Professional Documents
Culture Documents
DISEÑO DE EXPERIMENTOS
Teoría
Objetivo general del módulo. Que los asistentes actualicen los conocimientos
necesarios para diseñar, analizar y obtener inferencias sobre experimentos conducentes
a la mejora de productos y procesos en la industria y que sean capaces de aplicar la
mejor estrategia experimental para resolver un problema de desarrollo de productos, o
de calidad en los productos.
Contenido
1. INTRODUCCIÓN AL DISEÑO DE EXPERIMENTOS .......................................................... 4
1.1 Aplicaciones del diseño de experimentos .............................................................. 5
Definición de experimento, diseño de experimentos y eficiencia de un
experimento ............................................................................................................. 7
1. 2 Principios básicos del diseño de experimentos ..................................................... 7
1.3. Metodología general para realizar un experimento ........................................... 9
1.4. Aplicaciones del diseño de experimentos. .......................................................... 13
2. ANALISIS DE VARIANZA DE UN FACTOR (ANOVA 1 VIA) ............................................ 15
2.1 Introducción.......................................................................................................... 15
2.2 Tipos de variación y sumas de cuadrados ............................................................ 16
2.3 Uso de Excel: ......................................................................................................... 18
2.4 Uso de Minitab ..................................................................................................... 19
2.5 Grafica de residuos contra el valor ajustado de ŷij .............................................. 20
2.6 Ejercicios ............................................................................................................... 21
3. ANALISIS DE VARIANZA DE DOS VÍAS o DIRECCIONES (ANOVA 2 VIAS)..................... 23
3.1 Introducción.......................................................................................................... 23
3.2 Ejemplos con cálculo manual ............................................................................... 23
3.3 Procedimiento en Excel ........................................................................................ 24
3.4 ANOVA en Minitab ............................................................................................... 25
4. DISEÑOS FACTORIALES ............................................................................................... 29
4.1 Principios y definiciones básicas........................................................................... 29
Ventajas de los diseños factoriales ........................................................................ 31
4.2 Diseño factorial de dos niveles (2^K) ................................................................... 32
5. DISEÑOS DE EXPERIMENTOS FRACCIONALES DE DOS NIVELES ................................. 40
5.1 Concepto de replicación fraccionada ................................................................... 40
Página 2 de 71
5.2 Fracción un medio del diseño 2k .......................................................................... 41
5.3 Resolución del diseño ........................................................................................... 44
6. DISEÑOS DE EXPERIMENTOS FACTORIALES COMPLETOS .......................................... 46
6.1 Diseño factorial completo de 2 factores .............................................................. 46
6.2 Análisis Estadístico del Modelo de Efectos Fijos .................................................. 48
7. DISEÑO DE EXPERIMENTOS TAGUCHI ........................................................................ 56
7.1 Introducción.......................................................................................................... 56
7.2 Arreglos ortogonales para experimentos a dos niveles ....................................... 57
7.3 Caso menor es mejor ............................................................................................ 59
8. REGRESIÓN Y CORRELACIÓN LINEAL .......................................................................... 64
8.1 Introducción.......................................................................................................... 64
8.2 Ejemplo manual .................................................................................................... 66
8.3 Uso de Excel .......................................................................................................... 68
8.4 Uso de Minitab ..................................................................................................... 69
8.5 Ejercicios: .............................................................................................................. 71
Página 3 de 71
1. INTRODUCCIÓN AL DISEÑO DE EXPERIMENTOS
l diseño de experimentos es una técnica estadística que nos ayuda a identificar qué
Efactores o variables afectan El comportamiento de un proceso productivo y de esta
manera poder mejorarlo.
O bien: es una prueba o una serie de pruebas en las cuales se inducen cambios
deliberados en las variables de entrada de un proceso o sistema, de manera que sea
posible observar e identificar las causas de los cambios en la respuesta de salida.
El proceso o sistema bajo estudio puede representarse por medio del modelo de la
figura 1.1.
Factores controlables
x1 x2 x3 x4 ... xp
Entradas Salida
Proceso
y
z1 z2 z3 z4 ... zq
Factores incontrolables
Figura 1. Modelo general de un proceso o sistema
Algunas de las variables del proceso x1, x2,..., xk son controlables, mientras que otras z1,
z2,...,zk son incontrolables (aunque pueden ser controlables para los fines de prueba).
Entre los objetivos del experimento pueden incluirse:
Página 4 de 71
Lo métodos de diseño experimental tiene un propósito que puede ser desarrollar un
proceso consistente o robusto; esto es, un proceso que no sea afectado por fuentes
de variabilidad externas o ruido (las zi).
1. ¿Son estas dos soluciones los únicos medios para lograr la respuesta de interés?
2. ¿Existen otros factores que pueden afectar la respuesta de las muestras y que
deban ser investigados o controlados?
3. ¿Cuántas muestras deben ser sometidas a cada solución de templado?
4. ¿En que forma debe asignarse cada muestra a los tratamientos, y en qué orden
deben realizarse las mediciones?
5. ¿Qué método de análisis debe utilizarse?
6. ¿Qué diferencia en los niveles promedio de respuesta entre los dos tratamientos
debe considerarse como significativa?
El uso del diseño de experimentos en estas áreas puede dar por resultado productos con
mayor confiabilidad y mejor funcionamiento en el campo, menores costos, y menor
tiempo de diseño y desarrollo del producto.
Página 5 de 71
El diseño estadístico de experimentos es el proceso de planear un experimento para
obtener datos apropiados, que pueden ser analizados mediante métodos estadísticos,
con objeto de producir conclusiones validas y objetivas.
F2 F1
F11
F21
F22 F12
CARACTERISTICA
DE CALIDAD
F41
F31
F32
F42
F4 F3
Mediante un experimento podemos inducir cambios en uno varios factores (F2l. F33 y F11
por ejemplo) y analizar estadísticamente si el cambio en los factores afecta o no el
resultado o efecto del proceso.
Página 6 de 71
Definición de experimento, diseño de experimentos y eficiencia de un
experimento
Experimento
Escomprender
un conjunto de pruebas estructurado y coherente que son analizadas a fin de
la operación del proceso.
Diseño de experimentos
Esapropiados
el proceso de planear, ejecutar y analizar el experimento de manera que los datos
sean recolectados, y que estos tengan validez estadística para obtener
conclusiones validas y útiles. Se entiende por validez estadística, el que los resultados se
puedan repetir consistentemente sobre todo en la operación a gran escala o masiva.
Eficiencia de un experimento
Esto es, un experimento eficiente debe ser lo más simple y económico posible pero
efectivo. Las técnicas del diseño de experimentos pretenden que los experimentos sean
eficientes.
Página 7 de 71
i) Permite cuantificar el error aleatorio inherente al proceso y
ii) Permite una mejor estimación de los parámetros.
Análisis por bloques. Es una técnica que se usa para incrementar la precisión del
experimento. Un bloque es una porción del material experimental que sea más
homogénea que el total del material o cuando las condiciones son más
homogéneas. Al realizar un experimento por bloques se hacen las comparaciones
entre las condiciones de interés del experimento dentro de cada bloque.
Página 8 de 71
1.3. Metodología general para realizar un experimento
En este paso es necesario definir que tipo de información es exactamente la que nos
interesa, ya que no podemos medir o variar todos y cada uno de los componentes de un
experimento.
En conclusión como resultado de este paso, la hipótesis a probar debe quedar bien
definida. Un diagrama causa-efecto es una buena ayuda en este paso.
Cuantitativa
Precisa.
Que tenga algún significado físico.
Página 9 de 71
estos valores o niveles se les llama tratamientos. Por ejemplo, si queremos conocer el
efecto de la temperatura sobre la dureza de un material y para ello se realizan pruebas
a 70, 80 y 90ºC se dice que tenemos un experimento de un solo factor con tres
tratamientos. Otra vez es de vital importancia la participación del personal involucrado
en el problema a fin de seleccionar apropiadamente los factores o variables
independientes y los niveles de cada factor o tratamiento de interés.
¿Cómo seleccionar los diferentes niveles de un factor?, En general un factor puede ser
cualitativo (proveedor, turno, operario, etc), o cuantitativo (temperatura, presión,
altura, tiempo, etc.). Los niveles específicos en cualquier caso se pueden seleccionar ya
sea aleatoriamente dentro de un cierto rango o a un nivel fijo definido por el
experimentador previamente, esto nos lleva a cuatro situaciones generales:
Este caso es similar al anterior excepto que el factor es cuantitativo, por ejemplo:
temperatura, presión, tiempo, concentración de un componente, etc. Para este caso es
recomendable que los diferentes niveles o tratamientos se tomen equiespaciados, esto
es, por ejemplo 10, 20, 30 y 40 °C: 5, 10, 15, 20 y 25 psi; 8, 12, 16 y 20 minutos, etc.
En este caso los niveles o tratamientos se seleccionan al azar de entre varios posibles.
Por ejemplo: se tienen varios lotes de un mismo proveedor, se selecciona al azar cuáles
de ellos analizar, en este caso la conclusión del experimento se extiende para cubrir
todos los posibles niveles..
Página 10 de 71
Igual que en el caso anterior los diferentes niveles o tratamientos son seleccionados al
azar.
3. Definir el diseño del experimento. Esto imp1ica definir de qué manera se efectuaran
las pruebas y qué modelo matemático describe mejor el experimento. En el resto de
este material se describen varios tipos de experimentos de los cuales se tomará el que
mejor se ajuste a la situación particular.
Este punto pudiera parecer obvio; sin embargo, en la práctica no es sencillo darse cuenta
de que existe un problema que requiere experimentación, ni diseñar un planteamiento
claro y aceptable del mismo. Es necesario desarrollar todas las ideas sobre los objetivos
del experimento. Suele ser importante solicitar la opinión de todas las partes implicadas.
Un planteamiento claro del problema contribuye a menudo en forma sustancial a un
mejor conocimiento del fenómeno y de la solución final del problema.
Página 11 de 71
El experimentador debe elegir los factores que variarán en el experimento, los intervalos
de dicha variación y los niveles específicos de interés a los cuales se hará el experimento.
También debe considerarse la forma en que se controlarán estos factores para
mantenerlos en los valores deseados, y cómo se les medirá. Para ello es necesario
conocer el proceso de manera práctica y teórica.
6. Análisis de datos.
Página 12 de 71
Deben emplearse métodos estadísticos para analizar los datos, de modo que los
resultados y conclusiones sean objetivos más que apreciativos. Existen muchos
excelentes paquetes de software para el análisis de datos, y varios métodos gráficos
sencillos son importantes en la interpretación de tales datos. El análisis de residuos y la
verificación de la idoneidad del modelo son también técnicas de análisis de gran utilidad.
Hay que recordar que los métodos estadísticos sólo proporcionan directrices para la
veracidad y validez de los resultados. Los métodos estadísticos, aplicados
adecuadamente, no permiten probar algo experimentalmente, sólo hacen posible
obtener el probable error de una conclusión, o asignar un nivel de confiabilidad a los
resultados. La principal ventaja de los métodos estadísticos es que agregan objetividad
al proceso de toma de decisiones. Las técnicas estadísticas, aunadas aun buen
conocimiento técnico o del proceso y al sentido común, suelen llevar a conclusiones
razonables.
7. Conclusiones y recomendaciones.
Una vez que se han analizado los datos, él experimentador debe extraer conclusiones
prácticas de los resultados y recomendar un curso de acción. En esta fase a menudo son
útiles los métodos gráficos, en especial al presentar los resultados a otras personas.
También deben realizarse corridas de seguimiento y pruebas de confirmación para
validar las conclusiones del experimento.
Página 13 de 71
Cuál es el factor que más influye en la variabilidad de alguna característica de
calidad.
Es necesario tener claros y en todo caso revisar los siguientes conceptos estadísticos
antes de seguir:
Página 14 de 71
2. ANALISIS DE VARIANZA DE UN FACTOR (ANOVA 1
VIA)
2.1 Introducción
El análisis de la varianza de un factor (ANOVA) es una metodología para analizar la
variación entre muestras y la variación al interior de las mismas mediante la
determinación de varianzas. Es llamado de una vía porque analiza un variable
independiente o Factor ejemplo: Velocidad. Como tal, es un método estadístico útil
para comparar dos o más medias poblacionales. El ANOVA de un criterio nos permite
poner a prueba hipótesis tales como:
H 0 1 2 3 .... k
H1 : Al menos dos medias poblacionales son diferentes.
Los supuestos en que se basa la prueba t de dos muestras que utiliza muestras
independientes son:
sb2
Fc
sw2
F , ( k 1), k ( n 1))
Donde el número de grados de libertad para el numerador (Sb^2 > Sw^2) es k-1 y para
el denominador es k(n-1), siendo el nivel de significancia.
k = número de muestras.
Por ejemplo:
Página 15 de 71
Como los empleados se seleccionan aleatoriamente para cada programa
el diseño se denomina DISEÑO COMPLETAMENTE ALEATORIZADO
Se observa el aprovechamiento de los empleados en los programas:
TRATAMIENTOS
1. Variación total entre los 14 empleados, su puntuación no fue igual con todos
VARIACIÓN TOTAL RESPECTO A LA MEDIA GENERAL
r c 2
SCT ( Xij X )
i 1 j 1
r
SCTR rj ( X j X ) 2
j 1
Página 16 de 71
3. Variación dentro de un tratamiento o muestra o programa dado que no todos los
empleados dentro de un mismo programa obtuvieron los mismos puntajes. Se
denomina Variación dentro de los tratamientos.
r c
SCE (X ij X j )2
i 1 j 1
4. Grados de libertad
Página 17 de 71
ZONA DE
NO RECHAZAR RECHAZO
Distr. F
7. Valor de P Fc
TABLA DE ANOVA
Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa
Página 18 de 71
RESUMEN Análisis de varianza de un factor
Grupos Cuenta Suma Promedio Varianza
Programa 1 4 320 80 32.666667
Programa 2 5 405 81 5
Programa 3 5 425 85 17
Grados
ANÁLISIS DE VARIANZA de Promedio de
Suma
Variaciones cuadrados libertad Cuadrados Fc Probabilidad F crítica
Entre grupos 65.71428571 2 32.85714286 1.9431644 0.18937731 3.98229796
Dentro de
grupos 186 11 16.90909091
Total 251.7142857 13
Source DF SS MS F P
Factor 2 65.7 32.9 1.94 0.189
Error 11 186.0 16.9
Total 13 251.7
Página 19 de 71
NOTA: Si los Intervalos de confianza se traslapan, las
medias son iguales estadísticamente
Página 20 de 71
Grafica de residuos contra valores ajustados
Un efecto que en ocasiones revela la grafica es el de una varianza variable. Algunas veces
la varianza de las observaciones lo hace. Esto resulta cuando el error es proporcional a
la magnitud de la observación (comúnmente esto sucede en instrumentos de medición
– el error es proporcional a la escala de la lectura). Si este es el caso, los residuos
aumenta a medida que Yij lo hace, y la grafica de los residuos contra Yij parecerá un
embudo que se ensancha o un altavoz. La varianza variable también ocurre en casos
cuyos datos no tienen distribución normal y están sesgados, porque en las distribuciones
sesgadas la varianza tiende a ser función de la media.
2.6 Ejercicios
Catalizador
A B C D
58.2 56.3 50.1 52.9
57.2 54.5 54.2 49.9
58.4 57 55.4 50
55.8 55.3 51.7
54.9
Página 21 de 71
2. Para determinar si existe diferencia significativa en el nivel de Matemáticas de 4
grupos de estudiantes de Ingeniería se realizó un examen aleatorio a 6 individuos por
grupo. Determine cuales son los grupos en los cuales existen diferencias a un 95% de
nivel de confianza.
A B C D
75 78 55 64
93 91 66 72
78 97 49 68
71 82 64 77
63 85 70 56
76 77 68 95
A B C
85 71 59
75 75 64
82 73 62
76 74 69
71 69 75
85 82 67
Página 22 de 71
3. ANALISIS DE VARIANZA DE DOS VÍAS o
DIRECCIONES (ANOVA 2 VIAS)
3.1 Introducción
En este caso las fórmulas son parecidas a la del ANOVA de una vía pero ahora
agregando el cálculo por renglones adicional al de columnas donde se incluye la
variable de bloqueo. El bloqueo es completamente al azar.
Los tratamientos se asignan a las columnas y los bloques a los renglones. Un bloque
indica condiciones similares de los sujetos al experimentar con diferentes
tratamientos.
Ejemplo 1.
Suponiendo que se quiere investigar si la producción de tres diferentes máquinas es
igual, tomando en cuenta la experiencia de los operadores a un nivel de significancia
del 5%.
Experiencia Máquinas
de ops. En años Maq 1 Maq 2 Maq 3 Promedios
1 27 21 25 24.33333
2 31 33 35 33
3 42 39 39 40
4 38 41 37 38.66667
5 45 46 45 45.33333
Página 23 de 71
Promedios 36.6 36 36.2 36.26667
TABLA ANOVA
SS GL CM Fc Falfa
SCTR= 0.933333 2 CMTR= 0.466667 Ftr = 0.09 4.46
Fbl =
SCBL= 764.9333 4 CMBL= 191.2333 37.25 3.84
SCE = 41.06667 8 CME= 5.133333
SCT = 806.9333 14 CMT= 57.6381
Análisis de varianza de dos factores con una sola muestra por grupo
Página 24 de 71
RESUMEN Cuenta Suma Promedio Varianza
Fila 1 5 353 70.6 9.3
Fila 2 5 357 71.4 9.3
Fila 3 5 362 72.4 19.3
Fila 4 5 363 72.6 6.8
ANÁLISIS DE VARIANZA
Grados F
Fuente de Suma de de Cuadrados Fc Probabilidad tablas
variación Cuadrados libertad medios Valor P
Filas 12.95 3 4.32 2.38 0.12 3.49
Columnas 157 4 39.25 21.61 2.06E-05 3.26
Error 21.8 12 1.82
Total 191.75 19
Total 231 24
Utilice 0.05 para calcular si hay diferencias entre los efectos de las columnas y los
renglones.
Introducir los datos arreglados con las respuestas en una sola columna e indicando a
que renglón y columna pertenece cada uno de estos, como sigue:
Página 25 de 71
68 2 1
67 2 2
68 2 3
71 2 4
74 3 1
75 3 2
78 3 3
75 3 4
71 4 1
72 4 2
73 4 3
75 4 4
67 5 1
70 5 2
68 5 3
69 5 4
Instrucciones:
Graphs
Seleccionar Normal plot of residuals
OK
Resultados:
La gráfica normal de residuos debe mostrar los residuos aproximados por una recta para
validar el modelo:
Los residuos se aproximan a la distribución normal por lo cual se concluye que se está
utilizando un modelo válido.
Página 26 de 71
Normal Probability Plot of the Residuals
(response is Resp)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Residual
Source DF SS MS F P
Agente Químico 3 12.95 4.3167 2.38 0.121
Rollo 4 157.00 39.2500 21.61 0.000
Error 12 21.80 1.8167
Total 19 191.75
Página 27 de 71
5 68.50 (-----*-----)
--+---------+---------+---------+-------
67.5 70.0 72.5 75.0
Página 28 de 71
4. DISEÑOS FACTORIALES
Muchos experimentos se llevan a cabo para estudiar los efectos producidos por dos
o más factores. Puede mostrarse que en general los diseños factoriales son los más
eficientes para este tipo de experimentos. Por diseño factorial se entiende aquel en el
que se investigan todas las posibles combinaciones de los niveles de los factores en cada
ensayo completo o réplica del experimento. Por ejemplo, si existen “a” niveles del factor
A y “b” niveles del factor B, entonces cada réplica del experimento contiene todas las
“ab” combinaciones de los tratamientos. A menudo, se dice que los factores están
cruzados cuando éstos se arreglan en un diseño factorial.
Factor B
B1 B2
A1 20 30
Factor A
A2 40 52
40 52 20 30
A 21
2 2
30 52 20 40
B 11
2 2
Página 29 de 71
Si los factores tienen más de dos niveles, el procedimiento anterior debe ser modificado
ya que las diferencias entre las respuestas promedio pueden expresarse de muchas
formas.
Factor B
B1 B2
A1 20 40
Factor A
A2 50 12
Puede observarse que existe una interacción entre los factores A y B porque el efecto
de A depende del nivel elegido de B.
60
B2
50
B1
Respuesta
40
30 B2
20
B1
10
A1 A2
Factor A
Figura 1 Un experimento factorial sin interacciones
Página 30 de 71
En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que existe una
interacción entre A y B. Sin embargo, no debe ser la única técnica para analizar los datos,
porque su interpretación es subjetiva y su apariencia, a menudo, es engañosa.
60 B1
50
B2
Respuesta
40
30
20
B1
10 B2
A1 A2
Factor A
Hay que notar que cuando una interacción es grande los correspondientes efectos
principales tienen poco significado práctico. Una estimación del efecto principal de A de
los datos de la Tabla 2 es:
50 12 20 40
A 1
2 2
El cual resulta ser muy pequeño corriéndose el riesgo de concluir que no existe un efecto
debido a A. Sin embargo, cuando se examinó el efecto de A en niveles diferentes de B
se concluyó que éste no era el caso. El factor A tiene un efecto, pero depende del nivel
del factor B. En otras palabras, es más útil conocer la interacción AB que el efecto
principal. Una interacción significativa oculta a menudo el significado de los efectos
principales.
Las ventajas de los diseños factoriales pueden ilustrarse fácilmente. Supongamos que se
tienen dos factores, A y B, cada uno con dos niveles. Estos niveles se representan
mediante A1, A2, B1 y B1. La información acerca de ambos factores puede obtenerse
variando un factor a la vez como aparece en la tabla 3. El efecto de variar el factor A está
dada por A2B1 -A1B2. A causa de que existe error experimental, es conveniente realizar,
por ejemplo, dos observaciones de cada combinación de tratamientos y hacer una
estimación de los efectos de los factores usando las respuestas promedio. Por lo tanto,
se requiere un total de seis observaciones.
Página 31 de 71
Factor B
B1 B2
A1 A1B1 A1B2
Factor A
A2 A2B1 12
Los diseños factoriales son necesarios cuando alguna interacción puede estar
presente, para evitar hacer conclusiones engañosas.
Ejemplo 1 Considérese una investigación llevada a cabo para estudiar el efecto que tiene
la concentración de un reactivo y la presencia de un catalizador sobre el tiempo de
reacción de un proceso químico. Sea la concentración del reactivo el factor A con dos
niveles de interés, 15% y 20%. El catalizador constituye el factor B; el nivel alto o superior
denota el uso de dos sacos de catalizador y el nivel bajo o inferior denota el uso de un
solo saco. El experimento se realiza (“replica o repite”) tres veces, y los datos son como
sigue:
Página 32 de 71
Combinación de Replica
tratamientos I II III Total
A baja, B baja 28 25 27 80
A alta, B baja 36 32 32 100
A baja, B alta 18 19 23 60
A alta, B alta 31 30 29 90
b = 60(18+19+23) ab = 90(31+30+19)
Cantidad de catalizador B
Alto (2 sacos) +
bajo (1 saco) -
(1) = 80(28+25+27) a = 100(36+32+32)
- +
bajo (15%) alto (20%)
Concentracion de reactivo A
Figura
Fig. 3 1: Combinaciones de tratamiento en el diseño factoriall
Así
Página 33 de 71
“ab” representa a ambos factores en el nivel superior.
Por convención (1) se usa para representar a ambos factores en el nivel inferior.
El efecto promedio de un factor se define como el cambio en la respuesta
producida por un cambio en el nivel de ese factor, promediado sobre los niveles
del otro factor.
Como se ilustra en la figura 3, las letras minúsculas (1), a, b y ab también se usan para
representar los totales de las n replicas de las combinaciones de tratamientos
correspondientes. Ahora bien, el efecto de A en el nivel B es {a-(1)}/n. Mientras que el
nivel superior B es {ab-b}/n. Tomando el promedio de estas dos cantidades se obtiene:
1 1
A ab b a (1) ab a b (1)
2n 2n
B
1
ab a b (1) 1
ab b - a (1)
2n 2n
AB
1
ab b a (1) 1
ab (1) a (b)
2n 2n
Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B en
el nivel superior de A y el efecto de B en el nivel inferior de A.
Las formulas para los efectos de A, B y AB pueden deducirse por otro método. El efecto
de A puede hallarse como la diferencia en la respuesta promedio de las dos
combinaciones de tratamiento en la mitad derecha (que llamaremos Y A+, puesto que
es la respuesta promedio para las combinaciones de tratamientos a las que A que se
encuentra en el nivel alto) y las dos combinaciones de tratamientos en la mitad izquierda
(o Y A). Esto es,
Página 34 de 71
A YA YA
ab a b (1)
2n 2n
1
ab a b (1)
2n
B YB YB
ab b a (1)
2n 2n
1
ab b a (1)
2n
ab (1) ab
AB
2n 2n
1
ab (1) a b
2n
Con los datos que aparecen en la figura 1, las estimaciones de los efectos promedio son:
Página 35 de 71
A
1
90 100 60 80 8.33
2(3)
B
1
90 60 100 80 5.00
2(3)
AB
1
90 80 100 60 1.67
2(3)
ContrasteA ab a b (1)
SSc 1
aciyi. 2 na ci2
a .
Esta ecuación establece que la suma de cuadrados de contraste es igual al contraste
elevado al cuadrado entre el producto del número de las observaciones de cada total
del contraste por la suma de cuadrados de los coeficientes del mismo. En consecuencia,
se obtiene que las sumas de cuadrados de A, B y AB sean:
Página 36 de 71
SSA
ab a b (1)
2
n*4
SSB
ab b a (1)
2
n*4
SSAB
ab (1) a b
2
n*4
Con los datos de la figura 3, las sumas de cuadrados se pueden calcular aplicando las
ecuaciones anteriores, obteniéndose:
2
50
SSA 208.33
4(3)
2
30
SSB 75.00
4(3)
2
10
SSAB 8.33
4(3)
2
2 Y ...
SST i21 2j1 n
k 1 Y ijk
4n
En general SST tiene 4n –1 grados de libertad. La suma de cuadrados del error, con 4(n-
1) G.L. se puede calcular en la forma usual, por diferencia, mediante.
2
2 2 3 2 Y
SS E Yijk 9398.00 9075.00 323.00
i1j1k 1 4(3)
SS E SS T SS A SS B SS AB
Página 37 de 71
El análisis de varianza completo se presenta en la tabla siguiente. Ambos efectos
principales son significativos al 1%.
Efectos (1) a b Ab
A: -1 +1 -1 +1
B: -1 -1 +1 +1
AB: +1 -1 -1 +1
Fuente de
variación SS G.L. MS Fo
A 208.33 1 208.33 53.15a
B 75.00 1 75.00 19.13a
AB 8.33 1 8.33 2.13
Error 31.34 8 3.92
Total 323.00 11
a significativo al 1%
(1) + - - +
a + + - -
b + - + -
ab + + + +
Observe que los coeficientes de los contrastes usados para estimar la interacción son
iguales al producto de los coeficientes correspondientes a los dos efectos principales.
Los coeficientes de los contrastes siempre son +1 o –1 y se puede usar una tabla de
signos positivos y negativos como la mostrada en la de signos algebraicos para
determinar el signo apropiado de cada combinación de tratamientos. En el encabezado
Página 38 de 71
de las columnas de tabla y se encuentran los efectos principales (A y B), la interacción
AB, e I, que representa el total el total o el promedio de todo el experimento. Se observa
que la columna encabezada por I se compone de solo de signos positivos. Los renglones
corresponden a las combinaciones de tratamientos.
A
1
ab b a (1) 1
ab a b (1)
2n 2n
Los tipos más sencillos de diseños factoriales implican sólo dos factores o conjuntos de
tratamientos. Haya “a” niveles del factor A y “b” niveles del factor B, dispuestos en un
diseño factorial; esto es, cada A repetición o réplica del experimento contiene todas las
combinaciones de tratamiento ab. En general, hay n repeticiones.
Página 39 de 71
5. DISEÑOS DE EXPERIMENTOS FRACCIONALES DE
DOS NIVELES
Así por ejemplo cuando se tienen siete factores, existen 128 posibles condiciones
experimentales, lo que implica que al hacer una replicación por celda de todo el
experimento requiere un total de 128 observaciones. Si se decide tomar dos replicas por
celda, entonces serian necesarias 256 observaciones, lo cual es una cantidad excesiva
de pruebas para fines prácticos.
Por otro lado, se necesitan 128 observaciones para un experimento con 7 factores por
que se deben evaluar 127 posibles efectos (que son los grados de libertad totales en 128
observaciones) de estos efectos 7 son los factores principales, 21 interacciones de 2
factores, 35 de tres, 35 de cuatro, 27 de cinco en cinco, 7 de seis en seis y una interacción
de 7 factores. En general el número de interacciones de k factores tomados r en r es:
K!
r! (k r)!
El concepto de replicación fraccionada parte de las siguientes hipótesis:
Página 40 de 71
1. Las interacciones de tres o más factores son sumamente raras en la práctica, por
lo que en general se pueden suponer como no existentes.
Lo anterior implica que por ejemplo para siete factores son necesarios probablemente
solo 28 grados de libertad (7 factores principales y 21 interacciones de dos factores), y
esto equivale a solo 29 unidades de información y no 128 como en el experimento
original. Esto quiere decir que no es necesario el correr una replicación completa de
todo el experimento cuando el número de factores crece, sino solamente algunas
casillas o condiciones experimentales.
Cuando solamente una parte de las posibles casillas se prueban, se dice que se tiene una
replicación fraccionada del experimento.
Las preguntas que surgen son:
Considérese el caso en el que se estudian tres factores de dos niveles cada uno, pero en
el que los experimentadores no pueden costear las 23 = 8 combinaciones de
tratamientos, sin embargo, si se puede costear 4 observaciones. Esto sugiere una
fracción un medio, de un diseño 23. la fracción un medio del diseño 23 se conoce también
como un diseño 23-1 porque tiene 23-1 = 4 combinaciones de tratamiento.
En la tabla 1 aparecen signos positivos y negativos del diseño 23. Supóngase que para
componer la fracción un medio, se seleccionan las combinaciones de tratamientos se
usa indistintamente la notación convencional (a,b,c,...) y la de signos positivos y
negativos. La equivalencia de las dos notaciones se muestra a continuación.
Página 41 de 71
Notación 1 Notación 2
a + - -
b - + -
c - - +
abc + + +
Nótese que el diseño 23-1 se forma al seleccionar solo las combinaciones de tratamientos
que producen un signo positivo sobre la columna ABC. Por esto ABC se denomina
generador de una fracción particular. Además, la columna identidad I siempre es
positiva, por lo cual:
I = ABC
c ac
b ab
C
B
A
a (1 )
Página 42 de 71
Las combinaciones de tratamientos del diseño 23-1 producen 3 G.L. que pueden usase
para estimar los efectos principales. En la tabla 1 se muestra que las combinaciones
lineales de las observaciones que se utilizan para estimar los efectos principales A, B, y
C son:
LA 1/2(a b c abc)
LB 1/2( a b c abc)
LC 1/2( a b c abc)
LBC 1/2(a b c abc)
LAC 1/2( a b c abc)
LAB 1/2( a b c abc)
LA A BC,
LB B AC
LC C AB
La estructura de los alias de este diseño pueden determinarse fácilmente con la relación
I = ABC, multiplicando cualquier efecto por la relación que define al diseño, modulo 2,
da como resultado los alias de dicho efecto. En el ejemplo anterior, los alias son:
A = BC
Página 43 de 71
C*I = C*ABC = ABC2 = AB
Esta fracción un medio o semifracción, con I = +ABC, suele llamarse fracción principal.
Ahora supóngase que se eligió la otra mitad de la réplica. Esta se compone de las
combinaciones de tratamientos de la tabla 1 que tiene signo negativo asociado con ABC.
Esta fracción un medio o alterna que consta de las siguientes corridas:
Notación 1 Notación 2
(1) ---
ab ++-
ac +-+
abc -++
Usando la fracción alterna, las combinaciones lineales de las observaciones, L’A, L’B y
L’C, son:
L' A A BC
L' B B AC
L' C C AB
El diseño anterior 23-1 se conoce como diseño de resolución III. En tal diseño los alias de
los efectos principales son interacciones de dos factores. Un diseño es resolución R si
ningún efecto de p factores es alias de otro efecto que tenga menos R – p factores.
Usualmente, se emplea el numeral romano como subíndice para indicar la resolución
del diseño. Así, la fracción un medio del diseño 23 definido por la relación I = ABC (o bien
3 1
I = - ABC) constituye un diseño 2III .
Página 44 de 71
Los diseños de resolución III, IV y V son de importancia primordial. A continuación, se
presenta la definición de estos diseños junto con un ejemplo.
1. Diseño con resolución III: éstos son diseños en los que ningún efecto principal es
alias de otro, pero si lo son de las interacciones de dos factores; a su vez, estas
últimas son alias entre sí. El diseño 23-1 de la tabla 4.1 es de resolución III.
2. Diseño con resolución IV: En estos diseño ningún efecto principal es alias de otro
efecto principal, o bien, de alguna interacción de dos factores. Las interacciones
de dos factores son “alias” entre sí. Un diseño 24-1 con I = ABCD es de resolución
4 1
IV ( 2IV ).
3. Diseños resolución V: Estos son diseños en los que ningún efecto principal o
interacción de dos factores es alias de ningún efecto principal o interacciones
5 1
entre dos factores, un diseño 25-1 con I = ABCDE es de resolución V ( 2 V ).
Página 45 de 71
6. DISEÑOS DE EXPERIMENTOS FACTORIALES
COMPLETOS
Un ingeniero decide probar los tres materiales de la cubierta, único factor controlable a
tres niveles de temperatura (15, 70 y 125 °F) consistentes en el entorno de uso final del
producto. Se prueban cuatro baterías a cada combinación de material de la cubierta y
temperatura, y las 36 pruebas se ejecutan al azar.
Temperatura F
Tipo de material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
3 150 188 126 122 25 70
159 126 106 115 58 45
3 138 110 174 120 96 104
168 160 150 139 82 60
Este diseño es un ejemplo específico del caso general de un diseño con dos factores
(bifactorial). Para pasar al caso general, sea Yijk la respuesta observada cuando el factor
A se encuentra en el i-ésimo nivel (i -1, 2,..., n). En general, los datos observados se verán
Página 46 de 71
como en la tabla 2. El orden en el cual se toman las abn observaciones es aleatorio, de
modo que éste es un diseño completamente aleatorizado.
i 1,2,..., a
Yijk μ τi βj τβ ij εijk j 1,2,...,b
k 1,2,...,n
En donde es el efecto medio general, i es el efecto del i-ésimo nivel del factor renglón
A, j es el efecto del j-ésimo nivel del factor columna B, ()ij es el efecto de la
interacción entre i y j, ijk es el componente del error aleatorio. Inicialmente se
supone que ambos factores son fijos y que los efectos de tratamiento se definen como
desviaciones de la media general, por lo tanto. ia1τi 0; bj1βj 0 Se supone que los
efectos de interacción son fijos y que se definen dé manera que: ia1τβ ij 0 . Hay un
total de abn observaciones porque se realizan n réplicas.
Ho : τ1 τ2 ...τa 0
H1 : al menos una τi 0
Página 47 de 71
Y de la igualdad de los efectos de tratamiento de columna:
Ho : β1 β2 ...βb 0
H1 : al menos una βj 0
Sea Yi..; el total de las observaciones bajo el i-ésimo nivel del factor A; Y.j. El total de las
observaciones bajo el j-ésimo nivel del factor B, Yij. El total de las observaciones de la ij-
ésima celda, e Y... el total general de todas las observaciones. Se definen
Yi..; Y.j. y Yij. y Y... como los promedios de renglón, columna, celda y general,
respectivamente, matemáticamente:
b n Yi..
Yi.. Yijk Yi.. ; i 1,2,..., a
j1k 1 bn
a n Y.j.
Y.j. Yijk Y.j. ; j 1,2,...,b
i1k 1 an
n Y... i 1,2,...,a
Yij. Yijk Yij. ;
k 1 n j 1,2,...,b
a b n Y...
Y... Yijk Y...
i1j1k 1 abn
Página 48 de 71
b
n
k 1
2
Yijk Y...
j1
a
i1
a b n Yi.. Y...
Y.j. Y... Yij. Y... Y.j Y...
2
i1j1 k 1
Yijk Yij.
a b n
2
Yijk Y...
i1j1 k 1
a 2 b 2 a b 2
bn Yi.. Y... an Y.j. Y... n Yij. Yi.. Y.j. Y...
i1 j1 i1j1
a b n
Yijk - Yij.
i1j1 k 1
2
Dado que los seis productos cruzados del segundo miembro de la ecuación anterior son
iguales a cero. Se observa que la suma total de cuadrados se ha descompuesto en una
suma de cuadrados debida a los “renglones” o al “factor” A (SSA) en una suma de
cuadrados debida a las "columnas" o al factor B (SSB), en una suma de cuadrados debida
a la interacción entre A y B (SSAB), y en una suma de cuadrados debida al error (SSE):
Analizando el último término del miembro derecho de la Ecuación anterior es posible
observar que es necesario tener al menos dos réplicas (n 2) para poder obtenerla suma
de cuadrados del error.
Página 49 de 71
Esta descomposición del total de abn -1 grados de libertad para las sumas de cuadrados
se puede justificar como sigue: Los efectos principales de A y B tienen a y b niveles,
respectivamente, por lo tanto, tienen a -1 y b -1 grados de libertad como se muestra.
Se observa que la suma de los grados de libertad de los términos del miembro derecho
de la ecuación anterior es igual al total de los grados de libertad.
Cada suma de cuadrados dividida entre sus grados de libertad produce una media de
cuadrados.
Por lo tanto, para probar el significado de ambos efectos principales, así como de su
interacción, simplemente deben dividirse las medias de cuadrados correspondientes
entre la media de cuadrados del error. Valores grandes de estas razones implican que
los datos no concuerdan con las hipótesis nulas.
Si se considera que el modelo estadístico es adecuado y que los términos del error ijk
son independientes con distribuciones normales con variancia constante 2, entonces
las razones de las medias de cuadrados MSA/MSE, MSB/MSE y MSAB/MSE tienen
distribución F con a -1, b- 1 y (a -1)(b -1) grados de libertad en el numerador,
respectivamente, y ab(n -1) grados de libertad en el denominador. Las regiones críticas
corresponden al extremo superior de la distribución F. Usualmente la prueba se
presenta en una tabla de análisis de variancia como la que aparece en la tabla 2.
Fuente de
Variación SS G.L. MS Fo
Tratamientos A SSA a - 1 MS A MSA
SS A MSE
a 1
Tratamientos B SSB b - 1 MSB MSB
SSB MSE
b 1
Página 50 de 71
Interacción SSAB (a - 1)(b - 1) MSAB MSAB
SSAB MSE
(a 1)(b 1)
Error SSE ab(n-1) MSB
SSE
ab(n 1)
Total SST abn - 1
Es posible obtener las fórmulas para calcular las sumas de cuadrados de la ecuación
anterior. La suma total de cuadrados se calcula en forma usual mediante:
2
a b n 2 Y ...
SST Y ijk
i1j1k 1 abn
2 2
a Y i.. Y ...
SSA
i1 bn abn
2 2
b Y .j. Y ...
SSB
j1 an abn
2 2
a b Y ij. Y ...
SSsubtotales
i1j1 n abn
Esta suma de cuadrados contiene a la SSA y SSB. Por lo tanto, la segunda etapa consiste
en calcular SSAB mediante:
Página 51 de 71
La SSE se calcula por diferencia:
Página 52 de 71
2
a b n 2 Y ...
SST Y ijk
i1j1 k 1 abn
2
2 2 2 2 3799
130 155 74 ... 60 77,646.97
36
2 2
a Y i.. Y ...
SSmaterial
i1 bn abn
2 2 2 2
998 1300 1501 3799
10,683.72
(3)(4) 36
2 2
b Y .j. Y ...
SStemperat ura
j1 an abn
2 2 2 2
1738 1291 770 3799
39,118.72
(3)(49 36
2 2
a b Y ij. Y ...
SSinteraccion
i1j1 n abn
2 2 2 2
539 229 ... 342 3799
10,683.72
4 36
39,118.72 9,613.78
18,230.75
Página 53 de 71
Fuente de variación SS G.L. MS Fo
Tipo de material 10,683.72 2 5,341.86 7.91
Temperatura 39,118.72 2 19,558.36 28.97
Interacción 9,613.78 4 2,403.44 3.56
Error 18,230.75 27 675.21
Total 77,646.97 35
175
150
Duracion promedio
125
Yij. 100
Material tipo 3
75
50 Material tipo 1
Material tipo 2
25
15 70 125
Tempera tura
El hecho de que las rectas no sean paralelas indica una interacción significativa. En
general, a menor temperatura mayor duración, independientemente del tipo de
material.
Página 54 de 71
Al variar la temperatura de baja a intermedia, la duración aumenta con el material tipo
3, mientras que disminuye con los materiales tipo 1 y 2,
Página 55 de 71
7. DISEÑO DE EXPERIMENTOS TAGUCHI
7.1 Introducción
De estas tres etapas, la más importante es el diseño de parámetros cuyos objetivos son:
a) Identificar qué factores afectan la característica de calidad en cuanto a su magnitud
y en cuanto a su variabilidad.
b) Definir los niveles “óptimos” en que debe fijarse cada parámetro o factor, a fin de
optimizar la operación del producto y hacerlo lo más robusto posible.
c) Identificar factores que no afectan substancialmente la característica de calidad a fin
de liberar el control de estos factores y ahorrar costos de pruebas.
Taguchi ha propuesto una alternativa no del todo diferente que se que conoce como:
Arreglos Ortogonales y las Gráficas Lineales.
Página 56 de 71
La (b)C
Donde:
a = Representa el número de pruebas o condiciones experimentales que se tomarán.
Esto es el número de renglones o líneas en el arreglo.
b = Representa los diferentes niveles a los que se tomará cada factor.
c = Es el número de efectos independientes que se pueden analizar, esto es el número
de columnas.
F A C T O R E S (c)
No. (a) A B C Resultado
1 1 1 1 Y1
2 1 2 2 Y2
3 2 1 1 Y3
4 2 2 1 Y4
tenemos el siguiente:
De acuerdo con la notación empleada por Taguchi al arreglo mostrado como ejemplo,
se le llama un arreglo L4, por tener cuatro renglones.
En general, para un arreglo a dos niveles, el número de columnas (efectos o factores)
que se pueden analizar, es igual al número de renglones menos 1.
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos
niveles, los más utilizados y difundidos según el número de factores a analizar son:
Página 57 de 71
El arreglo ortogonal más popular es el arreglo L8, que se muestra a continuación junto
con sus gráficas lineales:
Matriz o
tabla de
interacciones
Columnas 1 2 3 4 5 6 7
1 (1) 3 2 5 4 7 6
2 (2) 1 6 7 4 5
3 (3) 7 6 5 4
4 (4) 1 2 3
5 (5) 1 2
6 ¡(1) 6
7 (7)
1 3 2
3 5
1
.7 5 4
6
2 6 4
(a)
(b) 7
Gráficas lineales
Página 58 de 71
Los pasos para un diseño de experimentos de parámetros en el caso de menor es
mejor son:
Página 59 de 71
El factor de ruido introducido artificialmente es permanganato de potasio.
Factores de ruido Nivel 1 Nivel 2 Nivel 3
N Conc. De KMnO4 0.00375 0.0375 0.075
Se asume que no hay interacciones por lo que se puede utilizar un arreglo L9,
realizando los experimentos se obtienen los datos siguientes con dos réplicas en cada
nivel del factor de ruido:
1 n
S / N 10 log yi2
n i1
A1 = Y1 + Y2 + Y3
A2 = Y4 + Y5 + Y6
A3 = Y7 + Y8 + Y9
Página 60 de 71
B1 = Y1 + Y4 + Y7
B2 = Y4 + Y5 + Y8
B3 = Y3 + Y6 + Y9
B12 B22 B33
SSB CF
3
(Y1 Y2 .... Y9 ) 2
CF
9
S = *
Página 61 de 71
Linear Model Analysis: Means versus A, B, C, D
Estimated Model Coefficients for Means
Term Coef
Constant 25.2281
A 1 -5.8598
A 2 0.2819
B 1 -6.1548
B 2 -8.3748
C 1 33.5124
C 2 -9.6215
D 1 8.4707
D 2 0.1513
S = *
Página 62 de 71
Main Effects Plot (data means) for SN ratios
A B
-10
-20
Mean of SN ratios
-30
-40
1 2 3 1 2 3
C D
-10
-20
-30
-40
1 2 3 1 2 3
Signal-to-noise: Smaller is better
45
30
15
Mean of Means
0
1 2 3 1 2 3
C D
60
45
30
15
0
1 2 3 1 2 3
5.70044 -10.5261
Factor levels for predictions
A B C D
1 1 3 2
Página 63 de 71
8. REGRESIÓN Y CORRELACIÓN LINEAL
8.1 Introducción
Son dos herramientas para investigar la dependencia de una variable dependiente Y en
función de una variable independiente X. Y = f(X)
Regresión lineal - La relación entre X y Y se representa por medio de una línea recta
Regresión curvilinea - La relación entre X y Y se representa por medio de una curva.
Y * *
** * * * *
* * * *
* b1 * * * *
* * * *
* * * * * *
b0
Correlación positiva Correlación negativa X
Sin correlación
Y 0 1 X .........Con.base.en.la. población
Y b0 b1 X e...........Con.base.en.datos.de.la.muestra
´*
Y b0 b1 X ................Modelo.de.regresión .estimada
El término de error es la diferencia entre los valores reales observados Yi y los valores
estimados por la ecuación de la recta. Se trata de que estos sean mínimos, para lo cual
se utiliza el método de mínimos cuadrados.
Página 64 de 71
*
Y Error Re siduo (Yi Yi )
*
X
Se trata de minimizar la suma de todos los errores o residuos:
Página 65 de 71
Y
Yest = 4.4 + 1.08 X
Yi = 23 * Desviación no explicada
Error = (Yi - Yest) = 1.32
Variación total
(Yi-media)=5.13 Desviación explicada
(Yest-Ymedia) = 3.81
Ymedia =17.87
X = 16 X
Página 66 de 71
1 10.30 135.625472 52.4176 350.9178 8.0172 5.2111
10 34.93 10.379072 3.0976 34.7770 34.1416 0.6216
15 46.59 118.686672 45.6976 308.2553 48.6551 4.2646
15 44.88 107.127072 45.6976 251.1337 48.6551 14.2512
16 54.12 194.676672 60.2176 629.3676 51.5578 6.5649
17 56.63 241.751472 76.7376 761.6054 54.4605 4.7068
6 22.13 15.462272 5.0176 47.6486 22.5307 0.1606
5 21.15 25.540272 10.4976 62.1385 19.6280 2.3164
206 725.82 2,027.7132 698.5600 6,105.9447 220.0926
SX SY Sxy Sxx Syy = SST SSE
X promedio Y Promedio SXi-X)*(Yi-Y) S(Xi-X)^2 S(Yi-Y)^2
Sxy Sxx Syy
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería y =
a + bx. Como la correlación no siempre es perfecta, se calculan a y b de tal forma que se
minimice la distancia total entre puntos y la recta. Los cálculos tomando las sumas de
cuadrados siguientes se muestran a continuación:
Sxy = 2027.71
Sxx = 698.56
Syy = 6105.94
b1 ̂1
( Xi X )(Yi Y ) S XY
= 2.902704421
( Xi X ) 2
S XX
b0 ˆ0
Y i ˆ1 X i
Y ˆX = 5.114515575
n
Página 67 de 71
SSE ( SST SSE ) SSR
r2 1 = 0.9639
SST SST SST
r r 2 = 0.9816
Resumen
Estadísticas de la regresión
Coeficiente de
correlación múltiple 0.981811778
Coeficiente de
determinación R^2 0.963954368
R^2 ajustado 0.962387167
Error típico 3.093419627
Observaciones 25
Página 68 de 71
Grados de Valor crítico
libertad Cuadrados cuadrados F de F
Regresión 1 5885.852069 5885.852069 615.0800898 4.24118E-18
Residuos 23 220.0926348 9.569244992
Total 24 6105.944704
80.00
70.00
60.00 Y Tiempo
Y Tiempo
50.00
Pronóstico Y Tiempo
40.00
30.00 Lineal (Pronóstico Y
20.00 Tiempo)
10.00
0.00
0 5 10 15 20 25
X Servicios
Página 69 de 71
En Options: seleccionar Display Confidence (para media en X) y Prediction Intervals
para X.
En Graphs: Seleccionar Residual for plots Standardized y Normal Plot of residuals
La gráfica de residuos debe apegarse a la recta y tener siempre un valor P value
>0.05.
40
30
20
10
0
0 5 10 15 20
X Servicios
1 ( Xi X ) 2
Sy Se 1 ( Xi X ) 2
n SCx Syi Se 1
*
n SCx
IC. para. y!x Y est ± tSy *
IP . para .Yx Y est ± tSyi
Página 70 de 71
8.5 Ejercicios:
2. En base al porcentaje de puntualidad se trata de ver si hay correlación con las quejas
en una línea aérea. Las quejas son por cada 100000 pasajeros.
%puntos Quejas
Aerolinea X Y
A 81.8 0.21
B 76.6 0.58
C 76.6 0.85
D 75.7 0.68
E 73.8 0.74
F 72.2 0.93
G 70.8 0.72
H 68.5 1.22
Página 71 de 71