Portada

UNIVERSIDAD NACIONAL DE INGENIERÍA

FACULTAD DE INGENIERÍA QUÍMICA Y TEXTIL

Departamento Académico de Ingeniería Química

SEXTA PRÁCTICA DEL CURSO DE ESTADÍSTICA Y DISEÑO DE EXPERIMENTOS

(MA-612)

ALUMNO: Mayta Paucara Sergio Samuel

Yanac Salazar Brayahan Peter

DOCENTES: Mg. Cecilia Ríos Varillas

LIMA – PERÚ

2017
 2

PRACTICA Nª6

Usando el paquete estadístico MINITAB:

1. Presente tres ejercicios completos de los diseños básicos: DCA, DBCA Y DCL,
indicando la variable respuesta, el factor principal y los factores secundarios.
Presente las hipótesis respectivas y realice el ANVA en MINITAB, realice las
interpretaciones del ejercicio.
2. En el diseño DCA hacer las comparaciones, interprete.
3. Presente un ejercicio para hacer e análisis de RLS, indicando las variables
respuesta y la independiente. Calcule los coeficientes, gráficos y las
interpretaciones del caso.
 3

Desarrollo
1. Ejercicio en DCA:
Un fabricante sospecha que el contenido de nitrógeno en un producto varía de
un lote a otro. Selecciona una muestra aleatoria de cuatro lotes y realiza cinco
determinaciones del contenido de nitrógeno en cada lote. ¿Existe una
diferencia significativa en el contenido de nitrógeno de un lote a otro?, α=0.05.

Lote
1 26.15 26.25 26.39 26.18 26.2
2 24.95 25.01 24.89 24.85 25.13
3 25 25.36 25.2 25.09 25.12
4 26.81 26.75 26.15 26.5 26.7

(Fuente: Ríos Varillas, C. (2012), Estadística y Diseño de Experimentos,

Pág. 242, Perú, Lima: Editorial Universitaria De La Universidad Nacional
De Ingeniería)

Unidad experimental: un producto de un determinado lote.

Variable respuesta: contenido de nitrógeno
Factor principal: contenido de nitrógeno en cada lote

Hipótesis:
H0: μ1=μ2=μ3=μ4 (no hay diferencia significativa en el contenido de nitrógeno)
H1: al menos un μi es diferente de un μj (si hay diferencia significativa en el
contenido de nitrógeno)

a) Ingreso de datos al minitab, columna 1 variable respuesta (contenido de

nitrógeno), columna dos (lote del cual proviene):

Tabla 1: ingreso de datos al minitab.

 4

b) ANVA del problema:

Tabla 2: cuadro ANVA del problema

Dónde:

 DF: grados de libertad

 SS: suma cuadrado total
 MS: cuadrado medio

Conclusiones:

El p-valor del análisis de varianza sale 0.000<0.05 luego estadísticamente se

observan diferencias significativas en el contenido de nitrógeno en cada lote.
Es decir el lote escogido si influye en el contenido de nitrógeno del producto.

Mediante el método de Tuckey nos damos cuenta entre que lotes hay
diferencias significativas:

Tabla 3: medias y desviaciones estándar para cada lote.

Tabla 4: intervalos de confianza simultáneos de Tukey , todas las comparaciones dos a

dos entre los niveles de lote
 5

Tabla 5: comparación en parejas del método Tukey.

Mediante el método Tukey concluimos que hay diferencias significativas entre

los lotes 1 y 4,1 y 3, 1 y 2,4y3, 4y2, únicamente en los lotes 2 y 3 la diferencia
no es significativa.

2. Ejercicio en DBCA:

Se están comparando tres soluciones de lavado diferentes a fin de estudiar su

efectividad para retardar el crecimiento de bacterias en contenedores de leche
de 5 galones. El análisis se hace en un laboratorio y solo pueden realizarse
tres ensayos en un día, puesto que los días podrán representar una fuente
potencial de variabilidad, el experimentador decide usar un diseño de bloques
aleatorios, se hacen observaciones en 4 días cuyos datos se muestran
enseguida. Analizar los datos de este experimento (α=0.05) y sacar las
conclusiones apropiadas.

Solución Día 1 Día 2 Día 3 Día 4

1 13 22 18 39

2 16 24 17 44

3 5 4 1 22

(Fuente: Douglas C. Montgomery. (2004), Diseño Y Análisis De

Experimentos, Pág. 164, México, México D.F: Editorial Limusa)

Unidad experimental: contenedores de leche de 5 galones

Variable respuesta: crecimiento de bacterias
Factor principal: solución de lavado
Factor secundario: día de la realización del experimento

Hipótesis:

 Para las soluciones:

H0: μ1=μ2=μ3=μ4 (no hay diferencia significativa en el contenido de
nitrógeno)
H1: al menos un μi es diferente de un μj (si hay diferencia significativa en
el contenido de nitrógeno)
 6

 Para los días:

H0: μ1=μ2=μ3=μ4 (no hay diferencia significativa en el contenido de
nitrógeno)
H1: al menos un μi es diferente de un μj (si hay diferencia significativa en
el contenido de nitrógeno)

a) ingreso de datos al minitab.

Tabla 6: ingreso de datos al minitab

Anexos

Tabla 7: cuadro ANVA del problema 2

Conclusiones:

El p-valor del análisis de varianza para ambos casos sale 0.00<0.05 luego
estadísticamente se observan diferencias significativas en el crecimiento
de bacterias en cada día y en cada solución. Es decir la solucion escogida
y el día del experimento si influyen significativamente en el crecimiento de
bacterias.
 7

3. Ejercicio en DCL:
Un ingeniero estudia el efecto de cuatro métodos de ensamblaje(A, B, C, D)
sobre el tiempo de ensamblaje de un componente de televisores a color. Se
seleccionan cuatro operadores para el estudio. Además el ingeniero sabe que
todos los métodos de ensamblaje producen fatiga, de tal modo que el tiempo
requerido para el último ensamblaje puede ser mayor que para el primero,
independientemente del método. Es decir se desarrolla una tendencia en el
tiempo de ensamblaje requerido. Para tomar en cuenta esto el ingeniero
emplea un diseño cuadrado latino que se presenta a continuación, analizar y
considerar un (α=0.05)

OPERADOR
Orden de 1 2 3 4
ensamblaje
1 C=10 D=14 A=7 B=8

2 B=7 C=18 D=11 A=8

3 A=5 B=10 C=11 D=9

4 D=10 A=10 B=12 C=14

(Fuente: Douglas C. Montgomery. (2004), Diseño Y Análisis De

Experimentos, Pág. 167, México, México D.F: Editorial Limusa)

Unidad experimental: componente de un televisor a color

Variable respuesta: tiempo de ensamblaje
Factor principal: método de ensamblaje
Factor secundario: orden de ensamblaje, operador

Hipótesis:

 Para el método de ensamblaje:

H0: μ1=μ2=μ3=μ4= μ5
H1: al menos un μi es diferente de un μj

 Para el orden de ensamblaje :

H0: μ1=μ2=μ3=μ4= μ5
H1: al menos un μi es diferente de un μj

 Para el operador :
H0: μ1=μ2=μ3=μ4= μ5
H1: al menos un μi es diferente de un μ
 8

Desarrollo:

Resultados:

EL p-valor del análisis de varianza del operador y del orden tienen valores de
0.01 y 0.089 ambos mayores a 0.005 entonces no hay diferencia significativa
entre los operadores ni el orden, sin embargo el p-value del método es menor
a 0.005 entonces si se encuentra diferencias significativas entre el método de
ensamblaje sobre el tiempo de ensamblaje.
 9

4. Ejercicio de RLC:

Algunas reacciones irreversibles siguen la ecuación de Nernst razonablemente

bien, y como ejemplo se puede dar cita la reducción del permanganato. El valor
del factor en la ecuación de Nernst, varia con la temperatura en la siguiente
forma:

Temperatura Valor del factor

10 0.05618

15 0.05717

20 0.05816

25 0.05916

30 0.06014

35 0.06114

40 0.06213

(Fuente: Araya Alpizar, Carlo Magno. (2004), Estadística Para

Laboratorista Químico, problema 6.25, Costa Rica, San José: Editorial De
La Universidad De Costa Rica)

Ingreso de datos del minitab:

Tabla de cuadros para el RSL

 10

Análisis de regresión para la temperatura y el valor del factor:

Conclusiones:

El p-value tiene un valor menor a 0.005 permite revelar que esta regresión
lineal es estadísticamente significativa. En la gráfica se observa la tendencia
de la dependencia entre la temperatura y valor del factor, cuya dependencia es
lineal de pendiente positiva.

El coeficiente de determinación resulto de ser del 100%. El 100% de la

variabilidad de la temperatura y el valor del factor se encuentra explicado por la
relación lineal con la temperatura. Es decir toda la recta explica el
comportamiento y predice según su ecuación el valor del factor a toras
temperaturas.
11