TRABAJO ENCARGADO

1. El porcentaje de la concentracin de madera dura en la pulpa bruta, la presin de la cuba y el tiempo de

coccin de la pulpa se investiga en cuanto a sus efectos sobre la resistencia del papel. Se seleccionaron tres
niveles de la concentracin de madera dura, tres niveles de la presin y dos tiempos de coccin. Se lleva a
cabo un experimento factorial con dos rplicas, obtenindose los siguientes datos.

Porcentaje de la Tiempo de coccin 3.0 hrs Tiempo de coccin 4.0 hrs

concentracin de Presin Presin
madera dura 400 500 650 400 500 650
2 196.6 197.7 199.8 198.4 199.6 200.6
196.0 196.0 199.4 198.6 200.4 200.9
4 198.5 196.0 198.4 197.5 198.7 199.6
197.2 196.9 197.6 198.1 198.0 199.0
8 197.5 195.6 197.4 197.6 197.0 198.5
196.6 196.2 198.1 198.4 197.8 199.8

a) Realizar el anlisis de varianza y sacar conclusiones. Utilizar = 0.05

Design Expert Output

Response 1 Resistencia
ANOVA for selected factorial model
Analysis of variance table [Classical sum of squares - Type II]
Sum of Mean F p-value
Source Squares df Square Value Prob > F
Model 59.73 17 3.51 9.61 < 0.0001 significant
A-Concentracin 7.76 2 3.88 10.62 0.0009
B-Tiempo de coccin 20.25 1 20.25 55.40 < 0.0001
C-Presin 19.37 2 9.69 26.50 < 0.0001
AB 2.08 2 1.04 2.85 0.0843
AC 6.09 4 1.52 4.17 0.0146
BC 2.19 2 1.10 3.00 0.0750
ABC 1.97 4 0.49 1.35 0.2903
Pure Error 6.58 18 0.37
Cor Total 66.31 35

The Model F-value of 9.61 implies the model is significant. There is only
a 0.01% chance that a "Model F-Value" this large could occur due to noise.

Values of "Prob > F" less than 0.0500 indicate model terms are significant.
In this case A, B, C, AC are significant model terms.

Los tres efectos principales, concentracin (A), presin (C) y tiempo (B), tambin la interaccin concentracin
x presin (AC) son significativos en el nivel de 5%. Las interacciones concentracin x tiempo (AB) y presin
x tiempo (BC) son significativos en el nivel de 10%.
 b) Construir las grficas de los residuales apropiados y comentar la adecuacin del modelo.

-Expert Software Design-Expert Software

Residuals vs. Presin
Resistencia
Residuals vs. Tiempo de coccin
ncia
0.85 0.85

0.425 0.425 2
2 3
2 2 2

Residuals
Residuals

0 0

2 2 2
-0.425 2 -0.425 3
2

-0.85 -0.85

1 2 3 1 2

C:Presin B:Tiempo de coccin

Expert Software
ncia
Residuals vs.Design-Expert
PredictedSoftware
Resistencia
Residuals vs. Porcentaje
0.85 0.85

0.425 2 0.425 2
2
Residuals
Residuals

0 0

2
2 -0.425 2
-0.425

-0.85 -0.85

195.90 197.11 198.33 199.54 200.75 1 2 3

Predicted Porcentaje

No hay nada inusual sobre los diagramas residuales

2. En un artculo de Journal of Testing and Evaluation, se investigaron los efectos de la frecuencia de carga
cclica y las condiciones ambientales sobre el crecimiento de las fisuras por fatiga con un esfuerzo constante
de 22 Mpa para un material particular. Los datos del experimento se presentan abajo (la respuesta es el
ndice de crecimiento de las fisuras por fatiga):

Medio ambiente
Frecuencia. Aire H2O H2O salada
2.29 2.06 1.90
2.47 2.05 1.93
10 2.48 2.23 1.75
2.12 2.03 2.06

2.65 3.20 3.10

2.68 3.18 3.24
1 2.06 3.96 3.98
2.38 3.64 3.24

2.24 11.00 9.96

2.71 11.00 10.01
0.1 2.81 9.06 9.36
2.08 11.30 10.40

a) Realizar el anlisis de varianza y sacar conclusiones. Utilizar = 0.05

Design Expert Output

Response 1 Crecimiento fisuras
ANOVA for selected factorial model
Analysis of variance table [Classical sum of squares - Type II]
Sum of Mean F p-value
Source Squares df Square Value Prob > F
Model 376.11 8 47.01 234.02 < 0.0001 significant
A-Frecuencia 209.89 2 104.95 522.40 < 0.0001
B-Medio ambiente 64.25 2 32.13 159.92 < 0.0001
AB 101.97 4 25.49 126.89 < 0.0001
Pure Error 5.42 27 0.20
Cor Total 381.53 35

The Model F-value of 234.02 implies the model is significant. There is only
a 0.01% chance that a "Model F-Value" this large could occur due to noise.

Values of "Prob > F" less than 0.0500 indicate model terms are significant.
In this case A, B, AB are significant model terms.

La frecuencia y el medio ambiente, tambin su interaccin son significativos

 b) Analizar los residuales

Los diagramas de residuales indican que puede haber un cierto problema con la desigualdad de la variacin.
Esto es particularmente sensible en el diagrama de residuales versus la respuesta prevista y el diagrama de
residuales versus frecuencia.

Expert Software
ento fisuras
Residuals vs.Design-Expert
PredictedSoftware
Crecimiento fisuras
Normal Plot of Residuals
0.71

99
2

95
0.15

Normal % Probability
90

80
2
Residuals

70

-0.41 50

30
20

10
-0.97
5

-1.53

1.91 4.08 6.25 8.42 10.59 -1.53 -0.97 -0.41 0.15 0.71

Predicted Residual

Expert Software
ento fisuras
Residuals vs. Medio ambiente
Design-Expert Software Residuals vs. Frecuencia
Crecimiento fisuras
0.71 0.71

2 2

0.15 0.15

2 2
Residuals

Residuals

-0.41 -0.41

-0.97 -0.97

-1.53 -1.53

1 2 3 1 2 3

B:Medio ambiente Frecuencia

 c) Repetir los anlisis de los incisos a) y b) utilizando ln(y) como la respuesta. Comentar los resultados.

Design Expert Output

Response 1 Crecimiento fisuras
Transform: Natural log Constant: 0
ANOVA for selected factorial model
Analysis of variance table [Classical sum of squares - Type II]
Sum of Mean F p-value
Source Squares df Square Value Prob > F
Model 13.46 8 1.68 179.57 < 0.0001 significant
A-Frecuencia 7.57 2 3.79 404.09 < 0.0001
B-Medio ambiente 2.36 2 1.18 125.85 < 0.0001
AB 3.53 4 0.88 94.17 < 0.0001
Pure Error 0.25 27 9.367E-03
Cor Total 13.71 35

The Model F-value of 179.57 implies the model is significant. There is only
a 0.01% chance that a "Model F-Value" this large could occur due to noise.

Values of "Prob > F" less than 0.0500 indicate model terms are significant.
In this case A, B, AB are significant model terms.

La frecuencia y el medio ambiente, tambin su interaccin son significativos. Los diagramas residuales
basados en los datos transformados se muestran a continuacin.

Expert Software
miento fisuras)
Residuals vs.Design-Expert
PredictedSoftware Normal Plot of Residuals
Ln(Crecimiento fisuras)
0.165324

99

95
0.0827832
Normal % Probability

90

80
2
Residuals

70

0.000242214 50

30
2
20

10
-0.0822988
5

-0.16484

0.65 1.07 1.50 1.93 2.36 -1.97 -0.98 0.00 0.99 1.97

Predicted Internally Studentized Residuals

Expert Software
imiento fisuras)
Residuals vs. Medio ambiente
Design-Expert Software
Ln(Crecimiento fisuras)
Residuals vs. Frecuencia
0.165324 0.165324

0.0827832 0.0827832

2 2
Residuals

Residuals
0.000242214 0.000242214

2 2

-0.0822988 -0.0822988

-0.16484 -0.16484

1 2 3 1 2 3

B:Medio ambiente Frecuencia

3. En el artculo de W.D. Baten publicado en el volumen de Industria Quality Control se describe un

experimento para estudiar el efecto de tres factores sobre la longitud de unas barras de acero. Cada barra se
someti a uno de dos procesos de tratamiento trmico y se cort en una de cuatro mquinas en una de tres
horas durante el da (8 am., 11 am y 3 pm.). Los datos de la longitud codificada son los siguientes:

Hora del Proceso de Mquinas

da tratamiento trmico 1 2 3 4
1 6 9 7 9 1 2 6 6
1 3 5 5 0 4 7 3
8:00 a. m.
2 4 6 6 5 -1 0 4 5
0 1 3 4 0 1 5 4
1 6 3 8 7 3 2 7 9
1 -1 4 8 1 0 11 6
11:00 a. m.
2 3 1 6 4 2 0 9 4
1 -2 1 3 -1 1 6 3
1 5 4 10 11 -1 2 10 5
9 6 6 4 6 1 4 8
3:00 p. m.
2 6 0 8 7 0 -2 4 3
3 7 10 0 4 -4 7 0

a) Analizar los datos de este experimento suponiendo que las cuatro observaciones de cada celda son
rplicas.
Design Expert Output
1 Longitud
ANOVA for selected factorial model
Analysis of variance table [Classical sum of squares - Type II]
Sum of Mean F p-value
Source Squares df Square Value Prob > F
Model 590.33 23 25.67 4.13 < 0.0001 significant
A-Tiempo 12.90 2 6.45 1.04 0.3596
B-Proceso 100.04 1 100.04 16.10 0.0001
C-Mquina 393.42 3 131.14 21.10 < 0.0001
AB 1.65 2 0.82 0.13 0.8762
AC 71.02 6 11.84 1.90 0.0917
BC 1.54 3 0.51 0.08 0.9693
ABC 9.77 6 1.63 0.26 0.9527
Pure Error 447.50 72 6.22
Cor Total 1037.83 95

The Model F-value of 4.13 implies the model is significant. There is only
a 0.01% chance that a "Model F-Value" this large could occur due to noise.

Std. Dev. 2.49 R-Squared 0.5688

Mean 3.96 Adj R-Squared 0.4311
C.V. % 62.98 Pred R-Squared 0.2334
PRESS 795.56 Adeq Precision 7.0195

Coefficient Standard 95% CI 95% CI

Term Estimate df Error Low High VIF
Intercept 3.96 1 0.25 3.45 4.47
A[1] -0.18 1 0.36 -0.89 0.54
A[2] -0.33 1 0.36 -1.05 0.38
B-Proceso -1.02 1 0.25 -1.53 -0.51 1.00
C[1] -0.54 1 0.44 -1.42 0.34
C[2] 1.92 1 0.44 1.04 2.80
C[3] -3.08 1 0.44 -3.96 -2.20
A[1]B 0.18 1 0.36 -0.54 0.89
A[2]B -0.04 1 0.36 -0.76 0.68
A[1]C[1] 0.51 1 0.62 -0.73 1.75
A[2]C[1] -1.58 1 0.62 -2.83 -0.34
A[1]C[2] -0.20 1 0.62 -1.44 1.04
A[2]C[2] -0.42 1 0.62 -1.66 0.83
A[1]C[3] 0.18 1 0.62 -1.07 1.42
A[2]C[3] 0.46 1 0.62 -0.78 1.70
BC[1] 0.10 1 0.44 -0.77 0.98
BC[2] -0.10 1 0.44 -0.98 0.77
BC[3] 0.15 1 0.44 -0.73 1.02
A[1]BC[1] -0.26 1 0.62 -1.50 0.98
A[2]BC[1] 0.21 1 0.62 -1.03 1.45
A[1]BC[2] -0.05 1 0.62 -1.29 1.19
A[2]BC[2] -0.46 1 0.62 -1.70 0.78
A[1]BC[3] -0.18 1 0.62 -1.42 1.07
A[2]BC[3] 0.42 1 0.62 -0.83 1.66

Final Equation in Terms of Coded Factors:

Longitud =
3.96
-0.18 * A[1]
-0.33 * A[2]
-1.02 *B
-0.54 * C[1]
 1.92 * C[2]
-3.08 * C[3]
0.18 * A[1]B
-0.04 * A[2]B
0.51 * A[1]C[1]
-1.58 * A[2]C[1]
-0.20 * A[1]C[2]
-0.42 * A[2]C[2]
0.18 * A[1]C[3]
0.46 * A[2]C[3]
0.10 * BC[1]
-0.10 * BC[2]
0.15 * BC[3]
-0.26 * A[1]BC[1]
0.21 * A[2]BC[1]
-0.05 * A[1]BC[2]
-0.46 * A[2]BC[2]
-0.18 * A[1]BC[3]
0.42 * A[2]BC[3]

b) Analizar los residuales de este experimento. Explique algn indicio de que hay un punto atpico en
una de las celdas? Si se encuentra un punto atpico, eliminarlo y repetir el anlisis de inciso a). A qu
conclusiones se llega?

Expert Software
d
Normal Plot ofDesign-Expert
ResidualsSoftware Residuals vs. Predicted
Longitud
4.5

99

95
1.8125
Normal % Probability

90
3
80 2 3 3
2
Residuals

70 2
2 3
50 -0.875
2
30
20 2
2
10
-3.5625
5

-6.25

-6.25 -3.5625 -0.875 1.8125 4.5 -0.50 1.69 3.88 6.06 8.25

Residual Predicted
c) Suponga que las observaciones de las celdas son las longitudes (codificadas) de barras que se
procesaron conjuntamente en el tratamiento trmico y despus se cortaron secuencialmente (es decir,
en orden) en las cuatro mquinas. Analizar los datos y determinar los efectos de los tres factores sobre
la longitud promedio.
d) Calcular la varianza logartmica de las observaciones de cada celda. Analizar esta respuesta. Qu
conclusiones pueden sacarse?
e) Suponga que la hora en que se corta una barra en realidad no puede controlarse durante la produccin
rutinaria. Analizar la longitud promedio y la varianza logartmica de la longitud de cada una de las 12
barras cortadas en cada combinacin mquina/proceso de tratamiento trmico. Qu conclusiones
pueden sacarse?