“AÑO DE LA LUCHA CONTRA LA CORRUPCIÓN Y LA IMPUNIDAD”

UNIVERSIDAD NACIONAL “SANTIAGO ANTÚNEZ DE

MAYOLO”

FACULTAD DE INGENIERÍA DE INDUSTRIAS ALIMENTARIAS.

ESCUELA PROFESIONAL DE INGENIERÍA INDUSTRIAL

TEMA : DISEÑO FACTORIAL CON 3 FACTORES

ASIGNATURA : CONTROL ESTADISTICO DE PROCESOS
DOCENTE : Mg. NORABUENA FIGUEROA, Emerson
EDUCANDOS : CASTILLO SALAS, Reynaldo
CHÁVEZ QUIJANO, Santiago
LEÓN GALARZA, Keedy
FLORES HUERTA, Carlos
RAMIREZ FIGUEROA, Reilly
RONDAN CHAVARRIA, Victor

CICLO / SEMESTRE : VI / 2019 – II

FECHA DE PRESENTACIÓN: 31/01/2020

HUARAZ – ANCASH, PERÚ

2020
 DEDICATORIA
El presente trabajo se lo dedicamos a Dios, quien supo guiarnos por el buen camino;
dándonos fuerzas para seguir adelante y no desmayar en los problemas que se nos
presentaban; enseñándonos a encarar las adversidades como unos verdaderos
guerreros, sin perder nunca la dignidad ni desfallecer en el intento.

A nuestros familiares, ya que gracias a ellos somos lo que somos. A nuestros padres
por su apoyo, consejos, comprensión, amor y ayuda en los momentos difíciles.

Los integrantes

2
Control estadístico de procesos Control estadístico de procesos
 INTRODUCCIÓN

El diseño factorial 3ᴷ considera k factores con tres niveles cada uno y tiene 3ᴷ
tratamientos. La primera desventaja de los diseños 3ᴷ es que al aplicarse requieren
mayor cantidad de pruebas que el diseño de 2ᴷ.

Cuando se quiere investigar la influencia de tres factores (A, B y C) sobre una o más
variables de respuesta, y el número de niveles de prueba en cada uno de los factores
es a, b y c, respectivamente, se puede construir el arreglo factorial axbxc que consiste
de axbxc tratamientos o puntos experimentales. Entre los arreglos de este tipo que se
utilizan con frecuencia en aplicaciones diversas se encuentran: la factorial 2², la
factorial 3³ y las factoriales mixtas con no más de cuatro niveles en dos de los factores,
por ejemplo, la factorial 4 x 3 x 2 y la factorial 4 x 4 x 2, por mencionar dos de ellos.
 ÍNDICE GENERAL

1
DEDICATORIA ................................................................................................................ 2
INTRODUCCIÓN ............................................................................................................. 3
ÍNDICE GENERAL ........................................................................................................... 4
DISEÑO FACTORIAL DE 3 FACTORES ......................................................................... 6
1. CONCEPTOS: ........................................................................................................ 6
1.1. DISEÑO FACTORIAL DE 3 FACTORES: ...................................................... 6
1.2. HIPÓTESIS DE INTERÉS ............................................................................. 7
1.3. EL MODELO SIN REPLICACIÓN .................................................................. 9
1.3.1. Estimación de los parámetros del modelo ................................. 10
1.3.2. Descomposición de la variabilidad ................................................. 10
1.4. EJERCICIOS: .............................................................................................. 12
1.4.1. Ejercicio 1. ..................................................................................... 12
1.5. EL MODELO CON REPLICACIÓN ............................................................. 14
1.5.1. EJERCICIO 2. ................................................................................ 16
1.5.2. Ejercicio 3. ..................................................................................... 18
Resultados obtenidos con MINITAB............................................................. 25
1.5.3. Ejemplo 4. ...................................................................................... 26
Resultados obtenidos con MINITAB ......................................................... 32
1.5.4. Ejemplo 5 ....................................................................................... 33
CONCLUSIÓN: .............................................................................................................. 36

4
 5
Control estadístico de procesos Control estadístico de procesos
 DISEÑO FACTORIAL DE 3 FACTORES

1. CONCEPTOS:

1.1. DISEÑO FACTORIAL DE 3 FACTORES:

Cuando se tienen tres factores, que podemos denotar por A, B y C, los cuales
tienen a, b, y c niveles, respectivamente, entonces el arreglo factorial completo
tendrá axbxc tratamientos.
En un diseño factorial 23, el comportamiento de la variable respuesta se
puede describir mediante el siguiente modelo.

 EXPERIMENTO. Un estudio en el que el investigador tiene un alto grado de

control sobre las fuentes de variación importantes, se denomina experimento.
Si se tiene poco control sobre los factores, se habla de un estudio
observacional.

 FACTORES. Los fenómenos que potencialmente causan variación, y que son

controlados por el experimentador, se denominan factores. También a veces
se denominan tratamientos.

 NIVELES DE UN FACTOR. Son los valores que toma un factor. En general

toman valores que se miden en escala categórica, aunque a veces suelen ser
medidos en escalas numéricas.

 COMBINACIÓN DE TRATAMIENTOS. Cada una de las combinaciones de

niveles de todos los factores involucrados en el experimento.
RÉPLICAS. Todas las corridas experimentales que corresponden a una
misma combinación de tratamientos. Son repeticiones del experimento, bajo
idénticas condiciones de los factores. Objetivos: Lograr mayor precisión en la
estimación de los efectos de los factores y de sus interacciones, y estimar el
error experimental.

Supongamos que hay a niveles para el factor A, b niveles del factor B y c

niveles para el factor C y que cada réplica del experimento contiene todas las
posibles combinaciones de tratamientos, es decir contiene los ABC
tratamientos posibles.

6
Control estadístico de procesos Control estadístico de procesos
 1.2. HIPÓTESIS DE INTERÉS

El estudio factorial de tres factores (A, B y C) permite investigar los

efectos: A, B, C, AB, AC, BC y ABC, donde el nivel de desglose o
detalle con el que pueden estudiarse depende del número de niveles
utilizando en cada factor. Por ejemplo, si un factor se prueba en dos
niveles, todo su efecto marginal (individual) es lineal, o sea que su
efecto individual no se puede descomponer; pero, si tuviera tres niveles
su efecto marginal se puede descomponer en una parte lineal y otra
cuadrática pura.

Para este diseño se tienen siete efectos de interés y para cada uno de ellos
se puede plantear una hipótesis nula del tipo
Ho: Efecto A=0
con su correspondiente hipótesis alternativa
H1: Efecto A≠0
La hipótesis nula será rechazada cuando la probabilidad P (F > F0)
calculada, correspondiente al efecto, sea menor que el nivel de significancia
especificado.

7
Control estadístico de procesos Control estadístico de procesos
 La tabla de análisis de varianza correspondiente se muestra en la tabla:

Las sumas de cuadrados indicadas en la tabla se calculan de la siguiente

forma:

8
Control estadístico de procesos Control estadístico de procesos
 1.3. EL MODELO SIN REPLICACIÓN

El modelo estadístico para este diseño es:

9
Control estadístico de procesos Control estadístico de procesos
 A pesar de las restricciones impuestas al modelo, el número de parámetros (abc + 1)
supera al número de observaciones (abc). Por lo tanto, algún parámetro no será
estimable.

1.3.1. Estimación de los parámetros del modelo

Los estimadores máximos verosímiles de los parámetros del modelo son

1.3.2. Descomposición de la variabilidad

En este modelo la variabilidad total se descompone en:

Estas sumas de cuadrados se pueden expresar como:

10
Control estadístico de procesos Control estadístico de procesos
 Al tratarse de un modelo sin replicación, los contrastes sólo se pueden realizar
si se supone que la interacción de tercer orden es cero. En esta hipótesis,
CM(ABC) = CMR y los contrastes de cada uno de los factores e interacciones
comparan su cuadrado medio correspondiente con la varianza residual para
construir el estadístico de contraste. El objetivo del análisis es realizar los
contrastes de hipótesis nula que se muestran a continuación junto con el
estadístico de contraste correspondiente:

11
Control estadístico de procesos Control estadístico de procesos
 1.4. EJERCICIOS:

1.4.1. Ejercicio 1.
Se están investigando los efectos sobre la resistencia del papel que producen la
concentración de fibra de madera (factor A), la presión del tanque (factor B) y el
tiempo de cocción de la pulpa (factor C). Se seleccionan dos niveles de la
concentración de madera (τ 1, τ 2), tres niveles de la presión (β1 , β2 , β3 ) y dos
niveles del tiempo de cocción (γ1 , γ2 ). Pueden considerarse todos los factores fijos.
Analizar los resultados y obtener las conclusiones apropiadas.

γ1 γ2

β1 β2 β3 β1 β2 β3

τ1 y111 = 10 y121 = 20 y131 = 2 y112 = 6 y122 = 23 y132 = −2

τ2 y211 = 26 y221 = 28 y231 = 30 y212 = 30 y222 = 34 y232 = 32

Vamos a calcular los totales marginales y las sumas de cuadrados

A× B β1 β2 β3 A

τ1 y11. = 16 y12. = 43 y13. = 0 y1.. = 59

τ2 y21. = 56 y22. = 62 y23. = 62 y2.. = 180

B y,1. = 72 y,2. = 105 y,3. = 62 y... = 239

A× C γ1 γ2

12
Control estadístico de procesos Control estadístico de procesos
 B× C γ1 γ2
τ1 y1,1 = 32 y1,2 = 27 β1 y,11 = 36 y,12 = 36

τ2 y2,1 = 84 y2,2 = 96 β2 y,21 = 48 y,22 = 57

C y.,1 = 116 y.,2 = 123 β3 y,31 = 32 y,22 = 30

13
Control estadístico de procesos Control estadístico de procesos
 1.5. EL MODELO CON REPLICACIÓN

En este modelo, el objetivo del análisis es realizar los contrastes de hipótesis

nula que, junto al estadístico de contraste, se muestran a continuación:

14
Control estadístico de procesos Control estadístico de procesos
 15
Control estadístico de procesos Control estadístico de procesos
 1.5.1. EJERCICIO 2.
Supongamos de nuevo la situación del ejercicio 2 en la que, en este caso, se
seleccionan tres niveles de la concentración de madera (τ 1, τ 2, τ 3) y dos niveles
de la presión (β1, β2) y del tiempo de cocción (γ1, γ2). Pueden considerarse todos
los factores fijos. Se realiza un experimento factorial con dos réplicas y se recopilan
los siguientes datos. Analizar los resultados y obtener las conclusiones apropiadas.

Vamos a calcular los totales marginales y las sumas de cuadrados

16
Control estadístico de procesos Control estadístico de procesos
 17
Control estadístico de procesos Control estadístico de procesos
 1.5.2. Ejercicio 3.

Un ingeniero mecánico estudia la rugosidad superficial de una pieza producida en

una operación de corte de metal. Son de interés tres factores: la profundidad del
corte(A), el ángulo de la herramienta (B) y la rapidez de alimentación (C). A los tres
factores se les ha asignado dos niveles, y se corren dos réplicas de un diseño
factorial.

a) Analice los datos usando el análisis de varianza bajo el supuesto de que

18
Control estadístico de procesos Control estadístico de procesos
 todos los factores son fijos. Use α=0.05

b) Encuentre los valores de P de los cocientes F del inciso a

 Primer paso: planteamiento de la hipótesis

𝐻𝑂 : 𝐴 = 0 𝐻𝑂 : 𝐴 = 0 𝐻𝑂 : 𝐴 = 0
𝐻𝐴: 𝐴 ≠ 0 𝐻𝐴: 𝐴 ≠ 0 𝐻𝐴: 𝐴 ≠ 0
𝐻𝑂 : 𝐴 = 0 𝐻𝑂: 𝐴𝐶 = 0 𝐻𝑂: 𝐴𝐶 = 0
𝐻𝐴: 𝐴 ≠ 0 𝐻𝐴: 𝐴𝐶 ≠ 0 𝐻𝐴: 𝐴𝐶 ≠ 0

𝐻𝑂: 𝐴𝐶 = 0
𝐻𝐴: 𝐴𝐶 ≠ 0

 Segundo paso: Caculo de las sumas correspondientes

19
Control estadístico de procesos Control estadístico de procesos
  Para calcular la sumatoria de Yijk²

 Para calcular la sumatoria de Yj²

20
Control estadístico de procesos Control estadístico de procesos
  Para calcular la sumatoria de Yij²

 Para calcular la sumatoria de Yi.j²

 Para calcular la sumatoria de Yj.k²

21
Control estadístico de procesos Control estadístico de procesos
  Para calcular la sumatoria de Yijk.²

 Sumatorias obtenidas:

22
Control estadístico de procesos Control estadístico de procesos
  Tercer paso: Calcular los componentes del ANOVA

23
Control estadístico de procesos Control estadístico de procesos
 Dado que utilizamos un α=0.05 y puesto que el valor de f, con su nivel de significancia
como con sus grados de libertad en las tablas respectivamente tenemos 𝐹0.05,1,8 =
5.32

24
Control estadístico de procesos Control estadístico de procesos
 FV SC GL CM FO F Conclusion
CALCULADA

A: Rapidez de 10.56 1 10.56 4.33 5.32 Acepta

alimentación
B: Profundidad 3.06 1 3.06 1.25 5.32 Acepta
del corte
C: Angulo de la 45.56 1 45.56 18.67 5.32 Rechaza
herramienta
AB 1.56 1 1.56 0.64 5.32 Acepta
AC 7.56 1 7.56 3.10 5.32 Acepta
BC 0.06 1 0.06 0.02 5.32 Acepta
ABC 5.06 1 5.06 2.08 5.32 Acepta
Error 19.50 8 2.44
Total 92.94 15

Resultados obtenidos con MINITAB

25
Control estadístico de procesos Control estadístico de procesos
 1.5.3. Ejemplo 4.

El departamento de control de calidad de una planta de acabados textiles

estudia los efectos de varios factores sobre el teñido de una tela combinada
de algodón y fibra sintética que se usa para hacer camisas. Se seleccionan
dos operadores (A), tres duraciones del ciclo (B) y dos temperaturas (C), y
dos ejemplares de prueba pequeños de tela se tiñeron bajo cada conjunto de
condiciones. La tela terminada se comparó con un patrón y se asignó una
puntuación numérica. Los resultados se presentan en la tabla siguiente.

26
Control estadístico de procesos Control estadístico de procesos
 a) Enuncie y pruebe las hipótesis apropiadas usando el análisis de varianza con
α=0.05

 Para calcular la sumatoria de Yij²

27
Control estadístico de procesos Control estadístico de procesos
  Para calcular la sumatoria de Yi.j²

 Para calcular la sumatoria de Yj.k²

 Para calcular la sumatoria de Yijk.²

28
Control estadístico de procesos Control estadístico de procesos
  Sumatorias obtenidas

ΣY² 586756 ΣYijk² 25144

ΣY 766 ΣYi² 295556

n 2 ΣYk² 293666
N 24 ΣYj² 198266
a 2 ΣYij² 100076
b 3 ΣYi.j² 147938
c 2 ΣYj.k² 99326
ΣYijk. ² 50200

29
Control estadístico de procesos Control estadístico de procesos
 30
Control estadístico de procesos Control estadístico de procesos
 Dado que utilizamos un α=0.05 y puesto que el valor de f, con su nivel de significancia

31
Control estadístico de procesos Control estadístico de procesos
 como con sus grados de libertad en las tablas respectivamente tenemos 𝐹0.05,1,12 =
4.75 y 𝐹0.05,2,12 = 3.89

FV SC GL CM FO F Conclusion
CALCULADA

A: Operador 181.5 1 181.5 49.45 4.75 Rechaza

B: Duración de ciclo 335.08 2 167.54 45.65 3.89 Rechaza
C: Temperatura 24 1 24 6.54 4.75 Rechaza
AB 54.25 2 27.125 7.39 3.89 Rechaza
AC 2.66 1 2.66 0.72 4.75 Acepta
BC 24.25 2 12.125 3.30 3.89 Acepta
ABC 29.75 2 15.04 4.10 3.89 Rechaza
44 12 3.67
Error
Total 695.83 23

Resultados obtenidos con MINITAB

32
Control estadístico de procesos Control estadístico de procesos
 1.5.4. Ejemplo 5

Se desea investigar el efecto del tipo de suspensión (A), abertura de malla (B)
y temperatura de ciclaje (C) en el volumen de sedimentación Y(%) de una
suspensión.
◼Para ello se decide correr un experimento factorial 3 × 2 × 2 con seis réplicas.
◼ Las observaciones obtenidas en las 72 corridas experimentales y los niveles
de prueba de cada factor se muestran en las siguientes tablas:

33
Control estadístico de procesos Control estadístico de procesos
 Suma de Cuadrados (SC):

14992 + 15172 + 15242 45702

𝑆𝐶𝐴 = − = 𝟏𝟑. 𝟖𝟔
2𝑥2𝑥6 72

21772 + 23632 45702

𝑆𝐶𝐵 = − = 𝟒𝟖𝟎. 𝟓
3𝑋2𝑋6 72

26012 + 19392 45702

𝑆𝐶𝐶 = − = 𝟔𝟎𝟖𝟔. 𝟕𝟐
3𝑋2𝑋6 72

7622 + 7372 + 6752 + 8422 + 7402 + 7842 45702

𝑆𝐶𝐴𝐵 = − − 13.86 − 480.5 = 𝟕𝟖𝟖. 𝟐𝟓
2𝑋6 72

8522 + 8642 + 8852 + 6472 + 6532 + 6392 45702

𝑆𝐶𝐴𝐶 = − = 𝟒𝟎. 𝟖𝟔
2𝑋6 72

GRADOS DE LIBERTAD:

34
Control estadístico de procesos Control estadístico de procesos
 CUADRADOS MEDIOS:

TABLA ANOVA:

35
Control estadístico de procesos Control estadístico de procesos
 CONCLUSIÓN:

36
Control estadístico de procesos Control estadístico de procesos
 Los mayores beneficios de los diseños factoriales completos se obtienen cuando se
deben estudiar pocas variables. El motivo es que el número de experimentos crece
exponencialmente con el número de factores.

Por ejemplo, para 8 factores, el diseño 3 a la 8 comprende 6561 experimentos. Estos

permiten estimar 6561 efectos, muchos de los cuales son interacciones de orden
elevado y no serán significativos.

Para estudiar un número elevado de actores, es más eficaz utilizar solo una fracción
de un diseño factorial completo.

37
Control estadístico de procesos Control estadístico de procesos