Analisis y Diseño de Experimentos

Diseo y Ensayo de Mquinas
TEMA III.
Anlisis y Diseo de Experimentos
Josu Aguirrebeitia
Javier Vallejo
2014
0 ESTRUCTURA DEL TEMA

Estructura deltema
1. Contrastesdehiptesis
endiseoyensayodemquinas
2. Anlisisdelavarianza
3. Diseospor bloques
4. Introduccin alosDiseos Factoriales
5. Anlisisderegresin
1CONTRASTES DE HIPTESIS
EN DISEO Y ENSAYO DE MQUINAS
Unejemplo paraempezar
Se tienen dos tipos diferentes de
Para cada uno de los montajes
accionamiento para mover el eje Z
se mide en micras el error por
de un gran centro de mecanizado
Acc A: Pin cremallera doble.
Opcin cara.
Acc B: Husillo de bolas.
Opcin barata.
Se quiere decidir cual de ellos

utilizar para su fabricacin en serie,
de tal forma que se seleccionar
aqul que d menor coste si se
puede probar que el error es el
mismo. Para ello, se montan los
dos tipos de accionamientos en un
prototipo de ensayos
defecto cometido para un

desplazamiento terico de un
metro a carga mxima. Se
toman 10 medidas para cada
montaje alternando el orden de
montaje con el objeto de
eliminar cualquier fuente de
error por ensayar en bloque los
dos accionamientos. Por tanto:
ABABABABABABABABABAB
ACC-A
ACC-B
8,4
8,5
8,5
9,1
9,6
8,3
9,5
8,8
9,3
8,4
10,3
10,4
9,8
8,8
9,1
10,5
9,3
10
10
9,9
Qu accionamiento dirais que comete menor error?
ACC-A
ACC-B
8,4
8,5
8,5
9,1
9,6
8,3
9,5
8,8
9,3
8,4
10,3
10,4
9,8
8,8
9,1
10,5
9,3
10
10
9,9
Parece que el valor medio es mayor en el

accionamiento B que hay de la desviacin?
ACC-A
ACC-B
8,4
8,5
8,5
9,1
9,6
8,3
9,5
8,8
9,3
8,4
10,3
10,4
9,8
8,8
9,1
10,5
9,3
10
10
9,9
Ms o menos la misma con que probabilidad

podramos asegurar que los dos accionamientos
son similares en cuanto a su error?
Enunciado deloscontrastes dehiptesis
Las tcnicas estadsticas de contraste

Al realizar la prueba de hiptesis
de hiptesis pueden ayudarnos de
se pueden cometer dos tipos de
forma sistemtica y objetiva en la tarea
errores:
de decidir estas cuestiones.
Error de tipo I. Es el error que se
Estas tcnicas se basan en contrastar
comente cuando se rechaza la
una hiptesis principal o nula frente
hiptesis nula y en realidad es
a una hiptesis alternativa.
verdadera. A la probabilidad de
cometer este error se la denomina
En el caso del ejemplo anterior se
Error de tipo II. Es el error que se
quiere contrastar el hecho de que los
comete cuando no se rechaza la
valores medios de los errores cometidos
hiptesis nula y en realidad es
por los dos tipos de accionamiento son
falsa. A la probabilidad de cometer
los mismos (hiptesis nula, H0) frente al
error de tipo II se la denomina .
hecho de que no lo sean (hiptesis
Relacionado con este valor, suele
alternativa, H1). Formalmente,
definirse lo que se conoce como la
H0: A= B
Potencia de la prueba, que es la
H1: A B (en el ejemplo
probabilidad de rechazar la hiptesis
plantearemos A< B)
nula cuando es falsa: Pot=1-
Enunciado deloscontrastes dehiptesis
El procedimiento general de la En el ejemplo anterior
Para optar por la solucin ms barata, se
prueba de hiptesis consiste en
Especificar un valor bajo para la
probabilidad de rechazar la
hiptesis nula siendo en realidad
verdadera, . A esto se le
denomina significacin de la
prueba.
Disear un procedimiento para
asegurar un valor pequeo de la
probabilidad de aceptar la
hiptesis nula siendo en realidad
falsa, , o lo que es lo mismo, para
asegurar un valor alto para la
potencia de la prueba 1- .
especifica una probabilidad de nicamente

=0,05 de rechazar que las medias sean
iguales en caso de que realmente lo sean.
Se parte de un nmero total de 10 muestras
por cada tipo de accionamiento.
Si se ha rechazado que las medias sean
iguales, elegimos la opcin ms cara. Sin
embargo, en caso de que se haya aceptado
se calcular la probabilidad de que en
realidad las medias sean diferentes.
Si esa probabilidad es inferior al valor
establecido para , se da por bueno el
diseo de la prueba. Si no, se calcular el
nmero de muestras necesarias para
asegurarlo...
Prueba tpara probar laigualdad demedias
La prueba-t o t-test ha demostrado ser una

herramienta potente para el contraste de
valores medios de poblaciones
En el caso en que se acepte que la desviacin
tpica de las dos poblaciones que se quieran
contrastar sea la misma, y las muestras estn
completamente aleatorizadas, se calcula la
variable t0 como:
=
Distribucin t
siendo SP la estimacin de desviacin

tpica comn y mA, mB las estimaciones de los
valores medios A y B:
1
1
=
+
2
solo se rechazar la hiptesis nula si:
> ,
caso de dos colas
< ,
caso de cola izquierda
del ejemplo
.
La variable t0 seguir una distribucin t de

student de nA+nB-2 gdl, slo en el caso de
que las medias sean iguales!!
La prueba-t o t-test ha demostrado ser una

herramienta potente para el contraste de
valores medios de poblaciones
En el caso en que se acepte que la desviacin
tpica de las dos poblaciones que se quieran
contrastar sea la misma, y las muestras estn
completamente aleatorizadas, se calcula la
variable t0 como:
=
Distribucin t
siendo SP la estimacin de desviacin

tpica comn y mA, mB las estimaciones de los
valores medios A y B:
1
1
=
+
2
solo se rechazar la hiptesis nula si:
> ,
caso de dos colas
< ,
caso de cola izquierda
del ejemplo
.
k=nA+nB-2
/2
,
,
/2
,
k=18
mA=8,8 , sA=0,5
mB=9,8 , sB=0,6
SP=0,55
t0=-4,07
, , =1,734
Por tanto, como t0 es menor que

- . , entonces se ha de
rechazar la hiptesis nula, es
decir, que las medias sean
iguales. En realidad tendremos
que aceptar que las medias de las
dos poblaciones son diferentes.
Siguiendo conel
ejemplo
0,05
-4
= -4,07
= -1,734
En este momento puede surgir la siguiente

pregunta: si la diferencia de medias tiene
en realidad un valor determinado, con una
desviacin tpica determinada, cual sera la
probabilidad de aceptar la igualdad de
medias no siendo esto cierto? Esto es
precisamente la probabilidad de cometer
error de tipo II. Vamos a ello
Clculo del error del tipo II
Supuesto igualdad de
medias
Supuesta una
diferencia dada de
medias
Supuesta otra
diferencia dada de
medias
Supuesta otra
diferencia dada de
medias
t=
Distribuciones t desplazadas
Para calcular el error de tipo II ante

diferentes distribuciones conocidas
de la diferencia de medias, se
disponen las distribuciones de
probabilidad para dichas
diferencias, y se calculan las
probabilidades asociadas a la
aceptacin de la hiptesis nula,
delimitadas por el valor t cuya
probabilidad es .
Esto se hace tambin para varios
valores de nA y nB, (nA=nB en este
caso) de tal forma que sale un haz
de curvas dependiente de la media
supuesta y del nmero de muestras.
A dichas curvas se las denomina
curvas OC (Operating
Characteristic Curves)
Curvas OC
(OPERATING CHARACTERISTICS)
Curvas OC
Estas curvas son tiles a la hora de
determinar la probabilidad de error
de tipo II para un nmero
determinado de individuos de
ensayo o bien para obtener el
nmero de individuos mnimo
necesario para asegurar una
probabilidad de cometer error de
tipo II predefinido.
Para el ejemplo anterior,
supongamos que queremos calcular
la probabilidad de aceptar
errneamente la igualdad de
medias, suponiendo que en
realidad existe una diferencia de
1.0 entre dichas medias (lo que se
desprende del valor real de la
diferencia de medias poblacional)
El valor de la desviacin tpica de

la poblacin no lo tenemos, pero
vamos a suponer que aceptamos
la media entre las desviaciones
poblacionales de los dos
accionamientos, 0,55.
Por tanto, (m1-m2)/=1,82.
Entrando en las curvas OC para
n1=n2=10, sto arroja un valor de
= 0,01.
Si quisiramos saber qu
poblacin sera suficiente para
asegurar una probabilidad por
ejemplo de =0,05, entrando a las
curvas, tendramos n1=n2=7
Intervalo de confianza para la
diferencia de medias
En ocasiones, ms que contrastar
hiptesis de que las medias vayan
a ser iguales, suele ser ms til
establecer unos valores
frontera ms all de los cuales la
diferencia de medias
tiene una probabilidad muy
baja de existir.
En ese caso, la variable
sigue una distribucin t(n1+n2-2)
Para el caso del ejemplo
mA=8,8 , sA=0,5
mB=9,8 , sB=0,6
SP=0,55
=0,1:
t/2,n1+n2-2=1,734
1,734<
<1,734
1,4265< <0,5735
Prueba chipara probar unvalordelavarianza
En ocasiones suele ser necesario

contrastar las variabilidades en el
desempeo de componentes,
subsistemas mquinas,
En los sistemas de accionamiento como
el del ejemplo, puede ser interesante
contrastar tambin la variabilidad de los
errores. A mas variabilidad, ms
incertidumbre en la posicin.
Puede ser interesante en este caso
contrastar, si a la vista de los datos, las
desviaciones tpicas de ambas
poblaciones pueda ser igual a un valor
admisible dado para la variabilidad:
2 =
H0:
0
2
2
H1: 0
Se puede demostrar que el cociente

entre la varianza muestral y la
varianza de contraste, multiplicada
por (n-1) sigue una distribucin chicuadrada con n-1 gdl.
En este caso, se calcula la variable:
1
=
La hiptesis nula deber ser

rechazada si:
> ,( )
o bien
<
,(
Prueba chipara probar unvalordelavarianza
Pongamos que los sistemas de

accionamiento sern admisibles si se
demuestra una desviacin tpica de 0,4 con
un nivel de significancia =0,1.
Para el accionamiento A:
H0: A2= 20
H1: A2> 20

,
. ,
,
,
= 14,06
Func.
de
prob.
acum.
OK
= 14,7
Y su intervalo de confianza:
Para el accionamiento B:
Func.
de
dens.
prob.
H0: B2= 20
H1: B2> 20

,
. ,
,
,
= 20,25
= 14,7
NO-OK
Prueba Fpara probar igualdad devarianzas
Otro caso interesante puede
surgir a la hora de querer
contrastar una igualdad de
varianzas
entre
dos
poblaciones. En este caso,
parece que procede el
siguiente
contraste
de
hiptesis:
H0: 2A= 2B
H1: 2A2B
Se puede demostrar que la

razn de varianzas muestrales
sigue una distribucin F de
Snedecor con (nA-1), (nB-1) gdl,
con lo que se calcula la variable
=
y se demuestra que la
hiptesis
nula
debe
ser
rechazada si
<
,
,
o bien si
>
Prueba Fpara probar igualdad devarianzas
En este caso la hipotesis alternativa
que se va a proponer es H1: 2A<2B
con lo que se contrastar con =0,1 si
<
= 0,4, en cuyo
,
,
caso se rechazara.
,
,
= 0,7 > 0,4, luego no
se puede rechazar que las varianzas

sean las mismas.
Las pruebas de hiptesis de
varianzas tambin llevan aparejadas
unas curvas OC que aparecen en la
literatura.
Contrastes endiseos pareados
Hay ocasiones en que los
resultados de los ensayos
sobre los que hay que
contrastar las hiptesis estn
llevados a cabo en distintas
unidades experimentales.
Pongamos por caso en
siguiente ejemplo: Se quiere
comprobar
que
dos
durmetros (dispositivos que
proporcionan una indentacin
en una muestra de material)
dan la misma lectura de
dureza
(profundidad
de
indentacin, en micras) en
varias probetas de acero
nitrurado.
Si quieren hacerse 10 medidas de dureza en cada

mquina, habra en principio que disponerse de
20 probetas de material, 10 para cada mquina.
Pero ahora supongamos que las probetas puedan
tener una diferencia de caractersticas de dureza,
debido a que provienen de diferentes lotes, por
ejemplo.
En ese caso, la variabilidad del material entrara
a formar parte de los resultados del ensayo y
podran contaminar el contraste.
Por ello, convendra ensayar la misma probeta
con las dos mquinas para eliminar ese error.
Sera suficiente el empleo de 10 probetas, a
ensayar con las dos mquinas, de tal manera que
se evaluara la poblacin diferencia de medidas
A este diseo se le denomina Diseo Pareado y
es un caso particular del Diseo por bloques
que se vera ms adelante
PROB
DUR - A
DUR - B DIF B-A (d)
3,4
4,0
0,6
5,1
5,3
0,2
3,9
4,1
0,2
5,0
5,0
6,1
6,6
0,5
4,1
4,0
0,1
2,9
3,1
0,2
5,1
5,9
0,8
7,0
7,1
0,1
10
3,2
3,7
0,5
En la representacin grafica se observa

que si bien las distribuciones de medida
absoluta son bastante parecidas, no es as
en la distribucin diferencia, puesto que
se ha extrado la variabilidad proveniente
de las probetas.
Valores
absolutos
Valores diferencia
En este caso, si se hiciera
una prueba t normal, dara

como resultado que no hay
diferencia entre las lecturas,
puesto que la gran
dispersin existente entre

las probetas de material
oculta la verdadera
diferencia entre las medias
de las lecturas de dureza.
Para poder realizar esta
deteccin se plantea la
prueba:
H0: md= 0
H1: md 0 (en el ejemplo

se plantear md>0)
Esto se consigue planteando el valor:

=
Solo se rechazar la hiptesis de que la media
de las diferencias d sea nula si:
> ,
O bien en el caso del ejemplo,
> ,
En el ejemplo: md=0,3; sd=0,287; n=10; =0,1
t0=3,306
t0,1, 9=1,35
Por lo que la hiptesis nula se rechaza y por lo

tanto es probable que la lectura de dureza del
dispositivo A sea mayor que la del B.
2ANLISIS DE LA VARIANZA
Introduccin
En el primer ejemplo del

apartado anterior se ha
contrastado la hiptesis de que
dos tipos de accionamiento
dan el mismo error de
posicionamiento, frente a la
hiptesis de que uno da ms
error que otro.
Puede darse el caso de que en
vez de tener en cuenta 2
accionamientos se tengan 4.
Esto implicara realizar tantas
pruebas t como parejas se
puedan realizar, es decir,
4
=6 pruebas.
2
El realizar 6 pruebas t para comparar los 4

grupos de accionamientos puede hacer
incrementar el error de tipo I de forma notable,
es decir, se incrementa la probabilidad de
rechazar la igualdad de medias en caso de que
sea cierta.
Si para cada prueba se establece una
probabilidad de aceptar la igualdad de medias
siendo cierta de (1-0,1)=0,9, la probabilidad de
aceptarlo en las 6 pruebas se convierte en
0,96=0,53
Parece que se hace necesario un mtodo ms
global que establezca una hiptesis nula de
igualdad de todas las medias y una alternativa
en la que al menos un par no lo sea. Dicho
mtodo se conoce por el nombre de Anlisis de
la Varianza o ANOVA (ANalysis Of
VAriance)
Sigamos conotro ejemplo
Se quiere comparar 5 diseos diferentes de

juntas labiales para su uso en vlvulas de
bola motoactivadas utilizadas en la
industria Oil&Gas, concretamente en
tuberas de gas natural.
El punto de comparacin ser la prdida de
presin en un ensayo en el que se somete a
la unin a una presin de 20 bar, y se deja
al conjunto evolucionar durante 15
minutos, al cabo de los cuales se vuelve a
medir la presin.
Se montan de forma aleatoria n=12
muestras de cada uno de los a=5 diseos en
una vlvula de ensayos, y se realizan las
N=an=60 pruebas de presin pertinentes,
que arrojan los siguientes nmeros:
Prdidas
de presin
(mBar)
Muestras
1
2
3
4
5
6
7
8
9
10
11
12
Tipos de junta
A(1)
64
81
55
36
55
76
84
56
34
65
33
75
B(2) C(3) D(4)

56
43 26
47
37 71
77
52 59
87
54 62
63
71 44
81
53 80
66
33 65
72
65 32
77
55 22
57
52 65
90
39 34
75
60 36
E(5)
75
66
68
88
76
57
90
76
78
69
75
66
Representacion delosdatos
(1)
(2)
(3)
(4)
(5)
m1
m2
Mediasparciales ymediageneral
m5
m
m3
m4
Medias parciales
m1=59,5
m2=70,7
m3=51,2
m4=49,7
m5=73,7
m=60,9
Media general
(a-1)=4 gdl

Descomposicin delavariabilidad
2
= 5775
= 12051
= 17826
(N-1)=59 gdl
Cuanto menor sea SSG comparado con

SSE, con ms seguridad se aceptar la
hiptesis nula, es decir, la igualdad de
mediasvamos a ver como se formula
esto
(N-a)=55 gdl
Resulta que el cociente:

=
Sigue una distribucin F de Snedecor

de [(a-1),(N-a)] grados de libertad,
con lo que se rechazar la igualdad
de medias si:
> ,
,
En el caso de nuestro ejemplo:
5775
4 = 6,59
=
12051
55
Y para un grado de significacin
=0,05:
=2,54
, , ,
Criterio deaceptacin deH0

Con lo que en este caso se rechaza la
igualdad de medias.
Para = 6,59, el valor P es de
0,0002. Probabilidad muy baja de
aceptar la hiptesis nula.
=0,05
Presentacin delosresultados
ANOVA
Origendelas
variaciones
Sumade Gradosde Promediodelos

cuadrados libertad
cuadrados
Entregrupos
SSG
a1
MSG=SSG/(a1)
Dentrodegrupos
SSE
Na
MSE=SSE/(Na)
Total
SS
N1
F
=
Probabilidad
ValorP
FCrtico
,
,(
ANOVA(ejemplo)
Origendelas
variaciones
Entregrupos
Sumade
cuadrados
5775
Gradosde Promediodelos
F Probabilidad FCrtico
libertad
cuadrados
4
1444
6,59
0,0002
2,54
Dentrodegrupos
12051
55
Total
17826
59
219
El ANOVA requiere una

suposicin de normalidad, es decir,
que los errores se distribuyen de
forma normal.
Aunque segn muchos autores el
ANOVA es un mtodo robusto que
admite desviaciones sensibles de
normalidad, siempre conviene
graficar los errores para ver qu
pinta tienen.
Esto se puede hacer disponiendo los
errores en un papel de probabilidad
normal, en el que deberan
distribuirse en linea recta.
http://www.reliasoft.com/pubs/pape
r_normal.pdf
Comprobacin delmodelo
Existen multitud de tests que
permiten dilucidar si una
determinada secuencia de
sucesos sigue una distribucin
normal. Dos de los ms
conocidos son el test de
Shapiro-Wilks y el test de
Anderson-Darling. En la web
aparecen un montn de
calculadoras online, como por
ejemplo:
http://sdittami.altervista.org/sha
pirotest/ShapiroTest.html
Para el ejemplo de las juntas, y
utilizando el test de AndersonDarling:
http://faculty.missouri.edu/~gla
serr/3700s11/ADTest_Calculator.xls
Error:
yij-mj
Muestras
1
2
3
4
5
6
7
8
9
10
11
12
Tipos de junta
A(1)
4,5
21,5
4,5
23,5
4,5
16,5
24,5
3,5
25,5
5,5
26,5
15,5
B(2)
14,67
23,67
6,3333
16,333
7,667
10,333
4,667
1,3333
6,3333
13,67
19,333
4,3333
C(3)
8,167
14,17
0,8333
2,8333
19,833
1,8333
18,17
13,833
3,8333
0,8333
12,17
8,8333
D(4)
23,67
21,333
9,3333
12,333
5,667
30,333
15,333
17,67
27,67
15,333
15,67
13,67
E(5)
1,3333
7,667
5,667
14,333
2,3333
16,67
16,333
2,3333
4,3333
4,667
1,3333
7,667
Tambin suele ser conveniente
graficar los errores con respecto
de las variables ajustadas
(medias) y tambin con respecto
del tiempo en el que han sido
recopiladas, puesto que pueden
revelarse patrones debidos a
fuentes extraas que hacen variar
la variable a medir con respecto
del tiempo y que habra que
filtrar en un anlisis por bloques
que se ver posteriormente
Seleccindeltamaodemuestra
Clculo delerrordetipo II
Distribucin F
centrada
Supuesto F0=0
Para calcular el error de tipo II ante diferentes

distribuciones conocidas de F0, se dispone la
distribucin de probabilidad acumulada F no
centrada con grados de libertad (a-1), a(n-1)
delimitada por el valor cuya probabilidad es .
El parmetro de descentramiento de la distribucin
se puede calcular como:
=
Se puede calcular la probabilidad de aceptar la
hiptesis nula no siendo cierta, como el rea encerrada
a la izquierda del valor F0 calculado para la
probabilidad del error de tipo I, .
Esto se puede hacer tambin para varios valores de n
de tal forma que sale un haz de curvas dependiente del
parmetro y del grado de significancia , que son las
curvas caractersticas de operacin (curvas OC)
Distribucin F
centrada
Supuesto
F0=0
Distribucin F no
centrada ()
Supuesto
F0>0
Distribucin F no
centrada ()
Supuesto
F0>0
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
2=
10
9
=0,01
1=5
10
12
15
50
30
20
Pr(Acep H0)
=0,01
1=6
2=
10
12
15
50
30
20
=0,01
1=7
2=
10
9
50
30
20
15
2=
12
=0,01
1=8
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
10
9
8
2=
=0,01
1=1
50
30
20
15
12
10
9
=0,01
1=2
2=
12
10
9
30
20
15
50
=0,01
1=3
2=
30
20
15
12
50
2=
10
9
=0,01
1=4
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
2=
10
9
8
=0,05
1=5
10
12
15
50
30
20
Pr(Acep H0)
=0,05
1=6
2=
10
9
2=
12
=0,05
1=7
50
30
20
15
10
9
50
30
20
2=
15
12
=0,05
1=8
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
10
9
8
Pr(Acep H0)
Pr(Acep H0)
=0,05
1=2
50
30
20
15
12
10
9
8
7
2=
=0,05
1=1
50
30
20
15
12
10
9
8
7
2=
2=
=0,05
1=3
50
30
20
15
12
2=
10
9
8
=0,05
1=4
Qu nmero n hubiera sido

suficiente para asegurar una
probabilidad de 0,05?
Pr(Acep H0)
=0,05
1=4
50
30
20
15
12
2=
10
9
8
0,017
Cual sera el error de tipo II que se

comete en el ejemplo anterior, a=5,
n=12, =0,05?
5775
=
= 26,4
219
Con ese valor, y con
- 1=a-1=4
- 2=a(n-1)=55
Yendo a las curvas
correspondientes, se tiene una
probabilidad de aceptar la hiptesis
nula siendo falsa de 0,017, que es
baja. Ahora surge otra pregunta
Ejemplo
Ejemplo

El valor de :
n
6
7
8
9 10
13,2 15,4 17,6 19,8 22,0
2 25 30 35 40 45
2=
10
9
8
y el de 2:
2=5(n-1)
0,05
50
30
20
15
12
2,2
=0,05
1=4
Pr(Acep H0)
Contrastes POSTHOC
Una vez se decide rechazar la

hiptesis nula puede interesar
saber que parejas tienen una
media diferente. Para ello pueden
hacerse contrastes dos a dos o
contrastes mltiples.
De entre todos los mtodos que se
pueden utilizar se detalla aqu el
mtodo de la Mnima Diferencia
Significativa, LSD (Least
Significant Difference)
Este mtodo se reduce a utilizar el
MSE en sustitucin de SP para
modelizar la variabilidad en una
prueba t que compara las medias
mi y mj.
Se decidir rechazar la igualdad de

medias si:
>
Siendo:
=
1
,
Si el ANOVA es balanceado,
entonces el LSD es el mismo en
todas las pruebas
Contrastes POSTHOC
En el ejemplo de las juntas,
y para =0,1:
= 2,00
MSE=219
= 2 219
= 12,1
En la tabla aparecen en rojo

aquellas diferencias de medias
cuyo valor absoluto excede el
valor del LSD
j ABS(mi-mj)
11,2
8,3
9,8
14,2
19,5
21
1,5
22,5
24
Contrastes POSTHOC
Correccin deBonferroni
Ya se ha justificado cmo el hacer

todas las combinaciones de pruebas t
hace crecer el error de tipo I
La correccin de Bonferroni es una
operacin conservadora que no hace
otra cosa que dividir la probabilidad de
error de tipo I entre el nmero de
combinaciones a contrastar.
En el ejemplo de las juntas,
y para =0,1, con 10 contrastes 2 a 2,
Bonf=0,01:
, , = 2,9
MSE=219
= 2,9 219
= 17,6
j ABS(mi-mj)
11,2
8,3
9,8
14,2
19,5
21
1,5
22,5
24
ANOVAdeefectos aleatorios
En el ejemplo anterior, los
Tal suele ser el caso de ensayos de
grupos de anlisis (5 diseos
mquinas del mismo modelo,
diferentes de juntas) pertenecan
donde a travs de los resultados de
a una poblacin finita, es decir,
dichos ensayos se busca la
la poblacin de grupos solo tena
existencia de una variabilidad
5 individuos. A este modelo se le
debida al tipo de mquina, lo cual
denomina modelo de efectos
revelara una proceso de diseo y
fijos
fabricacin poco robusto en ese
Si por el contrario la poblacin
tipo de mquinas.
de grupos es una variable
aleatoria con un nmero de
En estos casos, ms que los valores
individuos infinito (o muy
medios por cada mquina, interesa
grande), donde se escogen varios
comparar las varianzas debidas
de ellos como representativos
al factor mquina con la varianza
para hacer el ANOVA, tenemos
debida al error estadstico comn
un modelo de efectos aleatorios
Vamos conotro ejemplo
Una compaa textil espaola tiene

pensado adquirir un gran nmero de
telares suministrados por un fabricante
chino.
Como dicha compaa sospecha de la
repetibilidad de las mquinas, se
propone viajar a casa del proveedor y
elegir 4 telares de forma aleatoria de
entre su produccin ms reciente, con
la intencin de elaborar con cada una
de ellas 4 piezas de tela y ensayarlas
posteriormente a traccin.
Tambin lleva su propia materia prima
para fabricar la tela, proveniente de un
mismo lote, para tener controlado el
error debido a la misma.
Tanto el cliente como el

proveedor, acuerdan fijar
un valor para =0,05
Despus de realizar los
ensayos, se recogen los
resultados detallados en la
tabla.
Resistencia
(N)
Muestras
1
2
3
4
Telares
A(1)
98
97
99
96
B(2) C(3) D(4)

91
96 95
90
95 96
93
97 99
92
95 98

Grupos Cuenta Promedio Varianza
A(1)
B(2)
C(3)
D(4)
4
4
4
4
97,5
91,5
95,75
97
1,67
1,67
0,92
3,33
ANOVA
Origendelas
variaciones
Entregrupos
Sumade Gradosde Promediode

cuadrados libertad loscuadrados
89,2
3
MSG=29,7
Dentrodegrupos
22,7
12
Total
111,9
15
MSE=1,9
F
15,7
Probabilidad FCrtico
0,00019
3,49
Tal y como puede observarse,

el anlisis de la varianza se
hace igual que en el caso de
efectos fijos. Sin embargo, los
resultados se interpretan de
otra manera
En efecto, aqu poco importa
contrastar la diferencia real
entre las medias, puesto que
en caso de escoger otras 4
mquinas las diferencias
podran no tener nada que ver.
Lo que se hace es contrastar
la variabilidad introducida
por las mquinas con la
variabilidad inherente al
procedimiento y especmenes
de ensayo
La varianza inherente al procedimiento y especmenes

de ensayo, se estima perfectamente con MSE:
=
Y se puede demostrar que la varianza correspondiente
al efecto de los grupos se puede estimar como:
=
Y se puede demostrar tambin que la suma de las
anteriores es un estimador para la varianza de cualquier
observacin:
=
+
Para el caso del ejemplo:
= 1,9 ;
=7 ;
= 8,9
Y la fraccin de varianza del efecto de los grupos con
respecto a la varianza total:
= 0,79 que ya es bastante!
Eleccin deltamaodemuestra
Cuando la hiptesis nula no se cumple, se puede

demostrar que la variable F =
sigue una
distribucin F escalada con un coeficiente 1/,
siendo:
=
(
(
)
=1
)
Supuesto F0=0
Distribucin F
centrada
Supuesto
F0=0
Distribucin F
centrada
Por tanto, para calcular la probabilidad del error

de tipo II, hay que estimar primero los dos
parmetros de varianza. Como aproximacin
podran utilizarse los valores de la diapositiva
anterior. Y despus hallar el valor del area a la
izquierda del valor dado por en la distribucin
sin escalar
Esto se puede hacer tambin para varios valores
de n de tal forma que sale un haz de curvas
dependiente del parmetro y del grado de
significancia , que son las curvas caractersticas
de operacin (curvas OC)
Supuesto
F0>0
Distribucin F
escalada (1/)
Supuesto
F0>0
Distribucin F
escalada (1/)
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
50
30
20
15
12
2=
10
9
=0,01
1=5
10
50
30
20
15
12
=0,01
1=6
2=
10
12
50
30
20
2=
15
=0,01
1=7
10
9
12
50
30
20
15
2=
=0,01
1=8
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
12
2=
25
=0,01
1=1
50
30
20
15
12
10
9
8
=0,01
1=2
Pr(Acep H0)
Pr(Acep H0)
2=
10
9
50
30
20
15
12
=0,01
1=3
2=
50
30
20
15
12
2=
10
9
8
=0,01
1=4
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
7
6
50
30
20
15
12
10
9
8
2=
=0,05
1=5
10
9
8
50
30
20
15
12
12
10
9
8
Pr(Acep H0)
=0,05
1=6
2=
15
2=
50
30
20
=0,05
1=7
10
9
8
50
30
20
15
12
2=
=0,05
1=8
Curvas OC
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
Pr(Acep H0)
12
25
10
15
30
2=
=0,05
1=1
=0,05
1=2
2=
2=
50
30
20
15
12
10
9
8
50
30
20
15
12
10
9
8
2=
=0,05
1=3
=0,05
1=4
)
)
15,7
Con ese valor, y con

- 1=a-1=3
- 2=a(n-1)=12
Yendo a las curvas
correspondientes, se tiene una
probabilidad de aceptar la
hiptesis nula siendo falsa de
0,11, es decir, que la prueba
tiene una potencia del 89%.
Ahora surge otra pregunta
Pr(Acep H0)
0,11
=0,05
1=3
0,08
2=
(
(

Respuesta. Imposible. Aunque
n= , el error mnimo es 0,08
50
30
20
15
12
10
9
8
Cual sera el error de tipo II

que se comete en el ejemplo
anterior, a=4, n=4, =0,05?
Eleccin deltamaodemuestra.
Ejemplo
3 DISEOS POR BLOQUES

Introduccin
El diseo de experimentos por
y que es un bloque? Un
bloques es una extensin al diseo
bloque es un factor que puede
pareado en el que nicamente se
influir en los resultados que se
tena en cuenta un grupo con dos
desean medir, pero que no nos
poblaciones a la hora de contrastar la
interesa per s, es decir, no
igualdad de medias
nos interesa saber cual es su
Ahora ese diseo se ampla a un
influencia en la variabilidad,
nmero a de poblaciones por
sino que solo nos interesa
grupo
sustraerla de la variabilidad
El objetivo de estos diseos es el de
del grupo de estudio, para
sustraer los posibles efectos de los
tener una lectura ms limpia
bloques de la variabilidad del
de los resultados.
fenmeno que nos interesa medir.

Introduccin
Otro ejemplo
BLOQUE
(PROBETAS)
GRUPO
Recogiendo el ejemplo de los
(DURMETROS)
durmetros del contraste pareado,
pongamos ahora que tenemos 4
1 2 3 4
modelos de durmetro con los que
1 9,3 9,4 9,2 9,7
se ensayan 4 probetas de acero al
2 9,4 9,3 9,4 9,6
carbono.
3 9,6 9,8 9,5 10,0
El concepto de bloquizacin aqu se
materializa en que para filtrar la
4 10,0 9,9 9,7 10,2
variabilidad en el material de las
La cosa aqu es contrastar si los
probetas, cada una de dichas
durmetros dan medidas diferentes.
probetas se ensaya con los 4
Y para ello se ha de filtrar la
durmetros.
presunta variabilidad introducida
A esto se le llama diseo
por la presunta diferente naturaleza
aleatorizado por bloques completos
de las probetas.

Introduccin
Otro ejemplo
Observando los datos, parece

haber una lectura de dureza
sensiblemente diferente
P4>P3>P2>P1, para todos los
durmetros. Si se realiza un
ANOVA convencional, con
independencia de la
bloquizacin por probetas,
esto no se tiene en cuenta.
ANOVA(Sinbloquizar)
Origendelas
variaciones
Entregrupos
Suma
GDL
cuadr.
0,385
3
Dentrodegrupos 0,905
Total
1,290
12
15
Prom.
F
Cuadr.
0,13
1,7
0,08
Prob FCrtico
0,22
3,49
Este ANOVA acepta la

hiptesis nula, debido
fundamentalmente a la gran
variabilidad de las probetas
frente a la de los
durmetros. Parece que va a
ser necesario filtrar
(N-1) gdl
Diseo conunbloque
=
=
Para poder
extraer la
variabilidad
debida al
bloque, se va a
expresar la
variabilidad
total como la
suma de tres
componentes
=
(a-1) gdl
(b-1) gdl
(a-1)(b-1) gdl

Diseo conunbloque
Presentacin delosresultados
ANOVA(bloquizado)
Origendelas
variaciones

cuadrados libertad
cuadrados
Entregrupos
SSG
a1
MSG=SSG/(a1)
EntreBloques
SSB
b1
MSB=SSB/(b1)
Dentrodegrupos
SSE
Total
SS
F
=
Probabilidad
ValorP
FCrtico
,
(a1)(b1) MSE=SSE/(a1)(b1)
N1
ANOVA(bloquizado,ejemplo)
Origendelas
variaciones
Entregrupos

cuadrados libertad
cuadrados
0,385
3
0,1283
EntreBloques
0,825
0,275
Dentrodegrupos
0,080
0,0089
Total
1,290
15
Probabilidad
FCrtico
14,42
0,00087
3,85

Diseo condosbloques(diseo encuadrados latinos)
Un diseo con dos bloques es
un diseo en el que existen
dos factores que influyen en
los resultados que queremos
obtener, y cuya variabilidad
requiere ser cancelada para
interpretar apropiadamente
dichos resultados. Por tanto,
se tiene un grupo de inters
ms dos bloques
experimentales
El diseo ms apropiado para

su anlisis estadstico es el
diseo en cuadrados latinos.
Segn este diseo, cada nivel
del grupo (denotado mediante
letras latinas A, B, C) solo se
ensaya para un solo nivel del
bloque 1 y para un solo nivel
del bloque 2.
Segn este diseo, el nmero
de niveles tanto para el grupo
de anlisis como para los dos
bloques es p

A
B
C
D
E
Diseo del
cuadrado
latino
B
C
D
E
A
C
D
E
A
B
D
E
A
B
C
E
A
B
C
D
BLOQUE 1
(MAQUINAS)
1
BLOQUE2
(OPERARIOS)
Pongamos por caso un ensayo en

el que se desea conocer la
eficiencia, medida en segundos, de
5 protocolos (A,B,C,D y E) de
actuacin en caso de emergencia
para las mquinas de mecanizado
de un gran centro tecnolgico, y
ver si existen diferencias
significativas. Se prev que dicho
tiempo depender del tipo de
mquina en el que se ensaye y del
operario que active el protocolo.
Se seleccionan 5 mquinas
(M1M5) y 5 operarios (O1...O5)
de entre los existentes en el centro
Ejemplo
1 A=24 B=20 C=19 D=24 E=24

2 B=17 C=24 D=30 E=27 A=36
3 C=18 D=38 E=26 A=27 B=21
4 D=26 E=31 A=26 B=23 C=22
5 E=22 A=30 B=20 C=29 D=31

25,4
BLOQUE1
(MAQUINAS)
3
4
2
1
2
3
4
5
24
17
18
26
22
20
24
38
31
30
BLOQUE2
(OPEERARIOS)
m
21,4
M1
m m
Oj
m
28,6
M2
3,2
19
30
26
26
20
m
24,2
M3
1,2
24
27
27
23
29
m
26
M4
0,6
5
24
36
21
22
31
m
26,8
M5
1,4
Ejemplo
m m
Oj
m
m
m
m
m
O1
O2
O3
O4
O5
m
B
22,2
26,8
26
25,6
26,4
28,6
m
C
B
3,2
1,4
0,6
0,2
1
20,2
m
D
C
22,4
m
E
D
29,8
m
E
26
mkm
3,2
5,2
3
4,4
0,6

=
=
1+
2+
=
=
Ejemplo
ANOVA(dosbloques)
Origendelas
variaciones
Sumade Gradosde
cuadrados libertad
Promediodelos
cuadrados
Entregrupos
SSG
p1
MSG=SSG/(p1)
EntreBloques(1)
SSB1
p1
MSB=SSB1/(p1)
EntreBloques(2)
SSB2
p1
MSB=SSB2/(p1)
Dentrodegrupos
SSE
Total
SS
(p2)(p1) MSE=SSE/(p1)(p2)
P21
F
=
Probabilidad
ValorP
FCrtico
,

=
=
1+
2+
=
=
Ejemplo
ANOVA(dos bloques:mquinasyoperadores)
Origendelas
variaciones
Protocolos
Sumade Gradosde
cuadrados libertad
330
4
Promediodelos
cuadrados
82,5
Mquinas
68
17
Operadores
150
37,5
Error
128
12
10,67
Total
676
24
Probabilidad
FCrtico
7,73
0,0025
6,51

Diseo contres bloques (diseo encuadrados grecolatinos)
El diseo ms apropiado para su
Un diseo con tres bloques
anlisis estadstico es el diseo en
es un diseo en el que existen
cuadrados grecolatinos. Segn este
tres factores que influyen en
diseo, cada nivel del grupo (denotado
los resultados que queremos
mediante letras latinas A, B, C) solo
obtener, y cuya variabilidad
se ensaya para un solo nivel del
requiere ser cancelada para
bloque 1 para un solo nivel del bloque
interpretar apropiadamente
2, y para uno solo nivel del bloque 3
dichos resultados. Por tanto,
(siendo este ultimo numerado
se tiene un grupo de inters
mediante letras griegas , , , ).
ms tres bloques
Segn este diseo, el nmero de
experimentales
niveles tanto para el grupo de anlisis
como para los tres bloques es p

Diseo contres bloques (diseo encuadrados grecolatinos) Ejemplo
BLOQUE2
(OPERARIOS)
Vamos a retomar el ejemplo de

la eficiencia de los 5 protocolos
de seguridad en el que se va a
aadir otro factor que se cree
importante a la hora de que los
resultados queden afectados: las
horas en la que se planificaron
las activaciones del protocolo:
=8:00
=13:00
=18:00
=23:00
=04:00
Diseo del
cuadrado
grecolatino
A
B
C
D
E
B
C
D
E
A
C
D
E
A
B
D
E
A
B
C
E
A
B
C
D
BLOQUE 1
(MAQUINAS)
1
1 A=24 B=20 C=19 D=24 E=24

2 B=17 C=24 D=30 E=27 A=36
3 C=18 D=38 E=26 A=27 B=21
4 D=26 E=31 A=26 B=23 C=22
5 E=22 A=30 B=20 C=29 D=31

B L O Q U E 2
(O P E E R A R IO S )
25,4
mlm
1,6
1,6
1,2
1
2,2
23,8
24,2 m
24,4 m
27,6 m
27
m
1
2
3
4
5
1
24
17
18
26
22
BLOQUE1
(MAQUINAS)
3
4
2
20 19 24
24 30 27
38 26 27
31 26 23
30 20 29
m
m m m
21,4 28,6 24,2 26
M1
M2
M3
M4
5
24
36
21
22
31
m
26,8
M5
m m
3,2
1,4
0,6
0,2
1
Oj
m
m
m
m
m
A
O1
O2
O3
O4
O5
m
B
22,2
26,8
26
25,6
26,4
28,6
m 20,2
C m 22,4
D m 29,8
E m
B
m m
Oj
3,2
1,2
0,6
1,4
26
mkm
3,2
5,2
3
4,4
0,6

=
=
+
1+
2+
=
ANOVA(tresbloques)
Origendelas
variaciones
Sumade Gradosde
cuadrados libertad
Promediodelos
cuadrados
Entregrupos
SSG
p1
MSG=SSG/(p1)
EntreBloques(1)
SSB1
p1
MSB1=SSB1/(p1)
EntreBloques(2)
SSB2
p1
MSB2=SSB2/(p1)
EntreBloques(3)
SSB3
p1
MSB3=SSB2/(p1)
Dentrodegrupos
SSE
Total
SS
(p3)(p1) MSE=SSE/(p1)(p3)
P21
F
=
Probabilidad
ValorP
FCrtico
,

=
=
+
1+
2+
=
ANOVA(tresbloques:mquinas,operadoresyfranjahoraria)
Origendelas
variaciones
Protocolos
Sumade Gradosde
cuadrados libertad
330
4
Promediodelos
cuadrados
82,5
Mquinas
68
17
Operadores
150
37,5
Franjahoraria
62
15,5
Error
66
8,25
Total
676
24
Probabilidad
FCrtico
10,0
0,0033
3,95
4 INTRODUCCIN A LOS DISEOS FACTORIALES

Introduccin
En los diseos que se han
estudiado hasta ahora, exista un
nico factor cuya influencia se
deseaba conocer en las
mediciones experimentales.
En estos diseos unifactoriales,
se contemplaban tambin los
casos en los que los ensayos
estaban bloquizados. Los bloques
suponen unos factores extra,
pero cuya influencia no
deseamos conocer, sino que lo
unico que nos interesa es filtrar la
variabilidad que inducen en los
resultados.
Sin embargo, una gran cantidad

de situaciones experimentales
implican el estudio de la
magnitud que se desea medir en
funcin de dos o ms factores,
cuya influencia se desea
conocer, puesto que son
factores que pueden controlarse.
En base a los resultados
experimentales y al anlisis de
la influencia de los factores,
pueden elegirse los valores de
dichos factores que optimicen el
funcionamiento de la mquina
que se est ensayando.

Introduccin
Efectos principales einteracciones
Pongamos un caso en que

tenemos dos factores, A y B
que influyen en la medida de
una magnitud en un ensayo
experimental (CASO1)
CASO 1
B1
B2
A1
20
30
A2
40
52
Para el CASO 1, podra medirse como

la diferencia de medias de las
mediciones en los dos niveles de A.
Efecto principal del factor A:
= 21
Efecto principal del factor B:
= 11
Puede decirse que incrementar el nivel

del factor A de A1 a A2 supone un
Se conoce como efecto
incremento de 21 unidades, y tambin
que incrementar el nivel del factor B
principal del Factor A, aqul
que cuantifica la variacin de la de B1 a B2 supone un incremento de
magnitud a medir en funcin de 11 unidades. Esto son lo que se conoce
como efectos principales.
A. Y lo mismo para el factor B

Introduccin
Vamos a hacer lo propio con

otro caso (CASO 2)
CASO 2
B1
B2
A1
20
40
A2
50
12
Efecto principal del factor A:
=1
Efecto principal del factor B:
=9
Sin embargo, si observamos ms

detenidamente la tabla, el efecto de
A no es despreciable cuando
estudiamos por separado los niveles
de B. En efecto,
B1
B2
= 50 20 = 30
= 12 40 = 28
Y lo mismo pasa para el factor B

cuando se consideran los diferentes
niveles de
A1
A2
= 40 20 = 20
= 12 50 = 38
Comparando con el CASO1 los

Esto significa que existe una
efectos son menores
interaccin entre los factores

Introduccin
CASO 1
B1
B2
A1
20
30
A2
40
52
CASO 2
B1
B2
A1
20
40
A2
50
12
Caso
SIN
INTERACCION
Caso
CON
INTERACCION

Se quiere comenzar con la
modelizacin y optimizacin del
proceso de desbaste en el torneado de
un nuevo material.
Para ello se evalan 36 herramientas
de 3 suministradores diferentes y 3
formulaciones diferentes para el
fluido de corte (con 4 rplicas), en un
torneado agresivo a gran profundidad
de pasada y baja velocidad.
Para evaluar la calidad inicial del
proceso se mide la temperatura de la
herramienta a los 30 segundos de
haber terminado el corte.
T(C) Fluido 1 Fluido 2 Fluido 3

Hta 1
Hta 2
Hta 3
130 155 34 40 20 70
74 180 80 75 82 58
150 188 126 122 25 70
159 126 106 115 58 45
138 110 174 120 96 104
168 160 150 139 60 82
n=4 nmero de rplicas

f=3 nmero de fluidos
h=3 nmero de herramientas
nfh=36 nmero de ensayos

Valores medios
T(C)
Fluido 1
Fluido 2
Fluido 3
Hta 1 mH1F1 134,75 mH1F2 57,25 mH1F3 57,5

Hta 2 mH2F1 155,75 mH2F2 117,25 mH2F3 49,5
Hta 3 mH3F1 144 mH3F2 145,75 mH3F3 85,5
T(C) Fluido 1 Fluido 2 Fluido 3

Hta 1
Hta 2
Hta 3
130 155 34
40
20 70
74 180 80
75
82 58
150 188 126 122 25 70

159 126 106 115 58 45
138 110 174 120 96 104
168 160 150 139 60 82
mF2
mF3
mF1
144,83
106,75
64,17
mH1 83,17
mH2 107,50
mH3 125,08
m
105,25

Mediaabsoluta yerrorabsoluto

Descomposicin delerror
=
=
=
=

Anlisisdelavarianza
ANOVA
Origendelas Sumade Gradosde Promediode
variaciones cuadrados libertad loscuadrados
MSF=
FactorF
SSF
f1
SSF/(f1)
FactorH
SSH
Interaccin
FH
SSFH
Error
SSE
Total
SS
MSH=
SSH/(h1)
MSFH=
(f1)(h1)
SSFH/(f1)(h1)
MSE=
fhnfh
SSE/fh(n1)
fhn1
h1
Proba
bilidad
ValorP
,(
))
ValorP
,(
))
ValorP
FCrtico
),(
))

Anlisisdelavarianza
ANOVA(Ejemplo)
FactorF
39083
19542
FactorH
10633
5317
Interaccin
FH
Error
9438
2360
17981
27
666
Total
77135
35
F
,
,
,
Probabilidad
FCrtico
= 29,3
0,00000017
= 8,0
0,0019
, ,
=3,35
= 3,5
0,0199
, ,
=2,73
, ,
= 3,35

Error: yijk-mij
F1
F2
F3
4,75 20,25 23,25 17,25 37,50

60,75 45,25 22,75 17,75 24,50
5,75 32,25 8,75 4,75 24,50
H2
3,25 29,75 11,25 2,25 8,50
6,00 34,00 28,25 25,75 10,50
H3
24,00 16,00 4,25 6,75 25,50
H1
12,50
0,50
20,50
4,50
18,50
3,50
El error experimental sigue

bastante fielmente una
distribucin normal
Tambin se pueden graficar los
errores frente a los valores
medios y frente al tiempo

59
Para seleccionar el tamao

de muestra se pueden
utilizar las curvas
deducidas para el ANOVA
unifactorial, para un valor
de dependiente del
factor cuya influencia se
quiere detectar (conforme
a una diferencia de medias
determinada).
Para factor F:
=
Para factor F: (p<0,01)
Para factor H:
= 59,
1 = 2, 2 = 27
0,2
Para factor H:
Para interaccin FH:
Para el ejemplo anterior,

cual es la probabilidad
asumiendo que las
0,065
diferencias de medias estn
dadas por las diferencias
muestrales, suponiendo una
probabilidad =0,05?
= 16,
1 = 2, 2 = 27
Para interaccin FH:

)
= 14,
1 = 4, 2 = 27
5 ANLISIS DE REGRESIN
Introduccin
En ocasiones, puede ser til
disponer una expresin
matemtica que ligue la variable
medida en funcin de los
valores del (de los) factor(es).
Dicha expresin supone una
aproximacin de los datos
El ajuste de la expresin se realiza
experimentales, cuya forma
por el mtodo de los mnimos
puede venir dada por un modelo
cuadrados, lo cual es completamente
congruente con el anlisis de la
terico previo, o bien por la
varianza.
observacin directa de dichos
Se propondr tambin una
datos.
metodologa para conocer la
idoneidad de la aproximacin
Pongamos que se quiere evaluar el

rendimiento de una mquina
mezcladora de pintura, de cara a
compararla con otros diseos de la
competencia.
Para ello se requiere aproximar
mediante una frmula matemtica lo
ms sencilla posible la concentracin
de impurezas en la pintura en funcin
de la velocidad del eje.
De un anlisis terico previo, se
extrae que dicha relacin debera ser
lineal.
En la tabla se recogen los resultados
de 12 procesos de mezcla ensayados.
Rapidez de Mezclado (rpm) x 20 22 24 26 28 30 32 34 36 38 40 42
Porcentaje de impurezas (%) y 8,4 9,5 11,8 10,4 13,3 14,8 13,2 14,7 16,4 16,5 18,9 18,5
Aproximacin por mnimos cuadrados
La metodologa de los mnimos

cuadrados plantea ajustar los
parmetros de la funcin aproximante
de tal forma que el error cuadrtico
cometido sea el mnimo posible.
Existen metodologas bien conocidas
para calcular la ecuacin de la funcin
aproximante cuando la expresin es
polinmica o logartmica o
exponencial
Sin embargo, para funciones ms generales lo mejor es utilizar un
minimizador como por ejemplo el solver que viene integrado en
microsoft Excel.
MquinaMezcladora
Rapidezde porcentaje
Mezclado deimpurezas Valor
Error
(rpm)
(%)
Estimado Cuadrtico
x
y
ye
20
22
24
26
28
30
32
34
36
38
40
42
8,4
9,5
11,8
10,4
13,3
14,8
13,2
14,7
16,4
16,5
18,9
18,5
8,8436
9,7569
10,6702
11,5834
12,4967
13,4100
14,3233
15,2366
16,1499
17,0632
17,9765
18,8897
0,1968
0,0660
1,2765
1,4006
0,6452
1,9320
1,2618
0,2879
0,0626
0,3172
0,8529
0,1519
m= 13,86666667
SSE= 8,45142191
SS=
MODELO
ye=a+bx
a= 0,289278
b= 0,4566434
= 127,7267
=
=
= 119,2752
= 8,4514
ANOVAdelaregresin
ANOVAdelaregresin
MSR=
Regresin
SSR
p1
SSR/(p1)
MSE=
Error
SSE
np
SSE/(np)
Total
SS
n1
F
=
Proba
bilidad
FCrtico
ValorP
,(
Aqu p es el nmero de parmetros que definen la funcin aproximante
ANOVAdelaregresin(Ejemplo)
Regresin
1
119,2752
119,2752
lineal
Error
8,4514
10
Total
127,7267
11
0,8451
F
= 141
Proba
bilidad
0,0000003
ye=a+bx
a=0,2893; b=0,4566
FCrtico
,
, ,
=10,0442
ANOVAdelaregresin
Quizs se podra pensar en aproximaciones de mayor orden para detectar curvaturas y

asimetras en los datos. Ya visualmente de predice que no sera razonable siquiera
contemplarlas, pero vamos a razonarlo desde el punto de vista del ANOVA
ANOVAdelaregresin(Ejemplo)
Regresin
2
59,6746
119,3492
cuadrtica
Error
8,3775
Total
127,7267
11
0,9308
F
= 64
Proba
bilidad
0,0000048
FCrtico
,
, ,
=8,0215
ye=a+bx+cx^2
a=1,9887;b=0,5720;c=0,001861

Proba
F
bilidad
Regresin
4
0,00027
29,9724
= 26
119,8897
curtica
ye=a+bx+cx^2+dx^3+ex^4
Error
7
7,8369
1,1196
a=96,36;b=12,96;c=0,5957;
Total
11
127,7267
d=0,01235;e=0,00009424
FCrtico
,
, ,
=7,8466
Unejemplo bifactorial
Sea un prototipo de mquina de
conformado por chorro de agua,

dotado de una boquilla asimtrica.
Se ha deducido mediante un
modelo terico que la forma de
una hendidura plstica producida
por el chorro mediante una
boquilla asimtrica, viene dada
por la expresin.
,
Se han realizado 4 ensayos (4 hendiduras)

con el fin de estimar los 5 parmetros
anteriormente citados en cada uno de los
cuales se han medido en micras la cota z de
9 puntos, segn el esquema factorial 32.
y
Donde x e y son las coordenadas

cuyo origen se encuentra en el
centro de la hendidura, z(x,y) es la
profundidad en las coordenadas x
e y, y z0, x, y, x, y, parmetros
dependientes de las variables de
mquina y la forma de la boquilla.
z(mm)
y=0
130
140
120
x=1
115
60
x=2
62
x=0
155
145
114
124
65
70
y=1
100
90
90
80
45
40
95
97
75
70
48
39
y=2
20
30
15
18
10
5
25
30
20
23
5
8
z
x=0
x=1
x=2
y=0
130
140
120
115
60
62
y=1
155
145
114
124
65
70
100
90
90
80
45
40
y=2
95
97
75
70
48
39
20
30
15
18
10
5
25
30
20
23
5
8

ze
(z-ze)
0
0
1
1
2
2
143
143
118
118
63,8
63,8
143
143
118
118
63,8
63,8
95,7
95,7
79
79
42,6
42,6
95,7
95,7
79
79
42,6
42,6
23,57
23,57
19,46
19,46
10,48
10,48
23,57
23,57
19,46
19,46
10,48
10,48
0
0
1
1
2
2
-13,44
-3,442
1,6087
-3,391
-3,781
-1,781
11,6
1,56
-4,39
5,61
1,22
6,22
4,29
-5,7
11
1,01
2,44
-2,6
-0,708
1,292
-3,994
-8,994
5,444
-3,556
-3,57
6,426
-4,46
-1,46
-0,48
-5,48
1,43
6,43
0,54
3,54
-5,48
-2,48
M= 66
SSE= 977
minimizaresto
z-m
x=0
x=1
x=2
y=0
63,944444
73,944444
53,944444
48,944444
-6,0555556
-4,0555556
y=1
88,94
78,94
47,94
57,94
-1,056
3,944
SS= 70562
33,944
23,944
23,944
13,944
-21,06
-26,06
28,944
30,944
8,9444
3,9444
-18,06
-27,06
y=2
-46,056
-36,056
-51,056
-48,056
-56,056
-61,056
-41,056
-36,056
-46,056
-43,056
-61,056
-58,056
ze-m
2(z-ze) (zem)
0
0
1
1
2
2
77,38624
77,38624
52,335722
52,335722
-2,2744925
-2,2744925
77,39
77,39
52,34
52,34
-2,274
-2,274
29,653
29,653
12,938
12,938
-23,5
-23,5
29,653
29,653
12,938
12,938
-23,5
-23,5
-42,48
-42,48
-46,6
-46,6
-55,57
-55,57
-42,482
-42,482
-46,599
-46,599
-55,574
-55,574
0
0
1
1
2
2
-2080,4
-532,7
168,39
-354,97
17,2
8,102
1789
241,2
-459,6
587,1
-5,545
-28,29
254,5
-339
284,8
26,03
-115
120,2
-42,01
76,603
-103,3
-232,7
-255,8
167,15
304
-546
415
136
53,6
609
-121
-546
-51
-330
609
276
ProductosCruzados=
SSR= 69585
lasumadeproductoscruzadoshadeser0
z0=
x=
x=
y=
y=
142,87
2,2196
2,0755
1,527
2,1492

Formadelahendidura
Unejemplo bifactorial Grado deajuste delafuncin aproximante
Unejemplo bifactorial ANOVAderegresin
ANOVAdelaregresin
Regresin
69585
13917
Error
977
30
33
Total
70562
35
Proba
bilidad
422
7e27
FCrtico
,
, ,
=3,7

Analisis y Diseño de Experimentos

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Analisis y Diseño de Experimentos

Enviado por

Direitos autorais:

Formatos disponíveis

Diseo y Ensayo de Mquinas

0 ESTRUCTURA DEL TEMA

Se quiere decidir cual de ellos

defecto cometido para un

Parece que el valor medio es mayor en el

Ms o menos la misma con que probabilidad

Las tcnicas estadsticas de contraste

especifica una probabilidad de nicamente

La prueba-t o t-test ha demostrado ser una

siendo SP la estimacin de desviacin

La variable t0 seguir una distribucin t de

La prueba-t o t-test ha demostrado ser una

siendo SP la estimacin de desviacin

Por tanto, como t0 es menor que

En este momento puede surgir la siguiente

Para calcular el error de tipo II ante

El valor de la desviacin tpica de

sigue una distribucin t(n1+n2-2)

Para el caso del ejemplo

En ocasiones suele ser necesario

Se puede demostrar que el cociente

La hiptesis nula deber ser

Pongamos que los sistemas de

Se puede demostrar que la

= 0,7 > 0,4, luego no

se puede rechazar que las varianzas

Si quieren hacerse 10 medidas de dureza en cada

DUR - B DIF B-A (d)

En la representacin grafica se observa

En este caso, si se hiciera

una prueba t normal, dara

dispersin existente entre

H1: md 0 (en el ejemplo

Esto se consigue planteando el valor:

Por lo que la hiptesis nula se rechaza y por lo

En el primer ejemplo del

El realizar 6 pruebas t para comparar los 4

Se quiere comparar 5 diseos diferentes de

B(2) C(3) D(4)

Sigamos conotro ejemplo

Cuanto menor sea SSG comparado con

Resulta que el cociente:

Sigue una distribucin F de Snedecor

Criterio deaceptacin deH0

Sumade Gradosde Promediodelos

El ANOVA requiere una

Para calcular el error de tipo II ante diferentes

Qu nmero n hubiera sido

Cual sera el error de tipo II que se

Qu nmero n hubiera sido

Una vez se decide rechazar la

Se decidir rechazar la igualdad de

En la tabla aparecen en rojo

Ya se ha justificado cmo el hacer

Vamos conotro ejemplo

Una compaa textil espaola tiene

Tanto el cliente como el

B(2) C(3) D(4)

Vamos conotro ejemplo

Sumade Gradosde Promediode

Tal y como puede observarse,

Vamos conotro ejemplo

La varianza inherente al procedimiento y especmenes

Cuando la hiptesis nula no se cumple, se puede