Resolución Ejercicios II Taller Diseño de Experimentos

Angel David Cujia, Cesar Augusto Guzmán

Febrero de 2016

1. Ejercicio 5-1
Se estudia el rendimiento de un proceso quı́mico. Se piensa que las dos variables más importantes son
la presión y la temperatura. Se seleccionan tres niveles de cada factor y se lleva a cabo un experimento
factorial con dos réplicas. Los datos del rendimiento son:

Presión (psig)
◦
Temperatura ( C) 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
Solución
Sea un modelo de dos factores de la forma Yijk = µ+τi +βj +(τ β)ij +ijk , con i = 1, 2, 3, j = 1, 2, 3
y k = 1, 2, donde µ corresponde a la media global, τi corresponde al efecto de la temperatura i, βj al
efecto de la presión j, (τ β)ij al efecto de la interacción entre la temperatura i y la presión j, Yijk al
rendimiento del proceso quı́mico para la temperatura i y la presión j en el ensayo k, ijk ∼ N (0, σ 2 ) e
P3 P3 P3 P3
independientes y con τi = 0, βj = 0 y (τ β)ij = (τ β)ij = 0.
i=1 j=1 i=1 j=1
Para este experimento procederemos a hacer las siguientes tres pruebas de hipótesis:

i Para comprobar si las tres temperaturas tiene el mismo efecto sobre el rendimiento del proceso
quı́mico, desarrollaremos la siguiente prueba de hipótesis
H0 : τ1 = τ2 = τ3 = 0
H1 : ∃τs 6= 0 para algún s ∈ {1, 2, 3}
ii Para comprobar si las tres presiones tienen el mismo efecto sobre el rendimiento del proceso
quı́mico, desarrollaremos la siguiente prueba de hipótesis
H0 : β1 = β2 = β3 = 0
H1 : ∃βp 6= 0 para algún p ∈ {1, 2, 3}
iii Para comprobar si la interacción entre la temperatura y la presión tiene el mismo efecto sobre
el rendimiento del proceso quı́mico para las diferentes presiones y temperaturas, desarrollaremos
la siguiente prueba de hipótesis
H0 : (τ β)ij = 0, ∀i, j ∈ {1, 2, 3} × {1, 2, 3}
H1 : ∃(τ β)sp 6= 0 para algún s, p ∈ {1, 2, 3} × {1, 2, 3}

1
 Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22, se obtienen los siguientes
resultados:

Se rechaza la hipótesis nula de igualdad de los efectos de la temperatura con una significancia de
0,009; por tanto, al menos uno de las temperaturas tiene un efecto diferente sobre el rendimiento del
proceso quı́mico.
Por otra parte, también se rechaza la hipótesis nula de igualdad de los efectos de la presión con
una significancia de 0,000; por ende, al menos una de las presiones tiene un efecto diferente sobre el
rendimiento del proceso quı́mico.
Respecto a la hipótesis nula de igualdad de los efectos de la interacción entre las diferentes tempe-
raturas y presiones, esta con una significancia de 0,470 no se rechaza, por lo que se puede afirmar que
no hay diferencia entre los efectos de la interacción entre las diferentes temperaturas y presiones para
el rendimiento del proceso quı́mico.
Dado que no hay diferencia en los efectos de la interacción entre las diferentes temperaturas y
presiones, trabajaremos con el modelo Yijk = µ + τi + βj + ijk , con i = 1, 2, 3, j = 1, 2, 3 y k = 1, 2,
donde µ corresponde a la media global, τi corresponde al efecto de la temperatura i, βj al efecto de la
presión j, Yijk al rendimiento del proceso quı́mico para la temperatura i y la presión j en el ensayo k,
3 3
ijk ∼ N (0, σ 2 ) e independientes, con
P P
τi = 0 y βj = 0. Para este modelo procederemos a probar
i=1 j=1
las hipotesis establecidas anteriormente en i y ii.
Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22, se obtienen los siguientes
resultados:

Donde podemos observar que con significancias de 0,004 y 0,000, se rechazan las hipótesis nulas i

2
y ii ; por tanto, se puede afirmar que hay diferencias significativas en los efectos de la temperatura y
la presión para el rendimiento del proceso quı́mico.
Al comparar los subconjuntos homogéneos para el caso de la temperatura, se obtienen los siguientes
resultados a través de las pruebas de S-N-K, Scheffe y HSD Tukey

Donde podemos observar que la prueba de S-N-K, arroja que hay diferencias significativas entre la
temperatura de 160o C y las temperaturas de 150o C y 160o C, sin haber diferencias significativas entre
estas dos ultimas, las cuales deberı́amos seleccionar en caso de querer obtener un mayor rendimiento
en el proceso quı́mico.
Las pruebas de Scheffe y HSD Tukey, arrojan que no hay diferencias significativas en las tempe-
raturas de 160o C y la de 150o C, como tampoco entre las temperaturas de 150o C y 170o C, las cuales
deberı́amos seleccionar en caso de querer obtener un mayor rendimiento en el proceso quı́mico.
Para la presión, las pruebas de S-N-K, Scheffe y HSD Tukey, arrojan los siguientes resultados para
los subconjuntos homogéneos.

Donde podemos observar que para la prueba S-N-K, las tres presiones difieren significativamente

3
en sus efectos, obteniendo de menor a mayor rendimiento en el proceso quı́mico las presiones de 230,
200 y 215 psig. Mientras que para las pruebas de Scheffe y HSD Tukey, no se presentan diferencias
significativas entre los efectos de las presiones de 230 y 200 psig, los cuales difieren ambos significati-
vamente a los efectos de presión de 215 psig, la cual deberı́amos escoger si deseamos obtener el mayor
rendimiento del proceso quı́mico.
Ahora procederemos a evaluar los supuestos del modelo. Inicialmente la Prueba de Levene nos
arroja una significancia de 0,936, con la cual no se rechaza el supuesto de igualdad de las varianzas de
los errores.

Por otra parte, las gráficas de residuos estándar versus pronósticos y P-P, no muestran comporta-
mientos en los puntos que hagan dudar de la independencia de los errores y de su normalidad.

2. Ejercicio 5-5
Johnson y Leone (Statistic and Experimental Design in Engineering and Physical Sciences, Jhon
Wiley) describen un experimento realizado para investigar la torcedura de placas de cobre. Los dos
factores estudiados 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:
Temperatura (◦ C) Contenido de Cobre ( %)
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

4
 Solución
La situación presentada corresponde a un diseño de dos factores con dos réplicas, el cual lo definimos
como Yijk = µ + τi + βj + (τ β)ij + ijk , con i = 1, 2, 3, 4; j = 1, 2, 3, 4 y k = 1, 2, donde µ es la media
global, τi corresponde al efecto de la temperatura en el nivel i, βj es el efecto del contenido de cobre
en el nivel j, (τ β)ij es el efecto de la interacción del nivel i del factor temperatura y el nivel j del
factor contenido de cobre; Yijk es la medida de la cantidad de torcedura en el nivel i de temperatura
4
y el nivel j de contenido de cobre en la réplica k, con ijk ∼ N (0, σ 2 ) e independientes,
P
τi = 0,
i=1
4
P 4
P 4
P
βi = 0 y (τ β)ij = (τ β)ij = 0.
i=1 i=1 j=1
Realizamos el análisis de varianza ANOVA con IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05 para probar las siguientes hipótesis:

i) No hay diferencias significativas en los efectos de las diferentes temperaturas sobre la cantidad
de torcedura de la placa de cobre.
H0 : τ1 = τ2 = ... = τ4 = 0
H1 : ∃m tal que τm 6= 0 para m ∈ {1, 2, 3, 4}
ii) No hay diferencias significativas en los efectos de los diferentes porcentajes de cobre sobre la
cantidad de torcedura de la placa de cobre.
H0 : β1 = β2 = ... = β4 = 0
H1 : ∃n tal que βn 6= 0 para n ∈ {1, 2, 3, 4}
iii) No hay diferencia significativa en los efectos sobre la cantidad de torcedura de la placa para la
interacción de las diferentes temperaturas y el porcentaje de contenido de cobre.
H0 : (τ β)ij = 0∀i,j ∈ {1, 2, 3, 4}x{1, 2, 3, 4}
H1 : ∃m, n tal que (τ β)mn 6= 0 para m, n ∈ {1, 2, 3}x{1, 2, 3, 4};

La tabla ANOVA obtenida mediante IBM SPSS Statistics 22, se muestra a continuación:

Para el factor temperatura, observamos que una significancia de 0,002, la cual es menor que α =
0, 05; por lo que se tiene evidencia suficiente para rechazar H0 en i)y poder afirmar que al menos una
de las temperaturas tiene un efecto sobre la cantidad de torcedura de la placa de cobre.
Respecto al contenido de cobre, observamos una significancia de 0,000, la cual es menor que alpha =
0, 05 por lo que se tiene evidencia suficiente para rechazar H0 en ii)y poder afirmar que al menos uno
de los porcentajes de contenido de cobre incide significativamente sobre la cantidad de torcedura de la
placa de cobre.

5
 Para la variación resultante de la interacción de los tratamientos, observamos una significancia de
0,133, la cual es mayor que α = 0, 05; por lo que no se tiene evidencia suficiente para rechazar H0 en iii)
y se puede afirmar que no hay diferencia en el efecto de las interacciones de las diferentes temperaturas
y porcentajes de contenido cobre sobre la cantidad de torcedura de la placa.
Con lo anterior corremos el modelo nuevamente obviando la interacción entre las temperaturas y
los porcentajes de contenido de cobre, dado esta interacción no afecta el experimento; por lo tanto,
trabajaremos ahora con el modelo Yijk = µ + τi + βj + ijk , con i = 1, 2, 3, 4; j = 1, 2, 3, 4 y k = 1, 2,
el cual as variables quedan definidas de la misma forma, con ijk ∼ N (0, σ 2 ) e independientes; con
P4 P4
τi = 0, βi = 0
i=1 i=1
La nueva tabla ANOVA obtenida a través de IBM SPSS Statistics 22, se muestra a continuación:

Observamos que las significancias para la variaciones resultantes de la temperatura y el porcentaje

de contenido de cobre son 0,004 y 0,000, respectivamente y son menores que α = 0, 05; por lo que
seguimos rechazando las H0 de cada uno de los tratamientos establecidas en i) y ii), por lo que se
puede afirmar que la temperatura y el porcentaje de contenido de cobre afectan significativamente la
cantidad de torcedura de la placa de cobre.
Las pruebas de HSD Tukey, S-N-K y Scheffe para la temperatura, arrojan los siguientes resultados

En la prueba Student-Newman-Keuls se indica que no existe diferencia significativa y se pueden

considerar iguales poblacionalmente los efectos de las temperaturas 50◦ C, 100◦ C y 25◦ C y difieren de
los efectos de la de 75◦ C, en este sentido si lo que se desea es obtener la menor cantidad de torcedura
en las placas de cobre, se debe tomar esta última.

6
 Los métodos de HSD Tukey y Scheffe coinciden en que no hay diferencia significativa entre los
efectos de las temperaturas de 75◦ C y 100◦ C (subconjunto 1) que difieren de los efectos de las tem-
peraturas 50◦ C, 100◦ C y 125◦ C catalogadas como subconjunto 2. Si se desea la menor cantidad de
torcedura en las placas de cobre se escogerı́a cualquiera de las temperaturas del subconjunto 1, 75◦ C
o 100◦ C.
Por otro lado, las pruebas de HSD Tukey, S-N-K y Scheffe para el porcentaje de contenido de
cobre, arrojan los siguientes resultados

En la prueba Student-Newman-Keuls se indica que no existe diferencia significativa entre los efectos
de contenido de cobre de 60 % y 80 % (subconjunto 2) que difieren del efecto del de 40 % (subconjunto
1) y también del efecto del de 100 % (subconjunto 3), en este sentido si lo que se desea es obtener la
menor cantidad de torcedura en las placas de cobre, se debe tomar la cantidad de cobre de 40 %.
Las pruebas de HSD Tukey y Scheffe coinciden en que no hay diferencia significativa entre los
efectos de contenido de cobre de 40 % y 60 % (subconjunto 1) que difieren de los efectos de contenido
de cobre de 60 % y 80 % (subconjunto 2) y de los efectos de contenido de cobre de 100 % (subconjunto
3). Si se desea la menor cantidad de torcedura en las placas de cobre se escogerı́a cualquier porcentaje
de contenido de cobre del subconjunto 1, 40 % o 60 %.
Ahora verificamos los supuestos del modelo, inicialmente la Prueba de Levene, arroja una signifi-
cancia de 0,869; por tanto, no se rechaza el supuesto de igualdad de las varianzas de los errores.

En la gráfica de residuos versus pronósticos, observamos que no existen patrones por lo que confir-
mamos que los errores de la cantidad de torcedura en las placas de cobre son independientes.

7
 Realizamos la prueba no paramétrica de Smirnov-Kolmogorov para probar el supuesto de norma-
lidad de los errores, el cual se confirma con una significancia de 0,106.

El supuesto de normalidad de los errores, lo confirmamos también a través del gráfico P-P:

3. Ejercicio 5-19
Se estudia el rendimiento de un proceso quı́mico. Los dos factores de interés son la temperatura y
la presión. Se seleccionan tres niveles de cada factor; sin embargo, sólo es posible hacer nueve corridas
en un dı́a. El experimentador corre una réplica completa en cada dı́a. Los datos se muestran en la
tabla siguiente. Analizar los datos, suponiendo que los dı́as son bloques.

8
 Dı́a 1 Dı́a 2
Presión Presión
Temperatura 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
Solución
Sea un modelo de dos factores y un bloque de la forma Yijk = µ + τi + βj + (τ β)ij + γk + ijk , con
i = 1, 2, 3, j = 1, 2, 3 y k = 1, 2, donde µ corresponde a la media global, τi corresponde al efecto de
la temperatura i, βj al efecto de la presión j, (τ β)ij al efecto de la interacción entre la temperatura
i y la presión j, γk al efecto del dı́a k, Yijk al rendimiento del proceso quı́mico para la temperatura i
3 3 2
y la presión j en el dı́a k, ijk ∼ N (0, σ 2 ) e independientes y con
P P P
τi = 0, βj = 0, γk = 0 y
i=1 j=1 k=1
3
P 3
P
(τ β)ij = (τ β)ij = 0.
i=1 j=1
Para este experimento procederemos a hacer las siguientes tres pruebas de hipótesis:

i Para comprobar si las tres temperaturas tiene el mismo efecto sobre el rendimiento del proceso
quı́mico, desarrollaremos la siguiente prueba de hipótesis
H0 : τ1 = τ2 = τ3 = 0
H1 : ∃τs 6= 0 para algún s ∈ {1, 2, 3}
ii Para comprobar si las tres presiones tienen el mismo efecto sobre el rendimiento del proceso
quı́mico, desarrollaremos la siguiente prueba de hipótesis
H0 : β1 = β2 = β3 = 0
H1 : ∃βp 6= 0 para algún p ∈ {1, 2, 3}
iii Para comprobar si las diferentes interacciones entre las temperaturas y las presiones tienen el
mismo efecto sobre el rendimiento del proceso quı́mico, desarrollaremos la siguiente prueba de
hipótesis
H0 : (τ β)ij = 0, ∀i, j ∈ {1, 2, 3} × {1, 2, 3}
H1 : ∃(τ β)sp 6= 0 para algún s, p ∈ {1, 2, 3} × {1, 2, 3}

Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22, se obtienen los siguientes
resultados:

Se rechaza la hipótesis nula de igualdad de los efectos de la temperatura con una significancia de
0,000; por tanto, al menos uno de las temperaturas tiene un efecto diferente sobre el rendimiento del
proceso quı́mico.

9
 Por otra parte, también se rechaza la hipótesis nula de igualdad de los efectos de la presión con
una significancia de 0,036; por ende, al menos una de las presiones tiene un efecto diferente sobre el
rendimiento del proceso quı́mico.
Respecto a la hipótesis nula de igualdad de los efectos de la interacción entre las diferentes tempe-
raturas y presiones, esta con una significancia de 0,173 no se rechaza, por lo que se puede afirmar que
no hay diferencia entre los efectos de la interacción entre las diferentes temperaturas y presiones en lo
relacionado al rendimiento del proceso quı́mico.
Con una significancia de 0,001, se justifica la definición del dı́a como un bloque para este experi-
mento, dado que hay diferencia entre los efectos de los dı́as sobre el rendimiento del proceso quı́mico.
Dado que para el rendimiento del proceso quı́mico no hay diferencia en los efectos de la interacción
entre las diferentes temperaturas y presiones, trabajaremos con el modelo Yijk = µ + τi + βj + γk + ijk ,
con i = 1, 2, 3, j = 1, 2, 3 y k = 1, 2, donde µ corresponde a la media global, τi corresponde al
efecto de la temperatura i, βj al efecto de la presión j, γk al efecto del dı́a k, Yijk al rendimiento del
proceso quı́mico para la temperatura i y la presión j en el dı́a k, ijk ∼ N (0, σ 2 ) e independientes, con
P3 P3 P2
τi = 0, βj = 0 y γk = 0. Para este modelo procederemos a probar las hipotesis establecidas
i=1 j=1 k=1
anteriormente en i y ii.
Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22, se obtienen los siguientes
resultados:

Donde podemos observar que con significancias de 0,000 y 0,053, se rechazan las hipótesis nulas i
y ii ; por tanto, se puede afirmar que hay diferencias significativas en los efectos sobre el rendimiento
del proceso quı́mico para la temperatura y la presión como tratamientos. Por otra parte, con una
significancia de 0.000, aun se justifica el uso del dı́a como un bloque para el diseño del experimento.
Al comparar los subconjuntos homogéneos para el caso de la temperatura, se obtienen los siguientes
resultados a través de las pruebas de S-N-K, Scheffe y HSD Tukey obtenemos los siguientes resultados

10
 Podemos observar en las tres pruebas que las tres temperaturas presentan diferencias significativas
en sus efectos sobre el rendimiento del proceso quı́mico, presentando menor rendimiento la tempe-
ratura baja, un rendimiento intermedio en la temperatura intermedia y el mayor rendimiento con la
temperatura alta.
Para la presión, las pruebas de S-N-K, Scheffe y HSD Tukey con un nivel de significancia de 0,1,
arrojan los siguientes resultados para los subconjuntos homogéneos.

Donde podemos observar que para la prueba S-N-K, no se presentan diferencias significativas
entre los efectos de las presiones de 260 y 250, los cuales difieren ambos significativamente a los
efectos de la presión de 270, la cual deberı́amos escoger si deseamos obtener el mayor rendimiento del
proceso quı́mico. Mientras que para las pruebas de Scheffe y HSD Tukey, no se presentan diferencias
significativas entre los efectos de las presiones de 260 y 250, ni entre los efectos de las presiones de 250
y 270, las cuales presenten mayores efectos para el rendimiento del proceso quı́mico.
Verificando el supuesto de independencia de los errores, la gráfica de residuos estándar versus
pronósticos, no muestra ninguna tendencia, por lo tanto aceptamos este supuesto.

A través de la prueba de Kolmogorov-Smirnov obtenemos una significancia de 0,183; por tanto, no

rechazamos la el supuesto de normalidad de los errores.

11
4. Ejercicio 5-21
Considere los datos del problema 5.6. analizar los datos, suponiendo que las réplicas son bloques.
Se estudian los factores que influyen en la resistencia a la ruptura de una fibra sintética. Se eligen
cuatro máquinas de producción y tres operadores y se corre un experimento factorial utilizando fibra
del mismo lote de producción. Los resultados son los siguientes:
Operador Máquina
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
Solución
En este experimento en el que inicialmente se cuenta con dos factores de tratamiento, el operador
y la máquina, se considerará ahora como un experimento con un factor de bloque (las réplicas) que
representa una restricción sobre la aleatorización, es decir un experimento factorial de 3x4 en un bloque
completo aleatorizado.
Teniendo en cuenta el bloque, la tabla anterior se puede reorganizar como sigue:
Bloque Operador Máquina
1 2 3 4
1 1 109 110 108 110
2 110 110 111 114
3 116 112 114 120
2 1 110 115 109 108
2 112 111 109 112
3 114 115 119 117
El modelo lo describimos como Yijk = µ + τi + βj + (τ β)ij + δk + ijk , con i = 1, 2, 3; j = 1, 2, 3, 4
y k = 1, 2 donde µ es la media global, τi corresponde al efecto del nivel i del operador, βj es el efecto
del nivel j de la máquina, (τ β)ij es el efecto de la interacción del nivel i del operador y el nivel j de la
máquina y δk es el efecto del nivel k del bloque; Yijk es la resistencia a la ruptura de una fibra sintética
con el nivel i del operador i y el nivel j de la máquina en el nivel k del bloque, con ijk ∼ N (0, σ 2 ) e
P3 P4 P3 P4 P2
independientes y τi = 0; βi = 0; (τ β)ij = (τ β)ij = 0 y δk = 0
i=1 i=1 i=1 j=1 k=1
Realizamos el análisis de varianza ANOVA con IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05. para probar las siguientes hipótesis:

12
 i) No hay diferencia en los efectos de los operadores sobre la resistencia a la ruptura de la fibra
sintética.
H0 : τ1 = τ2 = ... = τ3 = 0
H1 : ∃m tal que τm 6= 0 para m ∈ {1, 2, 3}
ii) No hay diferencia en los efectos de las maquinas sobre la resistencia a la ruptura de la fibra
sintética.
H0 : β1 = β2 = ... = β4 = 0
H1 : ∃n tal que βn 6= 0 para n ∈ 1, 2, 3, 4
iii) Los efectos de las interacciones entre los distintos operadores y máquinas sobre la resistencia a
la ruptura de la fibra sintética son iguales
H0 : (τ β)ij = 0∀i,j ∈ {1, 2, 3}x{1, 2, 3, 4}
H1 : ∃m, n tal que (τ β)mn 6= 0 para m, n ∈ {1, 2, 3}x{1, 2, 3, 4}

La tabla ANOVA se muestra a continuación:

Para la variación resultante del operador, observamos una significancia de 0,000, la cual es menor
α = 0, 05, por lo que se tiene evidencia suficiente para rechazar H0 en i)y poder afirmar que al menos
uno de los operadores incide significativamente sobre la resistencia a la ruptura de la fibra sintética.
Respecto a la variación resultante de las diferentes máquinas, observamos una significancia de 0,409,
la cual es mayor que α = 0, 05, por lo que no se tiene evidencia suficiente para rechazar H0 en ii)y se
puede afirmar que las diferentes máquinas tienen el mismo efecto sobre la resistencia a la ruptura de
la fibra sintética.
La variación la interacción entre los dos tratamientos presenta una significacia de 0,172, el cual es
mayor ue α = 0, 05, por lo que no se tiene evidencia suficiente para rechazar H0 en iii) y se puede
afirmar que las interacciones entre los distintos operadores y maquinas tienen el mismo efecto sobre la
resistencia a la ruptura de la fibra sintética.
Por otro lado, los bloques o réplicas presentan una significancia de 0,487, la cual es mayor que
α = 0, 05 por lo que no hay diferencia entre las réplicas y no se justifica el uso de las mismas como
bloques.
Dados los resultados definimos el nuevo modelo eliminando los efectos no significativos:
El nuevo modelo corresponde a uno de un experimento de un solo factor con los operadores como
tratamientos y 8 ensayos o réplicas Yij = µ + τi + ij , con i = 1, 2, 3; j = 1, 2, 3, 4, 5, 6, 7, 8; donde µ es
la media global, τi corresponde al efecto del operador del nivel i; Yij es la resistencia a la ruptura de
3
una fibra sintética con el operador i en el ensayo j, con ij ∼ N (0, σ 2 ) e independientes, y
P
τi = 0.
i=1

13
 La nueva tabla ANOVA se muestra a continuación:

Observamos para el operador una significancia de 0,000, la cual es menor que α = 0, 05, por lo que
seguimos rechazando la H0 en i); por tanto, se puede afirmar que los operadores afectan significativa-
mente la resistencia a la ruptura de la fibra sintética.
Las pruebas S-N-K, HST Tukey y Scheffe, arrojan los siguientes resultados para los operadores.

En las tres pruebas de Student-Newman-Keuls, HSD Tukey y Scheffe observamos que los efectos de
los operadores 1 y 2 (subconjunto 1)no tienen diferencia significativa por lo que se pueden considerar
iguales poblacionalmente y el efecto del operador 3 (subconjunto 2) difiere de estos . En este sentido si
lo que se desea es obtener una mayor resistencia a la ruptura de la fibra se deberı́a escoger al operador
3.
Ahora verificamos los supuestos del modelo, inicialmente la prueba de Levene arroja una signifi-
cancia de 0,362, por lo tanto, no se rechaza el supuesto de igualdad de las varianzas de error.

Ahora verificamos la gráfica de residuos estándar versus pronósticos y no observamos ninguna

tendencia, por lo tanto aceptamos el supuesto de independencia de los errores.

14
 Para verificar la normalidad de los errores, utilizamos la prueba no paramétrica de Smirnov-
Kolmogorov, en la cual obtenemos una significancia de 0,033; con la cual se rechaza el supuesto de
normalidad de los errores.

El comportamiento de los puntos en el gráfico P-P, confirma los resultados anteriores.

Procedemos a transformar la variable de respuesta; trabajamos con el inverso de la resistencia a la

ruptura de la fibra sintética: Yij0 = 1/Yij .

15
 La ANOVA para el inverso de la resistencia se muestra a continuación:

Observamos para el operador, una significancia de 0,000, por lo que aun rechazamos H0 definida en
i), por lo que se puede afirmar que los operadores afectan significativamente la resistencia a la ruptura
de la fibra sintética.
Verificamos la tabla de subconjuntos homogéneos para identificar los operadores que se puede
considerar tienen efecto similar a nivel poblacional:

En la tres pruebas de Student-Newman-Keuls, HSD Tukey y Scheffe observamos que los efectos de
los operadores 1 y 2 (subconjunto 2) no tienen diferencia significativa por lo que se pueden considerar
iguales poblacionalmente y el efecto del operador 3 (subconjunto 1) difiere de estos . En este sentido
si lo que se desea es obtener una mayor resistencia a la ruptura de la fibra (Yij0 ) se deberı́a escoger
cualquiera de los operadores del subconjunto 2.
Ahora verificamos los supuestos del modelo, la prueba de Levene arroja una significancia de 0,479;
por tanto, no se rechaza el supuesto de igualdad de varianza de los errores.

En la gráfica de residuos estándar versus pronósticos, no observamos ninguna tendencia, entonces

aceptamos el supuesto de independencia de los errores.

16
 La prueba no paramétrica de Smirnov-Kolmogorov nos arroja una significancia de 0,055, por lo
tanto se tiene evidencia para no rechazar el supuesto de normalidad de los errores.

5. Ejercicio 6-5
Se usa una máquina para hacer ranuras de localización en una tarjeta de circuitos impresos. El
nivel de vibración en la superficie de las tarjetas cuando se hacen las ranuras se considera una fuente
principal de variación dimensional de las ranuras. Se piensa que dos factores influyen en la vibración:
el tamaño de las ranuras (A) y la velocidad de corte (B). Se seleccionan dos tamaños de las ranuras
(1/16 y 1/8 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 vibración medida
como el vector resultante de tres acelerómetros (x, y, y z) en cada tarjeta de prueba.

Combinación de tratamientos Réplica

A B I II III IV
- - (1) 18,2 18,9 12,9 14,4
+ - a 27,2 24 22,4 22,5
- + b 15,9 14,5 15,1 14,2
+ + ab 41 43,9 36,3 39,9

La clasificación de los factores se puede definir como:

Niveles Factores
A Menor(-) Mayor(+)
1/16 1/8
B Bajo(-) Alto(+)
40 90

17
 Solución
La situación presenta un diseño factorial 2k con k = 2 y cuatro réplicas, el cual definimos como
Yijk = µ + τi + βj + (τ β)ij + ijk , con i = 1, 2 (1/16 y 1/8); j = 1, 2 (40 rpm y 90 rpm) y k = 1, 2, 3, 4
donde µ es la media global, τi corresponde al efecto del tamaño de la ranura i, βj es el efecto de la
velocidad de corte j y (τ β)ij es el efecto de la interacción del nivel i del tamaño de la ranura y el
nivel j de la velocidad de corte; Yijk es la vibración medida en la superficie de las tarjetas con con un
tamaño de ranura i y una velocidad de corte j en el réplica k, con ijk ∼ N (0, σ 2 ) e independientes, y
P2 P2
ademas con τ1 + τ2 = 0, β1 + β2 = 0 y (τ β)ij = (τ β)ij = 0.
i=1 j=1
Realizamos el análisis de varianza ANOVA con IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05 para probar las siguientes hipótesis:

i) Los efectos de los tamaños de la ranura son iguales y no incide significativamente sobre la vibra-
ción medida en la superficie de las tarjeta. H0 : τ1 = τ2
H1 : τ1 6= τ2

ii) Los efectos de la velocidad de corte son iguales y no incide significativamente sobre la vibración
medida en la superficie de las tarjeta.
H0 : β1 = β2
H1 : β1 6= β2

iii) Los efectos de las interacción de los tamaños de ranura y velocidades de corte no incide signifi-
cativamente sobre la vibración medida en la superficie de las tarjeta.
H0 : (τ β)ij = 0, ∀i, j ∈ {1, 2} × {1, 2}
H1 : ∃s, p tal que (τ β)ij 6= 0

La tabla ANOVA obtenida en IBM SPSS Statistics 22, se muestra a continuación:

Para el factor tamaño de ranura A, observamos una significancia de 0,000, por lo que se tiene
evidencia suficiente para rechazar H0 en i) y poder afirmar que los efectos de la ranura son diferentes
e inciden significativamente sobre la vibración medida en la superficie de las tarjeta.
En el caso de la velocidad de corte B, observamos una significancia de 0,000, por lo que se tiene
evidencia suficiente para rechazar H0 en ii) y poder afirmar que los efectos de la velocidad de corte
son diferentes e inciden significativamente sobre la vibración medida en la superficie de las tarjeta.
El efecto de la interacción entre los tratamientos presenta una significancia de 0,000, por lo que se
tiene evidencia suficiente para rechazar H0 en iii) y poder afirmar que la interacción de el tamaño de

18
la ranura y velocidad de corte incide significativamente sobre la vibración medida en la superficie de
las tarjetas.
Ahora verificamos los supuestos del modelo, la gráfica de residuos estándar versus pronósticos no
presenta ninguna tendencia, por tanto se acepta la independencia de los errores.

La prueba no paramétrica de Smirnov-Kolmogorov, nos arroja una significancia de 0,200, con la

cual no rechazamos el supuesto de normalidad de los errores.

Los cual confirmamos también a través de un gráfico P-P.

19
6. Ejercicio 6-8
Un bacteriólogo está interesado en los efectos de dos medios de cultivo diferentes y dos tiempos
diferentes sobre el crecimiento de un virus particular. Realiza seis réplicas de un diseño 22 , haciendo
las corridas de manera aleatoria. Analizar los datos del crecimiento viral que se presenta enseguida y
sacar las conclusiones apropiadas.

Tiempo (h) Medio de Cultivo

1 2
12 21 22 25 26
23 28 24 25
20 26 29 27
18 37 39 31 34
38 38 29 33
35 36 30 35

La clasificación de los factores se puede definir como:

Niveles Factores
Tiempo (A) Menor(-) Mayor(+)
12 18
Medio de Cultivo (B) Bajo(-) Alto(+)
1 2

Solución
La situación presenta un diseño factorial 2k con k = 2 y seis réplicas, el cual podemos definir como
Yijk = µ + τi + βj + (τ β)ij + ijk , con i = 1, 2(12hy18h); j = 1, 2(1y2) y k = 1, 2, 3, 4, 5, 6 donde µ
es la media global, τi corresponde al efecto del tiempo i en horas, βj es el efecto del medio de cultivo
j y (τ β)ij es el efecto de la interacción del tiempo i y el medio de cultivo j, Yijk el crecimiento viral
debido al tiempo i en el medio de cultivo j en el réplica k, con ijk ∼ N (0, σ 2 ) e independientes, y
P2 P2
τ1 + τ2 = 0; β1 + β2 = 0; (τ β)ij = (τ β)ij = 0.
i=1 j=1
Realizamos el análisis de varianza ANOVA con IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05 para probar las siguientes hipótesis:

i) Los efectos del tiempo del proceso son iguales y no inciden significativamente sobre el crecimiento
viral.
H0 : τ1 = τ2
H1 : τ1 6= τ2
ii) Los efectos del medio de cultivo son iguales y no incide significativamente sobre crecimiento viral.
H0 : β1 = β2
H1 : β1 6= β2
iii) El efecto de la interacción del tiempo del proceso y el medio de cultivo no incide significativamente
sobre el crecimiento viral.
H0 : (τ β)ij = 0
H1 : ∃sp tq (τ β)ij 6= 0

20
 La tabla ANOVA se muestra a continuación:

Para el factor tiempo A, observamos una significancia de 0,000, por lo que se tiene evidencia
suficiente para rechazar H0 en i) y poder afirmar que los efectos del tiempo son diferentes e inciden
significativamente sobre el crecimiento viral.
En el caso del medio de cultivo B, observamos una significancia de 0,191, por lo que se tiene
evidencia suficiente para no rechazar H0 en ii) y poder afirmar que los efectos del medio de cultivo no
son diferentes y no inciden significativamente sobre crecimiento viral.
El efecto de la intersección entre el tiempo y el medio de cultivo presenta una significancia de 0,000,
por lo que se tiene evidencia suficiente para rechazar H0 en iii) y podemos afirmar que los efectos de
la interacción del tiempo y el medio de cultivo inciden significativamente sobre el crecimiento viral.
Dado que el factor B, medio de cultivo, no es significante para el modelo lo retiramos quedando el
nuevo modelo definido como Yijk = µ + τi + (τ β)ij + ijk , con i = 1, 2 (12h y 18h); j = 1, 2 (1 y 2) y
k = 1, 2, 3, 4, 5, 6 donde µ es la media global, τi corresponde al efecto del tiempo i en horas y (τ β)ij
es el efecto de la interacción del tiempo i y el medio de cultivo j ; Yijk crecimiento viral debido al
tiempo i en el medio de cultivo j en el réplica k, con ijk ∼ N (0, σ 2 ) e independientes, y τ1 + τ2 = 0;
P2 P2
(τ β)1j + (τ β)2j = 0 y (τ β)ij = (τ β)ij = 0.
i=1 j=1
Los nueva tabla ANOVA queda definida como:

Observamos para el factor tiempo una significancia de 0,000, por lo que aun rechazamos H0 en i),
por lo que se puede afirmar que el efecto del tiempo incide significativamente en el crecimiento viral.
Ademas, para la interacción entre tiempo y medio de cultivo tenemos una significancia de 0,001, por
lo que se rechaza nuevamente iii) y se afirma que el efecto de la interacción entre el tiempo y el medio
de cultivo incide sobre el crecimiento viral.
Ahora verificamos los supuestos del modelo,la gráfica de residuos vs pronósticos: no presenta nin-
guna tendencia, por ende aceptamos el supuesto de independencia de los errores.

21
 La prueba no paramétrica de Smirnov-Kolmogorov, arroja una significancia de 0,200; por tanto,
no rechazamos el supuesto de normalidad de los errores.

Esto ultimo lo confirmamos también a través del gráfico P-P

7. Ejercicio 6-10
En el problema 6-9, el ingeniero también estuvo interesado en las diferencias en la fatiga potencial
que resulta de los tipos de botellas. Como una medida de la cantidad de esfuerzo requerido, midió el
aumento del ritmo cardı́aco (pulso) inducido por la tarea. Los resultados se presentan a continuación.
Analizar los datos y sacar conclusiones. Analizar los residuales y comentar la adecuación del modelo.

22
 Empleado
Tipo de botella 1 2
Vidrio 39 45 20 13
58 35 16 11
Plá stico 44 35 13 10
42 21 16 15
Solución
Sea un modelo de dos factores de la forma Yijk = µ + τi + βj + (τ β)ij + ijk , con i = 1, 2, j = 1, 2
y k = 1, 2, 3, 4, donde µ corresponde a la media global, τi corresponde al efecto del tipo de botella i,
βj al efecto del empleado j, (τ β)ij al efecto de la interacción entre el tipo de botella i y el empleado
j, Yijk el ritmo cardı́aco para el tipo de botella i y el empleado j en el ensayo k, ijk ∼ N (0, σ 2 ) e
P2 P2
independientes y con τ1 + τ2 = 0, β1 + β2 = 0 y (τ β)ij = (τ β)ij = 0.
i=1 j=1
Para este experimento procederemos a hacer las siguientes tres pruebas de hipótesis:

i Para comprobar si los dos tipos de botella tiene el mismo efecto sobre el ritmo cardı́aco , desa-
rrollaremos la siguiente prueba de hipótesis
H0 : τ1 = τ2
H1 : τ1 6= τ2
ii Para comprobar si los dos empleados tienen el mismo efecto sobre el ritmo cardı́aco, desarrolla-
remos la siguiente prueba de hipótesis
H0 : β1 = β2
H1 : β1 6= β2
iii Para comprobar si las interacciones entre los tipos de botella y los empleados tienen el mismo
efecto sobre el ritmo cardı́aco, desarrollaremos la siguiente prueba de hipótesis
H0 : (τ β)ij = 0, ∀i, j ∈ {1, 2} × {1, 2}
H1 : ∃(τ β)sp 6= 0 para algún s, p ∈ {1, 2} × {1, 2}

Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22, se obtienen los siguientes
resultados:

No se rechaza la hipótesis nula de igualdad de los efectos del tipo de botella con una significancia
de 0,203; por tanto, los dos tipos de botella tienen el mismo efecto en el ritmo cardı́aco medido.
Por otra parte, se rechaza la hipótesis nula de igualdad de los efectos de los empleados con una
significancia de 0,000; por ende, los dos empleados tienen diferente efecto sobre el ritmo cardı́aco
medido.

23
 Respecto a la hipótesis nula de igualdad de los efectos de la interacción entre los diferentes tipos
de botella y empleados, esta con una significancia de 0,359 no se rechaza, por lo que se puede afirmar
que no hay diferencia entre los efectos sobre el ritmo cardı́aco de las interacciones entre los tipos de
botella y los empleados.
Dado que la interacción entre los tipos de botella y los empleados presentan la mayor significancia
y no hay diferencia en sus efectos, procedemos a retirar esta interacción del modelo, por tanto ahora
trabajaremos con el modelo Yijk = µ + τi + βj + ijk , donde µ corresponde a la media global, τi
corresponde al efecto del tipo de botella i, βj al efecto del empleado j, Yijk el ritmo cardı́aco para el
tipo de botella i y el empleado j en el ensayo k, ijk ∼ N (0, σ 2 ) e independientes, con τ1 + τ2 = 0 y
β1 + β2 = 0.
Utilizando IBM SPSS Statistics 22 procedemos a realizar el análisis de varianza para probar las
hipótesis establecidas en i y ii

Podemos observar que con una significancia de 0,199, no se rechaza la hipótesis de igualdad de los
efectos de los dos tipos de botella; por tanto, los dos tipos de botella tienen el mismo efecto el ritmo
cardı́aco.
Por otro lado, con una significancia de 0,000 se rechaza la hipotesis nula establecida en ii ; por
tanto, hay diferencia significativa en los efectos de los dos empleados.
Debido a que no hay diferencia en los efectos de los tipos de botella, procedemos a retirar este factor
del modelo, por tanto ahora trabajaremos con el modelo de un solo factor Yjk = µ + βj + jk , donde
µ corresponde a la media global, βj al efecto del empleado j, Yjk el ritmo cardı́aco para el empleado
j en el ensayo k, jk ∼ N (0, σ 2 ) e independientes, con β1 + β2 = 0.
Utilizando IBM SPSS Statistics 22 procedemos a realizar el análisis de varianza para probar las
hipótesis establecidas en ii

Podemos observar una significancia de 0,000, con la cual se rechaza la hipótesis nula establecida en
ii ; por tanto, hay diferencia significativa en los efectos de los dos empleados.
Al observar los estadı́sticos descriptivos observamos que el empleado 2, presenta un menor ritmo

24
cardiaco promedio medido; por tanto, este deberı́a ser seleccionado si debemos elegir al que presente
el menor efecto en la medición del ritmo cardı́aco.

Ahora procederemos a evaluar los supuestos del modelo. Inicialmente la Prueba de Levene nos
arroja una significancia de 0,078, con la cual no se rechaza el supuesto de igualdad de las varianzas de
los errores.

La gráfica de residuos estándar versus pronósticos, no muestra ninguna tendencia para rechazar el
supuesto de independencia de los errores.

25
 Por otra parte, la prueba de Kolmogorov-Smirnov arroja una significancia de 0,100; con la cual no
se rechaza el supuesto de normalidad de los errores.

26