VELAZQUEZ TENORIO CARLOS

18070790
TAREA INTERPRETACION DE TODOS LOS
DATOS Y CALCULOS DEL EJERCICIO 2^2 Y
2^3
Experimento 23: ejemplo integrador
En una empresa que fabrica dispositivos electrónicos se identificó mediante un análisis de Pareto (Gutiérrez, 2005) que las
fracturas de las obleas de silicio por choques térmicos era la principal causa de obleas rotas en las etapas de procesamiento
conocidas como “grabado mesa” y “piraña”. Un grupo de esas áreas identificó a tres factores principales (temperaturas)
como las probables causas del problema.

Por ello, se utilizó un experimento factorial 23 con el objetivo de localizar una combinación de temperaturas en la cual se
rompan un mínimo de obleas por efecto térmico.
Los tres factores controlados y sus niveles en unidades originales, son las temperaturas:
T1 : Temperatura de grabado (–3°C, –1°C)
T2 : Temperatura de piraña (60°C, 98°C)
T3 : Temperatura de agua (20°C, 70°C)

La combinación (–3°C, 98°C, 20°C) fue el tratamiento usual o en operación antes del experimento. Así, uno de los
dos niveles en cada factor es la temperatura usual y el otro es una temperatura que se supone reduce el efecto
térmico sobre la oblea.
Tamaño de prueba: .La respuesta medida a cada oblea procesada en el experimento es binaria con valor
1 si la oblea se rompe, y 0 si no se rompe.
En este tipo de variables de respuesta, un asunto crítico es decidir el tamaño de prueba, es decir, el
número de obleas a procesar en cada corrida. Por lo tanto, se recomienda establecerlo a partir de la
estimación inicial de la magnitud del problema, de forma que en todas las corridas experimentales haya
una alta probabilidad de reproducir el problema.

Por ejemplo, en este caso se sabe que el número de obleas que se rompen en el
tratamiento usual son 30 por cada 1 000, lo cual equivale a una proporción de
p0 = 0.03. La estimación del número de obleas a correr en cada prueba se calcula con
la fórmula:

donde p0 es la proporción utilizada como base, considerando que interesa detectar

con una potencia de 90% un efecto de tamaño 0.9 p0. En este experimento p0 = 0.03
y sustituyéndolo en la relación anterior se obtiene que m = 203 obleas era suficiente,
pero se decide utilizar m = 250 para detectar efectos un poco más pequeños con buena potencia

Se decide correr dos réplicas.

Hipótesis
H0:Efecto de temperatura de grabado (A) =0
HA: Efecto de temperatura de grabado (A) ≠0

H0:Efecto de temperatura Piraña(B)=0

HA: Efecto de temperatura Piraña(B) ≠0

H0:Efecto de temperatura de agua (C)=0

HA: Efecto de temperatura de agua (C) ≠0

H0:Temperatura de grabado x T. piraña (AB)=0

HA: Temperatura de grabado x T. piraña (AB) ≠0

H0 :Temperatura de grabado x T. agua(AC)=0

HA :Temperatura de grabado x T. agua(AC)=0

H0: Temperatura Piraña x T . Agua(BC) =0

HA: Temperatura Piraña x T . Agua(BC) ≠0

H0:Temperatura de grabado x T. Piraña x T.Agua (ABC)=0

HA: Temperatura de grabado x T. Piraña x T.Agua (ABC) ≠0
Minitab
• GL:
• SC.SEC:
• CONTRIBUCION:
• SC.AJUST:
• MC.AJUST:
• VALOR F:
• VALOR P:
• S:Observamos que el valor S da un valor muy bajo que nos indica que la desviación estándar de los puntos de datos
alrededor de los valores ajustados es 0.0053852, en caso de que comparáramos este modelo con otro, el de menor valor
indica el mejor ajuste.
• R^2: Vemos que existe un buen ajuste en nuestro modelo ya que contamos con una R^2 de l 91.07%, y entre mayor sea
este valor mejor es el ajuste. En caso de comparar este modelo con algún otro se recomienda trabajar con los mismos
predictores, ya que entre mas predictores mayor será R^2 sin importar el caso.
• R^2 (AJUST.): Este valor nos servirá a la hora de comparar nuestro modelo con otro que tenga mas o menos predictores,
es decir, en este caso tenemos un valor de 83.26%, en caso de que agregáramos otro predictor y elaboráramos el
modelo, si este valor se mantiene en 83.26% significa que este predictor no tiene influencia sobre el modelo, por lo tanto
se eliminaría. En caso de ser un valor diferente entonces habría que tomar este valor en cuenta y elegir el nuevo modelo.
• PRESS: En el caso del valor de PRESS lo que podemos decir es que al ser un valor muy bajo nos indica que el modelo
es bueno para predecir, además que lo utilizamos para sacar R^2 pred. Que nos indicara de manera mas intuitiva el valor
de predicción que tiene nuestro modelo.
• R^2 (PRED.): Podemos observar que la diferencia con R^2 es del 27% aprox. Esto podría indicarnos que nuestro modelo
está sobreajustado, es decir, que estamos tomando factores que no son importantes en la población.
• AICc y BIC: Estos valores son principalmente utilizados para ser comparados con otros modelos, sin embargo en este
problema solo trabajamos con un modelo, por lo tanto los dejaremos de lado de momento. Cabe mencionar que entre
menor sea el valor de estos mejor desempeño tiene el modelo.
• COEF.: Representa la diferencia entre cada media de nivel y la
media general.
• EE DEL COEF: Podemos ver que el error es menor que el
coeficiente en todos los casos menos en ABC y BC, esto nos
indica que estas interacciones no estan siendo estimadas de
manera eficiente, concluimos que no se puede decir que estos
coeficientes son diferentes que 0.
• IC 95%: Nos indica los valores en los cuales podemos
encontrar el valor del coeficiente.
• VALOR T: Podemos obervar que las 3 interacciones indican
que la relación entre el error estándar y el coeficiente es
positiva, se puede utilizar esto para concluir si el coeficiente es
significativamente que 0, sin embargo esto lo dejaremos para el
valor p, aunque ya de inicio podemos ver que estas 3
interacciones no son significativas.
• VALOR p: Concluimos que las 3 interacciones sobrepasan el
nivel de significancia de 0.05, por lo tanto estas 3 no son
significativamente diferentes de cero y por lo tanto se rechaza la
H0 de estos y debemos interpretar los efectos principales.
• FIV: El valor de 1 en todos los casos nos indica que no existe
correlacion entre los predictores, lo cual es bueno.
 INTERPRETACION:
describe la relación entre la
respuesta y los términos en
el modelo.

AJUSTE: Podemos observar que minitab nos arroja la

tabla para observ poco comunes lo que indica que estas
observaciones no siguen adecuadamente la ecuación de
regresión propuesta. Vemos que hay una diferencia entre
lo observado y el ajuste en ambos casos.
EE DE AJUSTE: Al ser iguales los dos errores, existe
una probabilidad del 50-50 de que los dos conjuntos
estén cerca de la variable de respuesta.
IC DE 95%:
IC DE 95%: Nos indica los intervalos, y estamos un 95%
seguros de que los valores caerán entre estos.
RESIDUOS-AA-D DE COOK- DFITS. Nos indica los
mismos valores para las dos observaciones,, se deben
estudiar esas observaciones y la razón por la cual dieron
estos resultados
Las demás observaciones fueron comunes y por lo tanto
no es necesario analizarlas una por una.
Diagrama de Pareto Minitab
INTERPRETACION:
Observamos que los
factores A, AC, C y B son
los que mayor efecto
tienen en el modelo, en
este orden como lo
muestra la grafica, sin
embargo no podemos
saber si este efecto es
positivo o negativo, esto
lo analizaremos en las
graficas de mas adelante.
De momento podemos
descartar que exista un
efecto dado por la
interaccion ABC, BC y
AB.
GRAFICA DE PROB NORMAL: Se observa
que los valores siguen una distribución
normal, sin embargo son muy pocas las
observaciones para poder concluir esto de
manera irrefutable, además de que se
observan patrones en la distribución.
HISTOGRAMA: Podemos observar que el
histograma no es asimétrico, sin embargo se
observan los dos valores atípicos que vimos
en la tabla de ajustes poco comunes, por lo
tanto seguimos con la idea de que hubo un
problema en esas observaciones.
VS AJUSTES: Tenemos dos puntos atípicos
de nuevo, sin embargo al parecer la varianza
es constante por lo que podriames concluir de
esta grafica que el modelo es aceptable, sin
embargo se deben investigar esos dos puntos
mencionados.
VS ORDEN: Observamos un ciclo en esta
grafica, lo que nos indica que los residuos son
dependientes y por lo tanto debemos
investigar la causa.
Efectos principales

INTERPRETACION: Se
observan los efectos
principales para la variable de
respuesta, en este caso vemos
que el valor 1 de cada efecto
nos da menor media en la
variable de respuesta, es decir
-3, 60, 20° respectivamente.
Ahora habrá que ver la
interaccion entre estos efectos
y la variable que arrojan.
INTERPRETACION: De acuerdo
con la grafica de la esquina inferior
izquierda se aprecia una interacción
importante entre la temperatura de
grabado y la temperatura de agua,
en particular se observa que si se
trabaja con temperatura alta de
grabado, prácticamente da lo mismo
utilizar cualquiera de las dos
temperaturas de agua. Ademas
podemos observar en las otras dos
graficas que no existe efecto entre
estas interacciones, excepto en la
que mencionamos.
Para la predicción en cada punto del diseño (cubo) se utiliza el modelo de regresión que corresponde al mejor ANOVA
(tabla 6.9), el cual, en unidades codificadas, está dado por: Y = 0.01525 – 0.00975 T1 – 0.00325 T2 – 0.00425 T3 +
0.00475 T1 T3En ese mismo cubo, comparando la respuesta predicha en la cara lateral derecha contra la cara de la
izquierda del cubo, se nota que todos los tratamientos donde la temperatura de grabado (T-Grab) trabaja en su nivel alto,
rompen menos obleas que cuando esta temperatura se encuentra en su valor bajo. La respuesta predicha en los dos
puntos óptimos es cercana a 0.175% y 0.275% de obleas rotas, lo que contrasta con la respuesta en la combinación de
temperaturas que se utilizaban antes del experimento, que era (T1, T2, T3)= (–1, 1, –1), en donde se pronostica 3.07% de
obleas rotas.
Con base en lo anterior, se decidió implementar uno de los dos mejores tratamientos y se redujo de manera
significativa el número de obleas rotas por efecto térmico. Se evaluó el impacto de la mejora, y fue de 96 000
dólares anuales debido a la reducción de las obleas rotas.
El mejor ANOVA. El ANOVA con todos los efectos se muestra en la tabla ,ahí se aprecia coincide con
lo visto en el diagrama de Pareto estandarizado. Además se puede notar que el valor-p para el efecto
B está cerca de 0.05, por lo que la decisión de si tal efecto es o no significativo representa mayores
riesgos de error
● que los efectos que tienen un valor-p menor que 0.05, son los efectos principales de A, B y C; y
la interacción AC que
Es usual construir el mejor ANOVA, en el que en una primera ronda se eliminan del análisis y se
mandan al error a los efectos que claramente no son significativos. Después de esta primera ronda
se revalora a los términos que estaban en una situación dudosa, como era el caso del efecto B en la
tabla 6.8. En una segunda o tercera ronda se eliminan los términos que no resultaron significativos
después de la(s) ronda(s) inicial(es).Al hacer lo anterior en el caso del ANOVA de la tabla 6.8,es claro
que los efectos AB, BC y ABC son no significativos, por lo que se eliminan y se mandan al error para
obtener el análisis de varianza de la tabla 6.9. En ésta se observa que el efecto B sigue siendo
significativo.
● De esta manera, como este ANOVA sólo tiene términos significativos, podemos considerarlo como el
mejor. También, al final de este análisis se obtiene el coeficiente de determinación que señala que un
alto porcentaje de la variabilidad observada en el experimento (proporción de obleas rotas) es explicado
por los efectos considerados en la tabla 6.9. Al graficar los residuos contra predichos y los residuos en
papel normal se observa el cumplimiento de los supuestos de varianza constante y normalidad.
CONCLUSIÓN
● La temperatura que mas afecta el proceso es la
temperatura del grabado y es la que ocasiona las
rupturas de las obleas de silicio.
● Se debe analizar el motivo por lo cual el modelo
arrojo dos valores atípicos, además de que al
parecer nuestros residuos son dependientes. Se
puede concluir que el modelo cumple, sin embargo
existen cosas que deben ser analizadas a fondo
porque podríamos estar teniendo sesgos de
información.
 Diseño
Factorial
2 2
 EXPERIMENTO 2^2: EJEMPLO INTEGRADOR

Ahora interesa estudiar el efecto del tamaño de broca (factor A) y de la velocidad (factor B) sobre la vibración de la
ranuradora (respuesta Y). Para ello, se decide utilizar un diseño factorial 2^2 con cuatro replicas, lo cual da un total de
4x2^2=16 corridas del proceso, que se realizan en orden aleatorio. El tamaño de la broca se prueba en 1/16 y en 1/8 de
pulgada y la velocidad en 40 y 90 revoluciones por segundo, según se describe en la siguiente tabla:
En la Tabla 6.3 se muestra el diseño factorial utilizado en sus unidades originales, que son las que se necesitan al momento
de hacer las pruebas o corridas del proceso. También se muestra la notación (+,-), y los datos obtenidos en las 16 pruebas.
En la ultima columna se muestra el total por tratamiento utilizado la notación de Yates.

La aplicación en este ejemplo de los principios básicos del diseño de experimentos se aprecia en el hecho de que se
aleatorizaron las 16 corridas del proceso y se hicieron cuatro repeticiones de cada tratamiento; además se supone que todo el
experimento se corre en igualdad de circunstancias con respecto al resto de factores no estudiados (principio de bloqueo), es
decir, los factores controlables no incluidos en el estudio se mantienen lo mas fijo posible durante la realización de las
pruebas.
La representación geométrica del experimento se muestra en la figura 6.3. observe la relación entre las unidades originales y
las unidades codificadas, así como el significado de la notación de Yates.
 HIPOTESIS

OBJETIVO: OBJETIVO ES MINIMIZAR LA VIBRACIÓN DE LA RANURADORA Y

QUE LAS INTERACCIONES TIENEN PRIORIDAD CON RESPECTO A LOS EFECTOS
PRINCIPALES.
● HO: Efecto del tamaño (A)= 0
● HA: Efecto del tamaño (A)≠ 0

● HO: Efecto de la velocidad (B)=

0
● HA: Efecto de la velocidad (B)≠
0

● HO: tamaño x velocidad (AB)= 0

● HA: tamaño x velocidad (AB)≠ 0
En este caso, y de acuerdo con la ANOVA, tanto los dos efectos principales (broca y velocidad) como el efecto de interacción
(broca × velocidad)tienen un efecto significativo sobre la vibración de la ranuradora.

GL: Los grados de libertad se determinan según el tamaño de la muestra, en este caso son 16 corridas del proceso pero la formula
nos dice que son n-1 por ello nos da un total de 15 grados de libertad.
SC Ajust. Se calcula a partir de la suma de cuadrados de cada factor individualmente y se divide entre el total de grados de
libertad en este caso 16. En este caso se presentan las medidas de variación para cada factor (Tamaño de la broca, velocidad y la
interacción entre estos dos).
MC Ajust. Este mide todas las variaciones que hay en la prueba.
Error de SC Ajust. el error se calcula de la resta del total de SC Ajust. Menos el tamaño de la broca, la velocidad y la interacción
de estos dos factores dando un total de 71.72
SC Ajust. Total se da al sumar la varianza el tamaño de la broca, velocidad, la interacción entre los dos términos y el error.
El valor F se utiliza para calcular el valor p, cuando es mayor al valor critico, como en nuestro caso quiere decir que existe
diferencia significativa. Del valor de F0 se aprecia que el efecto más importante es el del factor A, es decir el tamaño de la broca.
El valor p está por debajo de un nivel de significancia (α) especificado, es decir la diferencia es estadísticamente significativa y se
rechazan las hipótesis nulas de la prueba.
De acuerdo con la columna para el valor-p, cuyas entradas son menores que 0.05, se rechazan las tres hipótesis nulas H0 : efecto
A = 0, H0 : efecto B = 0 y H0 : efecto AB = 0, y se concluye que HA : efecto A diferente 0, HB : efecto B diferente 0 y HAB : efecto
AB diferente 0, respectivamente, con a = 0.05. Esto es, se acepta que sí hay efecto de A, B y AB, es decir, los tres efectos están
activos o son significativos. El valor-p de magnitud tan pequeña para los tres efectos nos muestra que la conclusión es
contundente y que prácticamente no se corre ningún riesgo de rechazar en falso.
 RESUMEN DEL MODELO:
El modelo ajustado de la expresión explica 94.76% de la
variabilidad de la vibración observada en el experimento
(algo similar nos dice el R2 que es 95.81). Esto significa
que los factores estudiados (tipo de broca y velocidad de
la ranuradora), junto con su interacción, son responsables
o explican un alto porcentaje de la variabilidad observada
en la variable de respuesta (vibración).

COEFICIENTES CODIFICADOS:
El coeficiente de la velocidad es mas pequeño que el coeficiente del tamaño de la broca.
Al dividir el coeficiente entre su error obtenemos el valor T.
El valor p resultante de todos los coeficientes es 0 o sea es menor respecto al nivel de significancia.
El error estándar para todos los coeficientes es de 0.611.
S: • La grafica de probabilidad normal
no muestra ninguna anomalía la
mayoría de los puntos están
alineados por lo que nos damos
cuenta que no hay error.
• En la grafica de residuo vs
ajustes se observa que no cumple
con los supuestos del modelo ya
que no tiene una varianza
constante.
• La grafica de residuo vs orden
nos puede mostrar que los residuos
son dependientes unos de otros.
• Podemos observar que la
asociación no es
estadísticamente significativa
ya que el valor de los factores
es mayor al nivel de
significancia .
 El tamaño de la broca afecta mucho la media de la
De acuerdo con la gráfica se puede ver la resistencia de vibración vibración porque la línea no es horizontal. La velocidad
de acuerdo al tamaño de la broca (br) si el trabajador usa desde también afecta la cantidad que se tiene de vibración
el inicio la broca en 1/16 se obtendrá la menor vibración posible. debido a que también su recta no es horizontal pero en
menor medida que el tamaño de la broca.
 CONCLUSIÓN
De acuerdo con los datos obtenidos por el análisis de varianza, graficas y
ANOVA se puede concluir que se rechazan las hipótesis nulas de cada
caso, debido a que todos mantienen una variabilidad notable que altera
los resultados que se esperaban en H0. Para este caso se debe tomar lo
menor es lo mejor. Debemos tomar en cuenta que mientras menor sea la
vibración será mejor el resultado, por lo que las mejores condiciones de
operación son Tamaño de broca 1/16 a 90 revoluciones por segundo.
Se puede afirmar que cuando la broca se encuentra en su nivel bajo, la
velocidad no afecta de manera significativa la vibración, por el contrario,
cuando la broca se encuentra en su nivel alto, la velocidad tiene un efecto
considerable sobre la vibración. En otras palabras, al estar la broca en su
nivel bajo, la vibración será baja sin importar la velocidad. Si bien, es
cierto que es razonable pensar que a mayor velocidad y a menor tamaño
de broca la vibración sea menor.