UNIVERSIDAD MAYOR DE SAN ANDRES ESTUDIANTES: INICIAL A.

P
FACULTAD DE INGENIERIA Univ. MUJICA QUISPE KAREN KATIA
DISEÑO EXPERIMENTAL – PRQ 220 AUXILIAR: SARCO PLATA LUIS GREGORIO M
PRACTICA N°

Un fabricante de bolsas de papel desea analizar la resistencia al rasgamiento (Y), para lo cual utiliza una escala numérica. Exami na tres factores, cada
uno en dos niveles, xl = papel, x2 = humedad, x3 = dirección del rasguño. Decide obtener tres observaciones (réplicas) en cada combinación, las mismas
que se muestran en la si guiente tabla:

a) Haga el análisis de varianza para estos datos.

b) Interprete los efectos significativos y encuentre el mejor tratamiento.

Con la grafica de Pareto podemos observar que los efectos mas

Pareto Chart influyentes son el factor A, C y la interacción AC.
A
8.12
Verificando en el análisis de varianza encontramos que el mejor
tratamiento se lo realizo con ningún transformación, obteniendo un
mejor valor de la desviación estándar de la ecuación de regresión
6.09
lineal obtenidos en las siguientes graficas
C
t-Value of |Effect|

4.06

AC
Bonferroni Limit 2.99582

2.03 t-Value Limit 2.08596

0.00

1 2 3 4 5 6 7

Rank
c) Verifique los supuestos del modelo.

Design-Expert® Sof tware

R1
Normal Plot of Residuals
Std # 15 Run # 9 Como se observa en esta no notamos ninguna anomalia
X: -1.630 que pueda dar efecto a una variación significante respecto
Y : 2.1
99
al valor medio
Color points by v alue of
R1: 95
8.2 90

0.7
Normal % Probability
80
70

50

30
20

10
5

-1.63 -0.81 0.00 0.81 1.63

Internally Studentized Residuals

PROBLEMA 2

En una fábrica de componentes electrónicos, uno de los principa les clientes reportó tener problemas con algunos de los pro ductos (comportamiento
eléctrico intermitente). Mediante el aná lisis de las muestras retornadas por el cliente, se identificó que el problema se relaciona con alambre mal
colocado y podía obedecer a varias causas. Se
decide correr una réplica de un experi mento factorial 25, utilizando los siguientes factores
y niveles:
Factor Niveles (bajo, alto)
La respuesta a medir es el número de unidades con alambre mal colocado. Cada prueba
se hizo en la línea de ensamble y consistió en colocar cierta cantidad de alambres,
que lo hace un equipo automático. La cantidad de alambres a colocar en cada prue ba,
bajo cada tratamiento, se determinó de tal forma que tuviera alta probabilidad de detectar
piezas con alambres mal colocados. Los datos son los siguientes:

a) Dibuje el diagrama de Pareto y el gráfico de Daniel considerando todas las interacciones

de alto orden. ¿Cuáles efectos parecen estar activos?

Pareto Chart
A
4.54 D
AD

3.40 Bonferroni Limit 3.51981

t-Value of |Effect|

E
AE
2.27
t-Value Limit 2.05553

1.13

0.00

1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 22 24 26 28 30

Rank
 Design-Expert® Sof tware
R1
Half-Normal Plot

Shapiro-Wilk test 99
W-v alue = 0.952 A
p-v alue = 0.258
A: A

Half-Normal % Probability
B: B 95 D
C: C
D: D 90
AD
E: E E
Positiv e Ef f ects AE
Negativ e Ef f ects 80

70

50

30
20
10
0

0.00 5.77 11.53 17.30 23.06

|Standardi zed Effect|

gracias a estas graficas notamos que los factores mas influyentes o activos serán el factor A, D y E, considerando tambien a las interacción AE y AD

b) Determine el mejor análisis de varianza e interprételo.

este análisis de varianza se lo obtuvo con la transformación a SQUARE ROOT

lo que me resulta una mejor desviación estándar despecto a las otras
transformaciones.

Donde considera a los efectos mas influyentes producidos por los efectos A, D y la
interaccion AD

c) Obtenga las gráficas de los efectos que resultaron importantes en el ANOVA e interprételas.
 Pareto Chart
D
4.69

A
AD
3.52
Bonfer r oni Limit 3.49121
t-Value of |Effect|

2.35

t- Value Limit 2.04841

1.17

0.00

1 2 3 4 5 6 7 8 9 10 12 14 16 18 20 22 24 26 28 30

Rank

Design-Expert® Sof tware

R1
Half-Normal Plot

Shapiro-Wilk test 99
W-v alue = 0.980 A
p-v alue = 0.857
A: A
Half-Normal % Probability

B: B 95 D
C: C
D: D 90
AD
E: E
Positiv e Ef f ects
Negativ e Ef f ects 80

70

50

30
20
10
0

0.00 5.77 11.53 17.30 23.06

|Standardi zed Effect|

Claramente se observa la congruencia entre las graficas, y que consideraremos como significativamente influyentes a los factores mencionados

d) Determine el mejor tratamiento.

Será realizado con la transformación SQUARE ROOT mencionado anteriormente

e) Interprete con detalle las interacciones AD y AE, consideran do que el factor D es el resultado de un proceso anterior y que actualmente no es
posible fijarlo en un nivel, y que el factor E es una característica de los materiales de un proveedor exter no; entonces, ¿cuáles son sus
recomendaciones para operar el proceso y para acciones de mejora a futuro?

Design-Expert® Sof tware

Interaction
R1 D: D
110
D- -1.000
D+ 1.000

X1 = A: A
X2 = D: D 80

Actual Factors
B: B = 0.00
C: C = 0.00
R1

E: E = 0.00 50

20

-10

-1.00 -0.50 0.00 0.50 1.00

A: A

Design-Expert® Sof tware

Interaction
R1 E: E
110
E- -1.000
E+ 1.000

X1 = A: A
X2 = E: E 80

Actual Factors
B: B = 0.00
C: C = 0.00
R1

D: D = 0.00 50

20

-10

-1.00 -0.50 0.00 0.50 1.00

A: A

Verificamos nuevamente que los factores A y D son los mas influyentes; como observamos en la grafica de interacción entre los mismos, pero notamos
que en ambas interacciones se las realiza a un nivel alto de A y un nivel alto de D, lo que debe tomarse en cuenta en el análisis del tratamiento.

f ) Verifique los supuestos del modelo. ¿Qué puede concluir del análisis de residuos?
 Design-Expert® Sof tware
R1
Normal Plot of Residuals
Std # 1 Run # 24
X: 3.645
Y : 98.4
99

Color points by v alue of

R1: 95
105 90

Normal % Probability
0 80
70

50

30
20

10
5

-2.62 -1.06 0.51 2.08 3.65

Internally Studentized Residuals

Design-Expert® Sof tware

R1
Normal Plot of Residuals
Std # 21 Run # 13
X: -2.623
Y : 1.6
99

Color points by v alue of

R1: 95
105 90
Normal % Probability

0 80
70

50

30
20

10
5

-2.62 -1.06 0.51 2.08 3.65

Internally Studentized Residuals

Como se observa son dos las anomalías según la grafica, siendo estas corridasd la 24 y la 13, considerando que serán estos tratamientos los que
inducirán a una desviación respecto al valor medio medido de sus efectos

g) ¿La forma especial de la gráfica de residuos contra predichos, afecta las conclusiones
a la que llegó antes?
 Design-Expert® Sof tware
R1
Residuals vs. Predicted
Std # 1 Run # 24 3.65
X: 57.750
Y : 3.645

Internally Studentized Residuals

Color points by v alue of
R1:
1.98
105

0
4
0.32
42
2

3
-1.34

-3.00

-8.75 7.88 24.50 41.13 57.75

Predicted

si ya que en esta grafica solo not6amos una anomalia que es la corrida 24