5.2.

Diseño de Experimentos Factoriales

Los experimentos factoriales son aquellos en los que se estudia simultáneamente 2

o más factores, y donde los tratamientos se forman por la combinación de los
diferentes niveles de cada uno de los factores.
Los experimentos factoriales no son un diseño experimental si no un diseño de
tratamientos los cuales se arreglan dentro de los diseños experimentales clásicos
como el Diseño Completo al Azar, Diseño de Bloques Completos al Azar, Diseño de
Cuadro Latino.
Los experimentos factoriales se emplean en todos los campos de investigación, son
de gran utilidad en investigaciones exploratorias en las que poco se sabe acerca de
muchos factores. Se utilizan frecuentemente en investigaciones comparativas.
Ventajas:
 Permiten estudiar los efectos principales, efectos de interacción de factores,
efectos simples, efectos cruzados.
 Todas las unidades experimentales intervienen en la determinación de los
efectos principales y de los efectos de interacción de los factores, por lo que
el número de repeticiones es elevado para estos casos.
 El número de grados de libertad para el error experimental es alto,
comparándolo con los grados de libertad de los experimentos simples de los
mismos factores, lo que contribuye a disminuir la varianza del error
experimental, aumentando por este motivo la precisión del experimento.
Desventajas:
 Se requiere un mayor número de unidades experimentales que los
experimentos simples y por lo tanto se tendrá un mayor costo y trabajo en la
ejecución del experimento.
 Como en los experimentos factoriales cada uno de los niveles de un factor
se combinan con los niveles de los otros factores; a fin de que exista un
balance en el análisis estadístico se tendrá que algunas de las
combinaciones no tienen interés practico pero deben incluirse para mantener
el balance.
  El análisis estadístico es más complicado que en los experimentos simples y
la interpretación de resultados se hace más difícil a medida que aumenta el
número de factores y niveles por factor en el experimento.
Consideraciones:
Factor. Es un conjunto de tratamientos de una misma clase o característica.
Factorial. Es una combinación de factores para formar tratamientos.
Niveles de un factor. Son los diferentes tratamientos que pertenecen a un
determinado factor.
Tipos de factores
Factores cuantitativos. Son aquellos factores cuyos niveles son cantidades
numéricas.
Factores cualitativos. Son aquellos factores cuyos niveles son procedimientos,
cualidades o atributos.
Interacción
Es la combinación de dos o más variables independientes para generar un efecto
diferente al que generan cuando actúan de manera aislada.

El experimento factorial mide la interacción y la evalúa. La interacción puede darse

de tres formas: por sinergismo, antagonismo y aditiva.

 Cuando es por sinergismo el efecto de la combinación de los factores es

mucho mayor que el efecto que produce cada uno por separado.
 Cuando es por antagonismo el efecto de la combinación de los factores es
menor que el efecto que produce cada uno por separado.
 Cuando la interacción es aditiva el efecto de la combinación de los factores
es igual a la suma de los efectos que producen cada uno por separado.

Ejemplo de formación de factoriales

Sean los factores A y B con sus respectivos niveles

A: a0 a1 a2
B: b0 b1
La combinación de los factores quedará de la siguiente manera:

a0 b0
b1
a1 b0
b1
a2 b0
b1

Y los tratamientos serán:

a0 b0 a0 b1
a1 b0 a1 b1
a2 b0 a2 b1

Al combinar los factores A X B se tendrán 3X2= 6 Tratamientos

Y si cada tratamiento se aplica a 3 unidades experimentales se tendrán 18 unidades
experimentales, si se aplica a 4 serán 24 y así sucesivamente.

Repeticiones
Tratamientos 1 2 3 4
a0 b0
a0 b1
a1 b0
a1 b1
a2 b0
a2 b1

Más en general, la familia de diseños factoriales 2k consiste de k factores, todos

con dos niveles de prueba; y la familia de diseños factoriales3k consiste de k
factores cada uno con tres niveles de prueba. Es claro que si los k factores no tienen
la misma cantidad de niveles, entonces no se puede factorizar de esta forma, y debe
escribirse el producto de manera más explícita: por ejemplo con k = 3
factores, el primero con cuatro niveles y los dos restantes con dos niveles,
se tiene el diseño factorial 4 X 2 X 2 o 4 X 22 que consiste de 16
combinaciones de niveles diferentes.

5.3. Diseño factorial 2^K

Diseños factoriales con dos factores 22

Considere los factores A y B con a y b (a, b ≥ 2) niveles de prueba,

respectivamente. Con ellos se puede construir el arreglo o diseño factorial a x b;
que consiste de a x b tratamientos. Se llama réplica cada repetición completa del
arreglo factorial. Los diseños factoriales que involucran menos de cuatro factores
se corren replicados para poder tener la potencia necesaria en las pruebas
estadísticas sobre los efectos de interés, de tal forma que si se hacen n réplicas, el
número total de corridas experimentales es n(a x b).
Supongamos que tenemos los factores A y B cada uno con dos niveles a0, a1 y b0,
b1, entonces el diseño quedará como sigue:

Diseño factorial 22

Tratamiento Bloques completos Totales de

s 1 2 ……… r tratamiento
s
a0 b 0 Y001 Y002 …… Y00r T00
a1 b 0 Y101 Y102 …… Y10r T10
a0 b 1 Y011 Y012 …… Y01r T01
a1 b 1 Y111 Y112 …… Y11r T11
Totales de Gran total
Bloques B1 B2 ……. Br

Modelo estadístico.

Con un diseño factorial a x b se pueden estudiar los dos efectos individuales y el

efecto de interacción de ambos factores. En términos estadísticos, lo que se afirma
es que el comportamiento de la respuesta Y en el experimento con k réplicas se
podrá describir mediante el modelo de efectos,
 Yijk = µ + αi + βj + (αβ)ij + εijk

i = 1,2,3…a j = 1,2,3,…b k = 1,2,3…n

Donde:
µ es la media general, αi es el efecto debido al i-ésimo nivel del factor A, βj es el
efecto del j-ésimo nivel del factor B, (αβ)ij representa al efecto de interacción en la
combinación ij y εijk es el error aleatorio que supone sigue una distribución con
media cero y varianza constante σ2 y son independientes entre sí. Para que la
estimación de los parámetros en este modelo sea única, se introducen las
restricciones:

a b a b
Σ α i = Σ βj = Σ (αβ)ij = Σ (αβ)ij = 0
i=1 j=1 i=1 j=1

Hipótesis a evaluar y análisis de varianza.

Como se observa en el modelo anterior, con un diseño factorial a x b interesa
estudiar los tres efectos A, B y AB. Así, en primera instancia se pueden plantear los
tres pares de hipótesis siguientes:

Ho: E f e c t o A = 0 Ho: E f e c t o B = 0 Ho: E f e c t o A B = 0

HA: E f e c t o A ≠ 0 HB: E f e c t o B ≠ 0 HAB: E f e c t o A B ≠ 0

Estas hipótesis se prueban mediante la técnica de análisis de varianza. El ANOVA

para un diseño factorial a x b con n réplicas resulta de descomponer la variación
total como SCT = SCA + SCB + SCAB+ SCE donde los respectivos grados de
libertad de cada una de ellas son:

nab - 1 = ( a – 1) + (b – 1) + ( a -1) (b-1) + ab(n-1)

El factor (n-1) en los grados de libertad de la suma de cuadrados del error (SCE)
señala que se necesitan al menos dos réplicas del experimento para poder calcular
este componente, y por ende poder construir una tabla de ANOVA. Toda esta
información se sintetiza en la siguiente tabla.

TABLA DE ANOVA

Fuentes de Grados de Suma de Cuadrados F Calculada Fα

Variacion Libertad Cuadrados Medios
Efecto A a-1 SCA CMA CMA
a-1 CME
Efecto B b-1 SCB CMB CMB
b-1 CME
Efecto AB (a-1) (b-1) SCAB CMAB CMAB
(a-1) (b-1) CME
Error ab (n-1) SCE CME
ab (n-1)
Total abn-1 SCT

Si el valor de Fα es menor al nivel de significancia establecido, se concluye que la

correspondiente hipótesis es significativa, es decir, ese efecto influye a la variable
de respuesta; y si el efecto está activo entonces debe tomarse en cuenta en la
interpretación de los resultados, buscando mejorar el desempeño de la respuesta
Y. Recordemos la notación de puntos para representar sumas y medias: Y… es la
suma de todas las observaciones, Y… es la media global, Yi.. es el total en el nivel
i del factor A, Yi.. es la media en el nivel i del factor A. Y.j. es el total en el nivel j del
factor B. Es decir:

a b n
Y…= Σ Σ Σ Yijk
i=1 j=1 k=1

b n
Yi..= Σ Σ Yijk
j=1 k=1

a n
Y.j.= Σ Σ Yijk
i=1 k=1

n
Yij.= Σ Yijk
k=1

a b n
SCT = Σ Σ Σ Y2ijk – Y2…
i=1 j=1 k=1 abn

a
SCA = Σ Y2i.. – Y2…
i=1 bn abn

a
SCB = Σ Y2.j. – Y2…
j=1 an abn

a b
SCAB = Σ Σ Y2ij. – Y2… - SCA - SCB
i=1 j=1 n abn

SCE = SCT- SCA-SCB-SCAB

Ejemplo:

La salida máxima de voltaje de un tipo particular de batería, se piensa que puede

ser influenciado por el material usado en los platos y por la temperatura en la
localización en la cual la batería es colocada. Se hacen cuatro replicas en el
experimento en un experimento factorial, para tres tipos de temperatura y tres
materiales. Los resultados son:

FACTOR (B) Yi..

TEMPERATURA
FACTOR (A) 1 130 155 539 30 40 225 20 70 230 994
MATERIAL 74 180 80 75 82 58
2 150 188 623 136 122 479 25 70 198 1300
159 126 106 115 58 45
3 138 110 576 174 120 583 96 104 342 1501
168 160 150 139 82 60
Y.j. 1738 1287 770 3795

Considere un nivel de significancia del 5 por ciento

Hipótesis a probar:

Ho: E f e c t o A = 0 Ho: E f e c t o B = 0 Ho: E f e c t o A B = 0

HA: E f e c t o A ≠ 0 HB: E f e c t o B ≠ 0 HAB: E f e c t o A B ≠ 0

a = 3; b = 3; n = 4 Y2… = C
abn

a b n
SCT = Σ Σ Σ Y2ijk – Y2…
 i=1 j=1 k=1 abn

SCT = 1302 + 1552 + ….. + 602 - 3795 = 478291 - 14402025

3*3*4 36

SCT = 478291 – 400056.25

SCT = 78234.75

a
SCA = Σ Y2i.. – Y2…
i=1 bn abn
SCA = 994 + 1300 + 1501 - 400056.25 = 4939005 – 400056.25 = 411583.75 – 400056.25
2 2 2

3*4 12

SCA = 10863.5

a
SCB = Σ Y2.j. – Y2…
j=1 an abn

SCB = 17382 + 12872 + 7702 - 400056.25 = 5269913 – 400056.25 = 439159.4 – 400056.25

3*4 12

SCB = 39103.17

a b
SCAB = Σ Σ Y2ij. – Y2… - SCA - SCB
i=1 j=1 n abn

SCAB = 5392 + 2252 + ….. + 3422 - 400056.25 – 10863.5 – 39103.17

4

SCAB = 1839449 – 400056.25 – 10863.5 – 39103.17 = 459862.25 – 400056.25 -10863.5 – 39103.17

4
SCAB = 9839.33

SCE = SCT- SCA-SCB-SCAB

SCE = 78234.75 – 10863.5 – 39103.17 – 9839.33

SCE = 18428.75
 TABLA DE ANOVA

Fuentes de Grados de Suma de Cuadrados F Calculada Fα .05

Variación Libertad Cuadrados Medios
Efecto A 2 10863.5 5431.75 7.96 * 3.35
Efecto B 2 39103.17 19551.59 28.64 ** 3.35
Efecto AB 4 9839.33 2459.83 3.60 * 2.73
Error 27 18428.75 682.55
Total 35 78234.75

CONCLUSIONES

Como en los tres casos la Fc > Fα .05, por lo tanto se tiene evidencia suficiente para
afirmar que el tipo de material si afecta al voltaje de salida.
Por otro lado, existe evidencia para afirmar que la temperatura también afecta el
voltaje de salida.
La combinación de ambos factores afecta el voltaje de salida aunque en menor
proporción que cada uno por separado.
El efecto de A es altamente significativo sobre el voltaje de salida

Ejemplo Diseño Factorial (Minitab 17 español)

Se quiere estudiar el efecto de los factores A: profundidad de corte sobre el acabado

de un metal y B: velocidad de alimentación el acabado (Y) está en gramos e interesa
minimizar su valor.
 Velocidad
0,2 0,25 0,3
74 92 99
0,15 64 86 98
60 88 102
79 98 104
0,18 68 104 99
Profundidad 73 88 95
82 99 108
0,21 88 108 110
92 95 99
99 104 114
0,24 104 110 111
96 99 107

Indicaciones para trabajar en Minitab

1. Abra el menú Stat.
2. Seleccione la opción de DOE.
3. De este sub menú, seleccione la opción de Factorial.
4. Por último, selecciona la única opción habilitada hasta el momento, la cual
es Create Factorial Design.
5. Primero seleccionamos de las opciones Type of Desing la última, General
full factorial design.
6. En Number of factors se debe de especificar la cantidad de factores que
tiene el diseño.
7. Después de lo anterior, se oprime el botón de Designs, la cual desplegara
una nueva pantalla.
8. Para cada uno de los factores del diseño, A y B, les asignaremos los
nombres en la columna de Name de Temperatura y Cobre
respectivamente.
 9. Después de esto, se debe de determinar el número de niveles, Number of
Levels, que tendrá el diseño, para este caso será de 4 niveles para cada
factor.
10. Lo último, es determinar el número de réplicas, Number of replicates, que
tendrá el diseño, que será de 2 réplicas.
11. Verifique que la opción de Block on replicates no esté seleccionad y oprima
el botón de OK.
12. La opción de Type, se define si el nombre del factor será numérico o de
texto; el factor A será numérico y el B de texto.
13. Level Values es para personalizar los nombres de los niveles de cada uno
de los factores del diseño; para el factor A su nombres o códigos de niveles
será 50, 75 100 y 125 respectivamente, y para B será 40%, 60%, 80% y
100%; al igual como se muestra en los datos del problema. Oprime el botón
de OK para regresar a la pantalla principal de creación del diseño.
14. En la opción de Options, se debe de verificar que la casilla de Randomize
runs no esté seleccionada, ya que al seleccionarla, las corridas del diseño
se aleatoriza y para nuestro problema causara conflicto en la introducción
de datos. Recuerde que el orden aleatorio se fundamental en los diseños
de experimento, para nuestro caso no es tan importante ya que
consideramos que el diseño ya fue aleatorizado y los datos ya cumplen
esta restricción.
15. Oprima el botón de Results y asegúrese de que la opción de Summary
table sea la opción seleccionada, ya que esta es la no arrojara la tabla
Anova resultante del diseño.
Por último; ya terminada la configuración del diseño, presione el botón de OK para
terminar y que en la hoja de trabajo se puedan introducir los datos del problema.
Se introducen los datos obtenidos en orden, primero la repetición 1 de cada factor,
después la segunda repetición y así sucesivamente según el número de
repeticiones del diseño. A esta columna se le puede poner respuestas, resultados,
etc.
Tal como se observa en la tabla siguiente debe quedar el diseño.
 OrdenEst OrdenCorrida TipoPt Bloques Profundidad Velocidad Respuestas
1 1 1 1 0.15 0.2 74
2 2 1 1 0.15 0.25 92
3 3 1 1 0.15 0.3 99
4 4 1 1 0.18 0.2 79
5 5 1 1 0.18 0.25 98
6 6 1 1 0.18 0.3 104
7 7 1 1 0.21 0.2 82
8 8 1 1 0.21 0.25 99
9 9 1 1 0.21 0.3 108
10 10 1 1 0.24 0.2 99
11 11 1 1 0.24 0.25 104
12 12 1 1 0.24 0.3 114
13 13 1 1 0.15 0.2 64
14 14 1 1 0.15 0.25 86
15 15 1 1 0.15 0.3 98
16 16 1 1 0.18 0.2 68
17 17 1 1 0.18 0.25 104
18 18 1 1 0.18 0.3 99
19 19 1 1 0.21 0.2 88
20 20 1 1 0.21 0.25 108
21 21 1 1 0.21 0.3 110
22 22 1 1 0.24 0.2 104
23 23 1 1 0.24 0.25 110
24 24 1 1 0.24 0.3 111
25 25 1 1 0.15 0.2 60
26 26 1 1 0.15 0.25 88
27 27 1 1 0.15 0.3 102
28 28 1 1 0.18 0.2 73
29 29 1 1 0.18 0.25 88
30 30 1 1 0.18 0.3 95
31 31 1 1 0.21 0.2 92
32 32 1 1 0.21 0.25 95
33 33 1 1 0.21 0.3 99
34 34 1 1 0.24 0.2 96
35 35 1 1 0.24 0.25 99
36 36 1 1 0.24 0.3 107

Una vez que se hayan capturado los datos seguiremos los siguientes pasos:
 1. Abra el menú Stat.
2. Seleccione la opción de DOE.
3. De este sub menú, seleccione la opción de Factorial.
4. Observe que se han habilitado más comandos de este menú, selecciona la
opción Analyze Factorial Design.
5. En esta nueva pantalla, seleccionamos la columna que contiene las
respuesta y la mandamos al cuadro de Responses
6. Seleccione la opción de Terms, con la cual se abre la siguiente pantalla y
verifique que los factores y la interacción de estos factores este en el
recuadro de Selected Terms; además de verificar que los dos factores estén
en la opción de Include terms in the model up through order. Por último
oprima OK para regresar a la pantalla anterior.
7. Si requiere alguna grafica seleccionar Graphs para seleccionar las graficas
que desee.
8. Por último, se oprime el botón de results, verifique que la opción de ANOVA
Table (Análisis de varianza) y coeficientes de covarianza (covariate
coefficients), y otros cálculos que desee. En ocasiones hay que seleccionar
los términos disponibles en la opción de Display of Least Squares Means
(según la versión del Minitab y el idioma en que esté).
Ahora tan solo para ejecutar el Anova, presione el botón de OK,

Resultados

Análisis de Varianza

Fuente GL SC Ajust. MC Ajust. Valor F Valor p

Modelo 11 5842.7 531.15 18.49 0.000
Lineal 5 5285.6 1057.12 36.81 0.000
Profundidad 3 2125.1 708.37 24.66 0.000
Velocidad 2 3160.5 1580.25 55.02 0.000
Interacciones de 2 términos 6 557.1 92.84 3.23 0.018
Profundidad*Velocidad 6 557.1 92.84 3.23 0.018
Error 24 689.3 28.72
Total 35 6532.0
Resumen del modelo

R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)
5.35931 89.45% 84.61% 76.26%
Debido a que el valor-p es menor que un nivel de significancia de 0.05, se rechaza
la hipótesis nula y se concluye que son significativos los efectos principales y la
interacción doble de los factores y que por tanto influyen en la variable de respuesta
Como lo que interesa es minimizar la variable de respuesta, se observa que a mayor
velocidad y profundidad hay una tendencia a obtener peores acabados.

Aplicaciones

Diseño Factorial de 2 Factores con 3 y 4 niveles

1. Consideremos un experimento en el que se quiere estudiar el efecto de

los factores velocidad de alimentación y profundidad de corte sobre el acabado
de un metal. Aunque los factores son de naturaleza continua, en este proceso
sólo se pueden trabajar en 3 y 4 niveles, respectivamente. Por ello, se decide
correr un análisis factorial completo 4X3 con tres réplicas, que permitirá
obtener toda la información relevante en relación al efecto de estos factores
sobre el acabado. Aleatorizando las 36 pruebas se obtienen los datos
en la tabla siguiente. El acabado (Y) está en unidades de gramos e
interesa minimizar su valor.
Factor A
Factor 0.15 0.18 0.21 0.24
B
0.20 74 79 82 99
64 68 88 104
60 73 92 96
0.25 92 98 99 104
86 104 108 110
88 88 95 99
0.30 99 104 108 114
98 99 110 111
102 95 99 107

 Considere un nivel de significancia del 5 por ciento.

 Establezca las hipótesis
 Realice el ANOVA
  Cuáles son sus conclusiones

2. Con el objeto de averiguar la estabilidad de la vitamina C, en concentrado de

jugo de naranja (congelado, reconstituido) que se almacena en un refrigerador
por un periodo de una semana, se probaron 3 marcas del jugo de naranja a 3
diferentes tiempos. Estos últimos se refieren al número de días que transcurren
desde que el jugo de naranja se mezcla hasta que somete a la prueba. La
información se recogió de 4 diferentes muestras, provenientes de 4 diferentes
operarios. Los resultados expresados en miligramos de ácido ascórbico por litro
se presentan a continuación.
Factor M: (marca): M1, M2, M3
Factor T: (tiempo, días): T1 (3 días), T2, (5 días), T3 (7 días)
Bloques: (Operarios): B1, B2, B3, B4

M1 M2 M3
Bloques T1 T2 T3 T1 T2 T3 T1 T2 T3 Total
1 52.6 56.0 52.5 49.4 48.8 48.0 42.7 49.2 48.5 448.7
2 54.2 48.0 52.0 49.2 44.0 47.0 48.8 44.0 43.4 432.6
3 49.8 49.6 51.8 42.8 44.0 48.2 40.4 42.0 45.2 416.8
4 46.5 48.4 53.6 53.2 42.4 49.6 47.6 43.2 47.6 436.1
Total 203.1 202.0 209.9 194.6 179.2 192.8 179.5 178.4 184.7 1734.2

 Considere un nivel de significancia del 5 por ciento.

 Establezca las hipótesis
 Realice el ANOVA
 Cuáles son sus conclusiones

3. En unos laboratorios se está estudiando los factores que influyen en la

resistencia de un tipo particular de fibra. Se eligen al azar cuatro máquinas y
tres operarios y se realiza un experimento factorial usando fibras de un mismo
lote de producción. Los resultados obtenidos se muestran en la tabla adjunta.
Analizar los resultados y obtener las conclusiones apropiadas.
.

TIPOS DE MAQUINAS
OPERARIO A B C D
1 109 110 108 110
110 115 109 108
2 110 110 111 114
112 111 109 112
3 116 112 114 120
114 115 119 117

4. En un experimento factorial con dos niveles para el factor A y tres niveles para
el factor B se obtuvieron los datos siguientes.

Realice una prueba para determinar si hay algunos efectos principales significativos
o algún efecto de interacción. Use α=0.05.

5. De los cálculos de un experimento factorial con cuatro niveles para el factor A,

tres niveles para el factor B y tres replicaciones se obtuvieron los datos
siguientes: STC=280, SCA =26, SCB=23, SCAB=175. Dé la tabla ANOVA y
pruebe si hay algunos efectos principales significativos o algún efecto de
interacción. Use α=0.05

6. Una empresa de venta por catálogo diseñó un experimento factorial para

probar el efecto de tamaño y diseño de los anuncios publicitarios, en el
catálogo, sobre el número de solicitudes de catálogos recibidas (los datos están
dados en miles). Se pusieron a consideración tres diseños publicitarios y dos
tamaños. Los datos obtenidos se presentan a continuación. Emplee el ANOVA
 para un diseño factorial para probar si hay efectos significativos debidos al tipo
de diseño, al tamaño o a la interacción. Use α = 0.05.

Tamaño del anuncio

A Pequeño Grande

8 12

12 8

Diseño B 22 26

14 30

10 18

C 18 14

7. Un parque de diversión estudió los métodos para disminuir el tiempo de espera

(en minutos) al bajar y subir a los pasajeros a los diversos juegos. Se
propusieron dos métodos para subir y bajar a los pasajeros de los juegos. Para
tomar en cuenta las diferencias debidas al tipo de juego y a la interacción que
puede haber entre el tipo de juego y el método de subir y bajar a los pasajeros,
se diseñó un experimento factorial. Use los datos siguientes para hacer una
prueba sobre cualquier efecto significante debido al método para subir y bajar
a los pasajeros, al tipo de juego y a la interacción.
Use α=0.05.

Tipo de juego
 Montaña Rueda de la Tobogán
rusa fortuna

52
Método 1 50
41 44
46
43

50
48
49 46
Método 2 44
51

8. Se tienen dos sistemas de software para traducción del inglés a otros idiomas.
Para ver si hay diferencia en la rapidez de estos dos sistemas de traducción se
diseña un experimento factorial. Como el idioma al que se traduzca es también
un factor importante, los dos sistemas se prueban traduciendo a tres idiomas:
español, francés y alemán. Los datos siguientes dan el tiempo en horas que se
necesitó en cada uno de los sistemas. Realice una prueba para determinar si
hay alguna diferencia significativa de rapidez entre los dos sistemas de
software, entre los idiomas a que se traduce y si hay algún efecto de
interacción. Use α=0.05.

Idioma

Español Francés Alemán

Sistema 1 8 10 12

12 14 16
 6 14 16

Sistema 2 10 16 22

9. En una fábrica se diseña un experimento factorial para determinar si hay

diferencia entre el número de artículos defectuosos producidos por dos
máquinas y si el número de defectos depende también de si a estas máquinas
se les suministra la materia prima que necesitan, manualmente o mediante un
sistema de alimentación automático. A continuación se presentan los datos del
número de artículos defectuosos producidos. Use α=0.05 para probar si hay
algún efecto significativo debido a la máquina, al sistema de suministro de la
materia prima y a la interacción.

Suministro de materia prima

Manual Automático

Maquina1 30 30

34 26

20 24

Maquina 2 22 28

 Considere un nivel de significancia del 5 por ciento.

 Establezca las hipótesis
 Realice el ANOVA
 Cuáles son sus conclusiones