para minimizar ambas variables.

h) De los análisis de varianza para Y1 y Y2 observe el coeficiente R2. ¿Qué

concluye de ello?
i)
PARA EL NUMERO DE ERRORES 𝑅 2 = 65,2488%
PARA EL TIEMPO REAL 𝑅 2 = 63,2026%

El valor 𝑅 2 muestra el porcentaje de variación de la variable de respuesta respecto a la

relación con otras variables que en este caso serían los factores, como se observa la
variable número de errores posee mayor variación, esto quiere decir que cualquier
cambio en los factores influye de mayor manera en ella que en el tiempo real
j) Verifique residuos.

VERIFICACCION DE SUPUESTOS PARA NUMERO DE ERRORES

Ho: Los datos provienen de una distribución normal

Ha: Los datos no provienen de una distribución normal

Pruebas de Normalidad para C.RESIDUOS

Prueba Estadístico Valor-P
Estadístico W de Shapiro-Wilk 0,982716 0,895559

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula y asumimos que
se cumple el supuesto de normalidad

IGUALDAD DE VARIANZA

Ho: Los tratamientos tienen igual varianza

Ha: Los tratamientos no tienen igual varianza

Tabla ANOVA para C.RESIDUOS por VELOCIDAD DE CAM

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 1,81899E-12 1 1,81899E-12 0,00 1,0000
Intra grupos 12489,0 30 416,3
Total (Corr.) 12489,0 31

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula, por lo tanto, se
asume que los residuos por velocidad de cam. tienen igual varianza.

Tabla ANOVA para C.RESIDUOS por VELOCIDAD DE MESA

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 1,81899E-12 1 1,81899E-12 0,00 1,0000
Intra grupos 12489,0 30 416,3
Total (Corr.) 12489,0 31

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula, por lo tanto, se
asume que los residuos por velocidad de mesa tienen igual varianza.

Tabla ANOVA para C.RESIDUOS por ORDEN

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 0 1 0 0,00 1,0000
Intra grupos 12489,0 30 416,3
Total (Corr.) 12489,0 31

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula, por lo tanto, se
asume que los residuos por orden tienen igual varianza.

Tabla ANOVA para C.RESIDUOS por ALIMENTADOR

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 1,81899E-12 1 1,81899E-12 0,00 1,0000
Intra grupos 12489,0 30 416,3
Total (Corr.) 12489,0 31

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula, por lo tanto, se
asume que los residuos para el alimentador tienen igual varianza.

INDEPENDECIA

Ho: Los residuos son independientes entre si

Ha: Los residuos no son independientes entre si

Prueba de Aleatoriedad de C.RESIDUOS

(1) Corridas arriba o abajo de la mediana

Mediana = 0,0
Número de corridas arriba o abajo de la mediana = 19
Número esperado de corridas = 17,0
Estadístico z para muestras grandes = 0,539096
Valor-P = 0,589817

(2) Corridas arriba y abajo

Número de corridas arriba y abajo = 26
Número esperado de corridas = 21,0
Estadístico z para muestras grandes = 1,9425
Valor-P = 0,0520767

(3) Prueba Box-Pierce

Prueba basada en las primeras 10 autocorrelaciones
Estadístico de prueba para muestras grandes = 8,62044
Valor-P = 0,568464

Luego de realizar las tres pruebas de independencia se determinó que las tres pruebas
arrojaron un Valor-P mayor a α= 0,05 por lo tanto se acepta la hipótesis nula, y se
asume que los residuos son independientes entre sí.

2 EJERCICIO
En el área de SMT se busca reducir los defectos ocasionados por impresiones de
soldadura en pasta inadecuada. Se corre un diseño 24 con dos réplicas y dos puntos
centrales por réplica. Los factores son: altura de la mesa (A), velocidad de separación
(B), velocidad de impresión (C) y presión de las escobillas (D). La variable de
respuesta es la altura de la impresión de soldadura en pasta. El experimento se corrió
en planta, pero como el proceso es muy rápido (la impresión de una tarjeta tarda
menos de un minuto), entonces se recomienda obtener más de un producto en cada
condición experimental. Por ello se decidió que cada prueba experimental debería de
consistir en dejar que el proceso se estabilizara y a partir de ahí imprimir 10 tarjetas
de manera consecutiva, a cada tarjeta se le midió la altura. Con estos 10 datos se
calculó la media y la desviación estándar, para así analizar el efecto de los factores
sobre ambas. Una vez que se corre en orden aleatorio la primera réplica de todos los
tratamientos, se deja de experimentar y al día siguiente se hace de manera similar la
segunda réplica. Los datos se muestran a continuación:

a) ¿Con qué finalidad se utilizan los puntos centrales?

Los puntos centrales se usan para evaluar si existe una curvatura en la superficie de
respuesta. Sin embargo, no se puede modelar el efecto de esa curvatura en otro lugar
que no sea el punto central.

b) Investigue qué efectos influyen de manera significativa sobre la altura

promedio de la pasta (apóyese en Pareto y ANOVA).
El mejor ANOVA se construyó de orden 4 y queda de la siguiente forma:
Al analizar la anova obtenida del experimento y el grafico de Pareto los efectos
que influyen de manera significativa sobre la altura promedio de la pasta son:

Factor A: Altura de la mesa

Factor C: Velocidad de impresión
Factor D: Presión de las escobillas
Interacción AC
Interacción AD
 c) Si en el análisis anterior encuentra alguna interacción significativa, analice a
detalle la más importante.
Se encontró que la interacción AC presenta una significancia relativa con un P-value
de 0,0042 lo que nos quiere decir que la altura de la mesa y la velocidad de impresión
tienen efectos significativos con respecto a la altura de impresión de soldadura en
pasta.

d) Si se quiere un valor de 6.0 para la altura de la pasta, ¿cuáles son las

condiciones para lograrlo?

Si se quiere obtener un valor de 6,0 en la altura de impresión de la pasta el factor de

altura de la mesa y la velocidad de impresión deben trabajar en nivel alto, y por el
contrario la velocidad de separación y la presión de escobillas deberán trabajar en
nivel bajo.

e) Ahora investigue qué efectos influyen de manera relevante sobre la

variabilidad de la altura de la pasta.
En la tabla nos muestra que los factores con más relevancia en la variabilidad de la
altura de impresión son Factor A: Altura de la mesa, Factor C: Velocidad de impresión,
Factor D: Presión de las escobillas, debido a que su P-Value es mucho menor a α= 0,05

f) Encuentre una condición satisfactoria tanto para la altura como para

minimizar la variabilidad.
No existe una condición satisfactoria para minimizar ambas variables.

g) De los análisis de varianza para la media y la desviación estándar vea el

coeficiente 𝑅 2 . ¿Qué concluye de ello?

R2 varianza para la media = 93,9281%

R2 varianza para la desviación estándar = 81,3313%

El valor 𝑅 2 muestra el porcentaje de variación de la variable de respuesta respecto a la

relación con otras variables que en este caso serían los factores, como se observa la
variable de varianza para las medias posee mayor variación, esto quiere decir que
cualquier cambio en los factores influye de mayor manera en ella que en la desviación
estandar.

h) ¿Hay evidencia de curvatura?

No hay evidencias de curvatura debido a que Valor-P es de 0,9586 lo cual es mayor

que α= 0,05 por lo tanto no existe significancia.

i) Verifique residuos.

Respuesta:

Prueba de normalidad.

Ho: Los datos provienen de una distribución normal

Ha: Los datos no provienen de una distribución normal

Pruebas de Normalidad para RESIDUOS

Prueba Estadístico Valor-P
Estadístico W de Shapiro-Wilk 0,987088 0,959378

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula y asumimos que
se cumple el supuesto de normalidad

Igualdad de varianza
Ho: Los tratamientos tienen igual varianza
Ha: Los tratamientos no tienen igual varianza

Tabla ANOVA para ALTURA DE IMPRESION por RESIDUOS

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 15,5897 23 0,677814 3,43 0,0153
Intra grupos 2,37333 12 0,197778
Total (Corr.) 17,9631 35

Debido a que Valor-P es menor a α= 0,05 se rechaza la hipótesis nula, por lo tanto, se
asume que los residuos por altura de impresión no tienen igual varianza.

Tabla ANOVA para ALTURA DE LA MESA por RESIDUOS

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 22,6667 23 0,985507 1,27 0,3432
Intra grupos 9,33333 12 0,777778
Total (Corr.) 32,0 35

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula, por lo tanto, se
asume que los residuos por altura de la mesa tienen igual varianza.

Tabla ANOVA para VELOCIDAD DE SEPARACION por RESIDUOS

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 13,3333 23 0,57971 0,37 0,9797
Intra grupos 18,6667 12 1,55556
Total (Corr.) 32,0 35

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula, por lo tanto, se
asume que los residuos para la velocidad de separación tienen igual varianza.

Tabla ANOVA para VELOCIDAD DE IMPRESION por RESIDUOS

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 17,3333 23 0,753623 0,62 0,8459
Intra grupos 14,6667 12 1,22222
Total (Corr.) 32,0 35

Debido a que Valor-P es mayor a α= 0,05 se acepta la hipótesis nula, por lo tanto, se
asume que los residuos para la velocidad de impresión tienen igual varianza.

Tabla ANOVA para PRESION DE ESCOBILLAS por RESIDUOS

Fuente Suma de Cuadrados Gl Cuadrado Medio Razón-F Valor-P
Entre grupos 28,0 23 1,21739 3,65 0,0118
Intra grupos 4,0 12 0,333333
Total (Corr.) 32,0 35

Debido a que Valor-P es menor a α= 0,05 no se acepta la hipótesis nula, por lo tanto, se
asume que los residuos para la presión de escobillas no tienen igual varianza.
Independencia

Ho: Los residuos son independientes entre si

Ha: Los residuos no son independientes entre si

Prueba de Aleatoriedad de RESIDUOS

(1) Corridas arriba o abajo de la mediana

Mediana = -0,00486113
Número de corridas arriba o abajo de la mediana = 23
Número esperado de corridas = 19,0
Estadístico z para muestras grandes = 1,1837
Valor-P = 0,236531

(2) Corridas arriba y abajo

Número de corridas arriba y abajo = 24
Número esperado de corridas = 23,6667
Estadístico z para muestras grandes = -0,0676046
Valor-P = 1,0

(3) Prueba Box-Pierce

Prueba basada en las primeras 12 autocorrelaciones
Estadístico de prueba para muestras grandes = 6,2224
Valor-P = 0,904459

Luego de realizar las tres pruebas de independencia se determinó que las tres pruebas
arrojaron un Valor-P mayor a α= 0,05 por lo tanto se acepta la hipótesis nula, y se
asume que los residuos son independientes entre sí.