Sunteți pe pagina 1din 32

INTRODUCCIN AL

DISEO EXPERIMENTAL
Dra. Pilar Arroyo Lpez

Semestre Otoo 2011
HERRAMIENTAS ESTADSTICAS PARA
LA COMPETITIVIDAD EN MANUFACTURA
Dimensiones de competitividad
Calidad
Confiabilidad
Costos
Flexibilidad
Si hay calidad homognea y confiabilidad, esto permite una produccin
eficiente y reducir costos. Finalmente el desarrollo de habilidades permite
modificaciones que respondan a las demandas (flexibilidad)

Herramientas estadsticas
1. Muestreo de aceptacin: eliminar defectos sin atender al problema de
calidad
2. Control estadstico del proceso: estabilizar el proceso, reducir su
variabilidad al identificar/eliminar causas asignables
3. Diseo de experimentos: evaluar nuevas condiciones de proceso,
materiales y equipo para modificar el proceso hasta lograr condiciones
ptimas de operacin

DISEO DE EXPERIMENTOS
Objetivos del diseo experimental:

1. Diseo de nuevos productos
2. Evaluacin de materiales alternativos
3. Mejora de procesos productivos y de
administracin
4. Optimizacin de un proceso
5. Determinar las mejores condiciones de
operacin de modo que se minimice el
efecto de factores incontrolables


DISEO DE EXPERIMENTOS
Definiciones bsicas
1.Los factores son las variables independientes del
experimento, tambin se les llama tratamientos por la
manipulacin que se puede hacer de tales variables
para determinar cmo afectan a la variable
dependiente.
2.Los valores que toman las variables independientes
se llaman niveles del factor.
Tipos de factores: fijos/aleatorios;
cualitativos/cuantitativos
3. A la variable dependiente tambin se le denomina
respuesta
DISEO DE EXPERIMENTOS
4.Unidad experimental es aquel objeto o individuo al que se
aplica una determinada combinacin de factores
5.El error experimental es la variabilidad en la respuesta
para unidades experimentales que fueron igualmente
tratadas
6.Un experimento factorial es aquel en donde se evalan
simultneamente el efecto de varios factores, vs. el
unifactorial en donde slo hay un factor en estudio
7. Un experimento es balanceado si se tiene un mismo
nmero de observaciones para cada tratamiento
DISEO DE EXPERIMENTOS
Diseo Experimental

Es el conjunto de procedimientos que especifican.
1) las unidades experimentales y de medicin (muestreo)
2) los factores que van a manipularse y sus niveles
3) la variable de respuesta
4) los esquemas de control para las denominadas variables de ruido,
esto es variables adicionales que pueden afectar a la respuesta

Si el experimento se dise correctamente se aplican mtodos
estadsticos que proporcionan directrices para la veracidad y
validez de los resultados. Los mtodos no prueban relaciones
causales sino que permiten asignar confiabilidad a las relaciones
observadas.
CLASIFICACION DE DISEOS EXPERIMENTALES
Tipos de diseos Ejemplos

Totalmente al azar: No hay
restriccin en la aleatoriedad

Se prueban 5 mtodos de endurecimiento para una
pieza metlica, 20 piezas elegidas al azar son
utilizadas, asignndose aleatoriamente 4 piezas por
mtodo
Diseo de bloques: Se forman
grupos de acuerdo a una variable
de ruido antes de asignar los
tratamientos

La aleacin es surtida por 3 proveedores diferentes,
se eligen 5 piezas fabricadas con la aleacin de cada
proveedor antes de realizar la asignacin de
tratamientos
Cuadro latino: Se forman grupos
bajo el criterio de dos variables
de ruido

Uso de covariables





Se desean comparar 4 marcas de aceite sinttico.
Cuatro diferentes modelos de automvil son ele-
gidos para la prueba; para cada modelo se eligen
cuatro vehculos sujetos a distintas condiciones de
manejo
Se est evaluando la resistencia a la abrasin de una
pintura. Se tienen 3 pinturas bajo prueba y se cree
que su resistencia depende del tiempo de secado
EXPERIMENTACIN
Cuatro distintos aceites se estn probando en la
formulacin de un hule de alta elasticidad usado en
bandas para automvil. Las bandas se prueban en
una cmara con altos niveles de humedad y calor
en donde se montan sobre un mecanismo que las
hace girar como cuando estn montadas en el
automvil. Las condiciones de la cmara pueden
variar de forma importante y en cada cmara solo
es posible probar tres bandas a la vez.

Proponga un diseo experimental que se pueda
utilizar para evaluar el efecto del tipo de aceite
sobre la prdida en elasticidad de la banda ante
desgaste simulado.
EXPERIMENTACIN
Se est diseando un nuevo producto de confitera que ser una
variante de uno de los productos maduros de una compaa
mexicana lder en alimentos. El nuevo producto tendr base de
chocolate, hay tres propuestas de sabores (ctrico, menta y picante),
dos propuestas de acabado (abrillantado metlico) y dos
propuestas de relleno (cacahuate almendra). El chocolate base
del producto se fabrica en lotes de 100 lts. que difieren en sus
caractersticas reolgicas. La preparacin de productos especficos,
los cuales sern llevados a evaluacin sensorial por parte de
consumidores, se realiza en planta piloto empleando cuando ms 7
lts. de chocolate base por producto por lo cual se ha pensando en
enviar una porcin de cada lote de produccin para las pruebas en
planta piloto. La textura del chocolate base es medida por el rea de
control de calidad y se reporta como parte de sus caractersticas de
calidad.

Proponga un diseo experimental que pueda aplicar el rea de nuevos
productos de la empresa.
ANLISIS DE UN EXPERIMENTO


Anlisis de Varianza
Descomposicin de una suma de cuadrados total que
representa la variabilidad total de la respuesta en sumas de
cuadrados que puedan ser asignadas a fuentes de variacin
definida.

Proceso de anlisis
1. Definir el modelo estadstico asociado al experimento
2. Escribir las hiptesis de inters
3. Clculo de sumas de cuadrados (MINITAB, SPSS, SAS,
Excel, manual?)
4. Realizar la prueba de hiptesis
5. Elaboracin de conclusiones
6. Realizacin de pruebas post-ANOVA relevantes
ANOVA en un sentido
Tipo de experimento: Unifactorial
Diseo experimental: totalmente al azar (CRD)

Y
ij
= + t
j
+ c
ij

donde:
Y
ij
:Observacin j para la respuesta medida bajo los
efectos del nivel i del factor experimental
: Promedio general de la variable dependiente.
t
i
:Efecto del nivel i del factor manejado en el experimento.
c
ij
:Error de cada una de las observaciones de la variable
dependiente.

Supuestos: c
ij
~ NID(0,
2
)
Modelo lineal para ANOVA en un sentido
Y
ij
= + t
i
+ c
ij

Y = XB +

c |
c
c
c
c
c
c
t
t
t

+ =
(
(
(
(
(
(
(
(
(
(
(
(
(
(

+
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(
(
(
(
(
(

X
Y
Y
Y
Y
Y
Y
t t
tn
t
n
n
t
tn
t
n
n
...
...
...
...
...
1
...
1
...
0
...
0
0
...
0
... 0 0 1
... ... ... ...
... 0 0 1
... ... ... ...
... 1 0 1
... ... ... ...
... 1 0 1
... 0 1 1
... ... ... ...
... 0 1 1
...
...
...
...
1
2
21
1
11
2
1
1
2
21
1
11
2
1
2
1
Modelo lineal para ANOVA en un sentido
XX es una matriz (t+1)x(t+1) pero de rango r = t. Para resolver las
ecuaciones normales es necesario agregar q = (orden rango) =
t+1 t = 1 ecuaciones nuevas. Esto es proponer una matriz H con
dimensin q x (t+1) tal que sus renglones sean linealmente
independientes de los de X [r(H) = q] de tal forma que la matriz GG
sea de rango completo, esto es


y X G G b
y existe G G
entonces
Hb
Y X Xb X
H con
H
X
G
' ) ' (
) ' (
0
' '
0
1
1

=
=
=
=
(

= |
Modelo lineal para ANOVA en un sentido
Para el ANOVA en un sentido, la condicin
usual a imponer es n
i
t
i
=0
La solucin al sistema de ecuaciones
normales es entonces






..
..
.
Y Y t
Y m
i i
=
=
Tabla ANOVA One-way
Fuente de Suma de Grados de Prueba F
variacin cuadrados libertad

Tratamientos SSB/ (t-1)
o Factor SSB =
i
(Y
i
.
2
/n
i
) - FC t 1 --------------------

MSE
Error o
dentro de
Tratamientos SSE=
i

j
(Y
ij
Y
i.
)
2
t(n-1)
(Por diferencia)
_________________________________________________________
Total SST =
i

j
( Y
ij
2
) - FC

Donde: FC = [ ( Y..
2
) ] / n, Y.. es el gran total o suma de todas las observaciones para
la variable de respuesta

ANOVA One-way
Pruebas post-ANOVA
1. Comparaciones mltiples
Objetivo: Comparar parejas de tratamientos para identificar
las diferencias entre ellos que condujeron al rechazo de
igualdad de respuesta en el ANOVA.
Pruebas: Tukey (HSD), Fisher (LSD), Duncan y Dunnett
(t)

LSD de Fisher
1. Calcular la diferencia entre dos medias de tratamientos
2. Calcular LSD = t
/2
(gl
e
)MSE (1/n
i
+ 1/n
j
)
3. Si diferencia entre medias > LSD declarar diferentes a las
medias poblacionales
Pruebas post-ANOVA
Prueba de Tukey
1. Ordenar los promedios de los tratamientos
2. Determinar el valor del rango estudentizado q(; p, f=gl
e
)
(tabla VIII)
3. Calcular el estadstico de prueba
HSD = q(; p, f) MSE /n
4. Iniciar comparando promedios extremos, si la diferencia
entre dos promedios excede HSD las medias de los
tratamientos se declaran estadsticamente diferentes
5. Presentar resultados subrayando con una misma lnea
conjuntos de medias declaradas iguales

Prueba de Duncan
2. Determinar el valor de los rangos significativos r(; p,
f=gl
e
) MSE /n para p = 2, 3, , k) (tabla VII)

ANOVA One-way
Pruebas post-ANOVA

2. Comparaciones planeadas
Objetivo: Formular una serie de contrastes entre
medias antes de generar los datos, estas
comparaciones son de inters para evaluar y
seleccionar factores

Un contraste es un subconjunto de funciones lineales
estimables Q = c
i
Y
i
tal que c
i
= 0
Un contraste tiene asociado 1 grado de libertad
Formulacin de hiptesis:
H
0
: Q = 0 vs. H
1
: Q 0
Bajo supuestos de ANOVA: t = Q/s(Q) = Q/nMSEc
i
2

ANOVA One-way
3. Estimacin de curvas de respuesta
Objetivo: Ajustar modelos polinomiales que permitan determinar las mejores
condiciones de proceso y/o optimizar una respuesta

Para ajustar curvas de respuesta cuando X es un factor cuantitativo se puede usar el
procedimiento estndar de regresin, pero si los niveles de X son equi-espaciados es
ms simple utilizar un esquema de codificacin basado en el uso de Polinomios
Ortogonales.
Los polinomios ortogonales son ecuaciones asociadas con una potencia de X y no-
correlacionados entre s lo que permite clculos independientes de la contribucin de
cada trmino polinomial en X
Cada suma de cuadrados es la reduccin adicional en SSB (Tr) que se logra al ajustar un
polinomio de orden superior, esto es






Si X tiene t niveles, entonces el polinomio de mayor orden es t-1 y es ms apropiado
asociar este polinomio a una falta de ajuste

=
= =
= =
i
i
t
i
i i k k
i
i
t
i
i i
i
i
k k
c rMSE
Y c
MSE
X X MS
F
c r
Y c
c r
Q
X X SS
2
2
1
. 1
2
2
1
.
2
2
1
) (
) | (
) (
) | (
Factores cuantitativos: Ajuste de curvas
de respuesta
Coeficientes y divisor para las comparaciones ortogonales en
regresin: niveles de tratamiento igualmente espaciados

No.
tratamientos
Grado del
polinomio
Total del tratamiento
Divisor
c
i
2

T1 T2 T3 T4 T5 T6
2 1 -1 +1 2
3 1
2
-1
+1
0
-2
+1
+1
2
6
4 1
2
3
-3
+1
-1
-1
-1
+3
+1
-1
-3
+3
+1
+1
20
4
20
5 1
2
3
4
-2
+2
-1
+1
-1
-1
+2
-4
0
-2
0
+6
+1
-1
-2
-4
+2
+2
+1
+1
10
14
10
70
6 1
2
3
4
5
-5
+5
-5
+1
-1
-3
-1
+7
-3
+5
-1
-4
+4
+2
-10
+1
-4
-4
+2
+10
+3
-1
-7
-3
-5
+5
+5
+5
+5
+1
70
84
180
28
252
Determinacin de tamaos de muestra
E(MSB) =
2
+ n/(t-1) t
i
2

Cuando H
0
no es verdadera, el estadstico de
prueba F sigue una distribucin F-no central con
parmetro de no centralidad igual a nt
i
2
/
2
.
Para valores fijos de n y
2
, la hiptesis nula tiene
mayor probabilidad de ser rechazada si t
i
2
es
grande.
El error del tipo II () disminuye al incrementarse n
al decrecer la varianza
2
Opciones para determinar tamao de muestra
a) Uso de curvas de potencia despus de definir el
conjunto de t
i
s
b) Especificar la mxima diferencia que se desea
detectar entre dos medias




Table A.10 Table for Determining Sample Size for Analysis of Variance (fixed factor levels model)
Power 1-=.70
r
/= 1.0 /= 1.25 /= 1.50 /= 1.75 /= 2.0 /= 2.5 /= 3.0

0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01
2 7 11 14 21 5 7 9 15 4 6 7 11 3 4 6 9 3 4 5 7 2 3 4 5 2 3 3 5
3 9 13 17 25 6 9 11 17 5 7 8 12 4 5 7 10 3 4 5 8 3 3 4 6 2 3 3 5
4 11 15 19 28 7 10 13 19 5 7 9 13 4 6 7 10 4 5 6 8 3 4 4 6 2 3 4 5
5 12 17 21 30 8 11 14 20 6 8 10 14 5 6 8 11 4 5 6 9 3 4 5 6 3 3 4 5
6 13 18 22 32 9 12 15 21 6 9 11 15 5 7 8 12 4 5 7 9 3 4 5 7 3 3 4 5
7 14 19 24 34 9 13 16 22 7 9 11 16 5 7 9 12 4 6 7 10 3 4 5 7 3 3 4 5
8 15 20 25 35 10 13 16 23 7 10 12 17 6 7 9 13 5 6 7 10 3 4 5 7 3 3 4 5
9 15 21 26 37 10 14 17 24 7 10 12 17 6 8 9 13 5 6 8 10 3 4 5 7 3 4 4 6
10 16 22 27 38 11 14 18 25 8 10 13 18 6 8 10 14 5 6 8 11 4 5 6 7 3 4 4 6
Power 1-=.80
r
/= 1.0 /= 1.25 /= 1.50 /= 1.75 /= 2.0 /= 2.5 /= 3.0

0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01
2 10 14 17 26 7 9 12 17 5 7 9 13 4 5 7 10 3 4 6 8 3 3 4 6 2 3 4 5
3 12 17 21 30 8 11 14 20 6 8 10 14 5 6 8 11 4 5 6 9 3 4 5 7 3 3 4 5
4 14 19 23 33 9 13 15 22 7 9 11 16 5 7 9 12 4 6 7 10 3 4 5 7 3 3 4 5
5 16 21 25 35 10 14 17 23 8 10 12 17 6 8 9 13 5 6 7 10 4 4 5 7 3 4 4 6
6 17 22 27 38 11 15 18 25 8 11 13 18 6 8 10 13 5 7 8 11 4 5 6 8 3 4 4 6
7 18 24 29 39 12 16 19 26 9 11 14 18 7 9 10 14 5 7 8 11 4 5 6 8 3 4 5 6
8 19 25 30 41 12 16 20 27 9 12 14 19 7 9 11 15 6 7 9 12 4 5 6 8 3 4 5 6
9 20 26 31 43 13 17 21 28 9 12 15 20 7 9 11 15 6 7 9 12 4 5 6 8 3 4 5 6
10 21 27 33 44 14 18 21 29 10 13 15 21 8 10 12 16 6 8 9 12 4 5 6 8 3 4 5 6
Table A.10 (concluded) Table for Determining Sample size for analysis of Variance (fixed factor levels model)
Power 1-=.90
r
/= 1.0 /= 1.25 /= 1.50 /= 1.75 /= 2.0 /= 2.5 /= 3.0

0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01
2 14 18 23 32 9 12 15 21 7 9 11 15 5 7 8 12 4 6 7 10 3 4 5 7 3 3 4 6
3 17 22 27 37 11 15 18 24 8 11 13 18 6 8 10 13 5 7 8 11 4 5 6 8 3 4 5 6
4 20 25 30 40 13 16 20 27 9 12 14 19 7 9 11 15 6 7 9 12 4 5 6 8 3 4 5 6
5 21 27 32 43 14 18 21 28 10 13 15 20 8 10 12 15 6 8 9 12 4 5 6 9 4 4 5 7
6 22 29 34 46 15 19 23 30 11 14 16 21 8 10 12 16 7 8 10 13 5 6 7 9 4 4 5 7
7 24 31 36 48 16 20 24 31 11 14 17 22 9 11 13 17 7 9 10 13 5 6 7 9 4 5 5 7
8 26 32 38 50 17 21 25 33 12 15 18 23 9 11 13 17 7 9 11 14 5 6 7 9 4 5 6 7
9 27 33 40 52 17 22 26 34 13 16 18 24 9 12 14 18 8 9 11 14 5 6 8 10 4 5 6 7
10 28 35 41 54 18 23 27 35 13 16 19 25 10 12 14 19 8 10 11 15 5 7 8 10 4 5 6 7
Power 1-=.95
r
/= 1.0 /= 1.25 /= 1.50 /= 1.75 /= 2.0 /= 2.5 /= 3.0

0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01 0.20 0.10 0.05 0.01
2 18 23 27 38 12 15 18 25 9 11 13 18 7 8 10 14 5 7 8 11 4 5 6 8 3 4 5 6
3 22 27 32 43 14 18 21 29 10 13 15 20 8 10 12 16 6 8 9 12 5 6 7 9 4 4 5 7
4 25 30 36 47 16 20 23 31 12 14 17 22 9 11 13 17 7 9 10 13 5 6 7 9 4 5 5 7
5 27 33 39 51 18 22 25 33 13 15 18 23 10 12 14 18 8 9 11 14 5 6 7 10 4 5 6 7
6 29 35 41 53 19 23 27 35 13 16 19 25 10 12 14 19 8 10 11 15 6 7 8 10 4 5 6 8
7 30 37 43 56 20 24 28 36 14 17 20 26 11 13 15 19 8 10 12 15 6 7 8 10 4 5 6 8
8 32 39 45 58 21 25 29 38 15 18 21 27 11 14 16 20 9 11 12 16 6 7 8 11 5 5 6 8
9 33 40 47 60 22 26 30 39 15 19 22 28 12 14 16 21 9 11 13 16 6 8 9 11 5 6 6 8
10 34 42 48 62 22 27 31 40 16 19 22 29 12 15 17 21 9 11 13 17 6 8 9 11 5 6 7 8
ANOVA One-way
Problemas de aplicacin
Problemas 3-1 y 3-2 pg. 119 libro de texto
Problema 3-10 y 3.23




Tipo de
circuito
1 2 3
Datos
9 12 10 8 15 20 21 23 17 30 6 5 8 16 7
Sumas 54
614
111
2559
42
430
Problema 3-8. Ajustar curvas de respuesta empleando
polinomios ortogonales. DATOS ADAPTADOS
Diseo de bloques al azar
Este diseo tiene por objeto eliminar posibles fuentes de variacin
que durante el desarrollo del experimento no pudieron ser
controladas (variables de ruido o externas) y que se sabe tienen
una influencia sobre las mediciones obtenidas en la variable
dependiente.
El diseo consiste en formar grupos homogneos de unidades
experimentales en base a una variable de ruido relevante. Los
niveles del factor se asignan al azar a los bloques

Modelo general del diseo de bloques al azar

Y
ij
= + o
i
+ |
j
+ c
ij

Note la similitud con el modelo para el factorial en un CRD, pero en
este caso el modelo es totalmente aditivo, esto es no hay
interaccin entre la variable de bloqueo y el factor en estudio. Los
bloques son un mecanismo de control por tanto su efecto no
debera ser objeto de una prueba estadstica

Diseo de bloques al azar
ANOVA para el diseo de bloques totalmente al azar

Fuentes de Suma de Grados de Prueba
variacin cuadrados libertad F

Bloques (SSb) (Y.j
2
/t) - FC b 1

Tratamientos (SS
t
) (Yi.
2
/b) - FC t - 1 SS
t
/ (b-1) .
MSE
Error Por diferencia (b-1)(t-1)

El cociente de MSE(CRD)/MSE(RCBD) da idea de la eficiencia del
diseo, si la variable de ruido fue bien identificada, el diseo de
bloques resulta ms eficiente que el totalmente al azar, esto es
con menos datos se obtiene igual nivel de informacin.
Diseo de bloques al azar
EJEMPLO
Considere el caso de la prueba de aceites para elaborar
bandas de alta elasticidad. Lotes de hule fueron fabricados
con cada aceite y las bandas montadas en cuatro distintas
cmaras para realizar la prueba de vida acelerada. Datos:



Cmara Aceite 1 Aceite 2 Aceite 3 Aceite 4
A 32 42 51 39
B 34 36 43 35
C 41 45 47 38
D 29 35 37 25
MINITAB
Cuadros Latinos
El diseo de cuadros latinos es un experimento donde dos variables de
ruido se controlan a travs de usarlas para formar bloques por columna
y por rengln.

Slo hay un factor en estudio, en cuanto a la interaccin que pudiera llegar
a presentarse entre este factor y las variables de ruido, sta se elimina
del modelo.

Restricciones en el diseo
1. El nmero de niveles del factor ha de estar entre cinco y ocho; de otra
forma se vuelve incosteable el experimento.
2. El nmero de renglones y columnas del cuadro es igual al nmero de
niveles, cada tratamiento ocurre una y sola una vez en cada columna o
rengln.

Y
ijk
= + oi + |j +
k
+ c
ijk

Donde Y
ijk
= observacin de la variable dependiente medida en el nivel i
del factor bajo estudio, en el j-simo rengln (bloque j para primera
variable de ruido) y la k-sima columna (bloque k para segunda
variable de ruido)


Cuadros Latinos
El experimento para un factor a cuatro niveles tiene la siguiente estructura

Variable de ruido 2
Var control 1 T
1
T
2
T
3
T
4
Total

R
1
A = Y
111
B=Y
122
C=Y
133
D=Y
144
Y
1..




R
2
B =Y
214
C =Y
221
D=Y
232
A=Y
243
Y
2..



R
3
C=X
313
D = Y
324
A=Y
331
B=Y
342
Y
3..



R
4
D=Y
412
A= Y
423
B =Y
43
C =Y
441
Y
4..


Total Y
.1.
Y
.2.
Y
.3.
Y
.4
Y


Usualmente los tratamientos se denotan por letras latinas, de ah el nombre
del diseo. Para completar ANOVA calcular tambin totales por letra:

A = Y
111
+ Y
243
+ Y
331
+ Y
423
= Y..
1



ANOVA para el diseo de cuadros latinos
Fuente de Suma de Grados de
Prueba
variacin cuadrados libertad F

Factor = tratamientos (Y
i..
2
/ t) - FC t - 1 SSTr/ (t-1)
(SSTr) SSE

/(t-1)(t-2)

Renglones (Y
.j .
2
/ t) - FC t - 1 SSR

/ (t-1)
ruido 1 SSE

/(t-1)(t-2)
(SSR)

Columnas (Y
..k
2
/ t) - FC t - 1 SSC

/ (t-1)
(SSC) SSE

/(t-1)(t-2)

Error (SSE) SS
T
-SSR

-SSC

SSTr

( t-1 )( t-2 )

Total
(SS
T
) Y
ijk
2
- FC
Ejemplo de experimento en un diseo en
cuadro latino

EJEMPLO
Se desea saber cual de cuatro marcas de neumticos
(A,B,C, y D) es ms resistente al desgaste. Para realizar
la prueba bajo situaciones reales de operacin se monta
un neumtico de cada marca en uno de cuatro autos,
seleccionndose al azar la posicin de colocacin.
Luego de 10,000 km. de recorrido se mide el desgaste
en dcimas de milmetros de cada neumtico.

ANOVA para el cuadro latino
Posicin Auto 1 Auto 2 Auto 3 Auto 4
DD A = 12 B = 14 C = 11 D = 13
DI B = 17 C = 11 D = 13 A = 9
TD C = 13 D = 14 A = 10 B = 9
TI D = 14 A = 11 B = 13 C = 8
Son las cuatro marcas de llantas iguales en cuanto a su resistencia al desgaste?
ANOVA
Fuente de variacin SS gl MS F
Marcas 30.49
Posicin 37.49
Autos 4
Error 10

Cul de las cuatro marcas es la ms resistente?

S-ar putea să vă placă și