ÍNDICE

Introducción........................................................................................................... 3

5. Diseños factoriales. .......................................................................................... 4

5.1 Diseños factoriales con dos factores. ........................................................... 5

5.2 Diseños factoriales con tres factores. ......................................................... 10

5.3 Diseño factorial general. ............................................................................... 13

5.4 Modelos de efectos aleatorios. .................................................................... 16

5.5 Uso de un software estadístico. ................................................................... 22

Conclusión ........................................................................................................... 27

Referencias bibliográficas .................................................................................. 28

 Instituto Tecnológico Superior de
Coatzacoalcos
División de Ingeniería Industrial

FEBRERO –JUNIO 2019

Nombre del Alumno: Cruz Martínez Víctor Manuel

Apellido Paterno Apellido Materno Nombre(s)

ASIGNATURA: ESTADISTICA INFERENCIAL II

UNIDAD 5: DISEÑOS FACTORIALES.

Nombre del Docente: JIMENEZ VENTURA BRICIO

Apellido Paterno Apellido Materno Nombre(s)

Semestre: 4° Grupo: “C” No. Control: 17081151 Fecha: 22/05//2019

Introducción

Los diseños factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y
Henry J. Gilbert de la Estación experimental de Rothamsted. Ronald Fisher discutió
en 1926 que los diseños «complejos», como diseños factoriales, eran más eficientes
que estudiando un factor a la vez. Fisher escribió: «ningún aforismo se repite tan
frecuentemente respecto de las pruebas de campo, que aquel de que a la
Naturaleza debemos hacerle pocas preguntas, o, idealmente, hacérselas de a una.
Quien escribe es un convencido de que este punto de vista está totalmente
equivocado». Un diseño factorial permite el efecto de varios factores e incluso
interacciones entre ellas que se determinarán con el mismo número de ensayos que
son necesario determinar de los efectos por sí mismo con el mismo grado de
exactitud.

El diseño de tratamientos es independiente del diseño experimental que indica la

manera en que los tratamientos se aleatorizan a las diferentes u.e. y las formas de
controlar la variabilidad natural de las mismas. Así, el diseño experimental puede
ser completamente al azar, bloques al azar, bloques al azar generalizados, cuadro
latino, etc. y para cada uno de estos diseños se puede tener arreglo factorial de los
tratamientos, si estos se forman por la combinación de niveles de varios factores.

A ambos tipos de diseños, el de tratamientos y el experimental, les corresponde un

modelo matemático.
5. Diseños factoriales.
Es frecuente que en muchos procesos existan varios factores de los que es
necesario investigar de manera simultánea su influencia sobre una o varias
variables de respuesta, donde cada factor tiene la misma importancia a priori desde
el momento que se decide estudiarlo, y es poco justificable suponer de antemano
que los factores no interactúan entre sí. Los diseños experimentales que permiten
estudiar de manera simultánea el efecto de varios factores son los llamados diseños
factoriales.

El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una

o varias respuestas o características de calidad y determinar una combinación de
niveles de los factores en la cual el desempeño del proceso sea mejor que en las
condiciones de operación actuales; es decir, encontrar nuevas condiciones de
operación del proceso que eliminen o disminuyan ciertos problemas de calidad en
la variable de salida.

Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador,
la presencia o ausencia de una operación previa, etc.), o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para poder estudiar la manera en
que incluye cada factor sobre la variable respuesta, es necesario elegir al menos
dos niveles de prueba para cada uno de ellos (tres máquinas, dos operadores, tres
velocidades, dos temperaturas, etc.). Con el diseño factorial completa se corren
aleatoriamente en el proceso todas las posibles combinaciones que pueden
formarse con los niveles seleccionados. Un diseño de experimentos factorial o
arreglo factorial es el conjunto de puntos experimentales o tratamientos que pueden
formarse considerando todas las posibles combinaciones de los niveles de los
factores. Por ejemplo, con k = 2 factores, ambos con dos niveles de prueba, se
forma el diseño factorial 2x2=22, que consiste de cuatro combinaciones o puntos
experimentales. Considerando otra vez k = 2 factores, pero ahora uno con tres
niveles y el otro con dos niveles, se pueden construir 3 x 2 combinaciones que dan
lugar al diseño
factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita el número
de tratamientos que lo componen. Para obtener el número de corridas
experimentales se multiplica el número de tratamientos por el número de réplicas,
donde una réplica se lleva a cabo cada vez que se repite el arreglo completo. Más
en general, la familia de diseños factoriales 2k consiste de k factores, todos con dos
niveles de prueba; y la familia de diseños factoriales 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 4x2x2=4x22, que consiste de 16 combinaciones de niveles diferentes.

5.1 Diseños factoriales con dos factores.

El experimento factorial más sencillo es en el que intervienen solamente dos
factores, por ejemplo, A y B. Hay niveles del factor A y niveles del factor B. El
experimento tiene réplicas y cada réplica contiene todas las combinaciones de
tratamientos ab. 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 axb, que
consiste de tratamientos. Se llama replica 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 réplicas, el número total de
corridas experimentales es (axb).

Efecto principal y efecto de interacción

El efecto de un factor se define como el cambio observado en la variable de

respuesta debido a un cambio de nivel de tal factor. En particular, los efectos
principales son los cambios en la media de la variable de respuesta que se deben
a la acción individual de cada factor. En términos matemáticos, el efecto principal
de un factor con dos niveles es la diferencia entre la respuesta media observada
cuando tal factor estuvo en su primer nivel, y la respuesta media observada cuando
el factor estuvo en su segundo nivel.

Ejemplo

Diseño factorial . Suponga que, en un proceso de fermentación tequilera, se tienen

dos factores A: tipo de levadura y B: temperatura, cada uno con dos niveles
denotados por respectivamente. La
respuesta de interés es el rendimiento del proceso de fermentación. En la tabla 4.1
se muestran los cuatro tratamientos o puntos del diseño factorial , y entre
paréntesis se ha indicado cada nivel con los códigos (1, -1). En el experimento
original cada tratamiento se corrió tres veces (tres réplicas), lo cual da un total de
12 corridas del proceso, pero, por simplicidad, en la última columna de la tabla 4.1
sólo se anotaron los resultados de la primera réplica.

Tabla 4.1 Diseño factorial

A: Levadura B: Temperatura Y: Rendimiento
28
41
63
45

Para los datos de la tabla 4.1, los efectos principales están dados por

Efecto A =

Efecto B =
por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte,
se dice que dos factores interactúan entre sí o tienen un efecto de interacción
sobre la variable de respuesta, cuando el efecto de un factor depende del nivel
en que se encuentra el otro. Por ejemplo, los factores A y B interactúan si el
 efecto de A es muy diferente en cada nivel de B, o viceversa. Ahora veamos esto
con los datos de la tabla
4.1: el efecto de A cuando B es baja está determinado por

Efecto A (con B bajo) = 41 - 28 = 13

y cuando la temperatura es alta, el efecto de A es
Efecto A (con B alta) = 45 - 63 = 13

Como estos dos efectos de A en función del nivel de B son muy diferentes, entonces
es evidencia de que la elección más conveniente del nivel de A depende del nivel
en que esté B, y viceversa. Es decir, eso es evidencia de que los factores de A y B
interactúan sobre Y. En la práctica, el cálculo del efecto A en cada nivel de B no se
hace, y más bien se calcula el efecto global de la interacción de los dos factores,
que se denotan por AB y se calculan como la diferencia entre la respuesta media
cuando ambos factores se encuentran en el m ismo nivel: (-1, -1); (1, 1), y la
respuesta media cuando los factores se encuentran en niveles opuestos: (-1, 1) (1,
-1). Para el ejemplo, el efecto de interacción levadura x temperatura está dado por

Los valores absolutos (sin importar el signo) de los efectos principales y del efecto
de interacción son una medida de importancia de su efecto sobre la variable de
respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si los
efectos son estadísticamente significativos (diferentes de coro) se requiere el
análisis de varianza (ANOVA).
Modelo estadístico
Con un diseño factorial 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
podría describir mediante el modelo de efectos:
donde es la media general, es el efecto debido al i-ésimo nivel del factor
es el efecto del j-ésimo nivel del factor B, representa al efecto de interacción
en la combinación es el error aleatorio que supone sigue una distribución
con media cero y varianza constante y son independientes entre sí.
Para que la estimación de los parámetros en este modelo sea única, se introducen
las restricciones:

Es decir, los efectos dados en el modelo son desviaciones respecto de la media

global. Puede usarse el análisis de varianza para probar hipótesis relativas a los
efectos principales de los factores A y B y la interacción AB.

En este modelo, las hipótesis de interés para los tres efectos son:

Estas hipótesis se prueban mediante la técnica de análisis de varianza que para un

diseño factorial con réplicas resulta de descomponer la variación total como,

donde los respectivos grados de libertad de cada una de ellas son:

El factor en los grados de libertad de la suma de cuadrados del error ( )
señala que se necesitan al menos dos réplicas del experimento para calcular ese
componente y, por ende, para construir una tabla de ANOVA. Recordemos que las
sumas de cuadrados divididas entre sus correspondientes grados de libertad se
llama cuadrados medios . Al dividir éstos entre el cuadrado medio del error
se obtienen estadísticos de prueba con distribución F. Toda esta información
se sintetiza en la siguiente tabla:

ANOVA para el diseño factorial

FV SC GL CM Valor-p
Efecto A
Efecto B
Efecto AB
Error
Total

Si el valor-p es menor al nivel de significancia prefijado, se rechaza la hipótesis

nula y se concluye que el correspondiente efecto está activo o influye en la variable
de respuesta.

Recordemos la notación de puntos para representar sumas y medias:

5.2 Diseños factoriales con tres factores.

El modelo de diseño de experimentos con dos factores se puede generalizar a tres

o más factores, aunque presenta el gran inconveniente de que para su aplicación
es necesario un tamaño muestral muy grande.

El modelo de diseño de experimentos completo con tres factores (T , T y T ),

interacción y replicación (K réplicas) tiene el siguiente modelo matemático:

En este modelo se tienen tres factores-tratamiento: el factor T (efecto ) con

niveles i = 1,...,I, el factor T (efecto ) con niveles j = 1,...,J, y el factor T (efecto
) con niveles r = 1,...,R. Cada tratamiento se ha replicado K veces. Por tanto, se
tienen n = IJRK observaciones. El término ijk es la interacción de tercer
orden que, en la mayoría de las situaciones, se suponen nulas.

En este modelo se verifican las siguientes restricciones

El número de parámetros del modelo es

Parámetros Número
1
i I-1
j J-1
r R-1
ij

ir

jr

ijr
2 1
Total IJR + 1

Los estimadores máximo-verosímiles de este modelo son los siguientes (se utiliza
la notación habitual):

De la media global

de los efectos principales,

de las interacciones de segundo orden

de las interacciones de tercer orden

La descomposición de la variabilidad se obtiene la siguiente tabla ANOVA (Tabla

5.4.), a partir de la cual se pueden obtener contrastes como en la sección anterior.

CUADRO DEL ANÁLISIS DE LA VARIANZA

— MODELO COMPLETO DE TRES VÍAS —

Fuente de variación Suma de cuadrados g.l.

Factor T I 2 I-1
scT = J RK i=1 i

Factor T J 2 J-1
scT = IRK j=1 j

Factor T R 2 R-1
scT = IJK r=1 r
 Inter. I J 2 (I - 1)(J - 1)
sc = RK i=1 j=1 ij

Inter. I R 2 (I - 1)(R - 1)
sc = JK i=1 r=1 ir

Inter. J R 2 (J - 1)(R - 1)
sc = IK j=1 r=1 jr

Inter. I J R 2 (I - 1)(J - 1)(R - 1)

sc =K i=1 j=1 r=1 ijr

Residual I J R K 2 IJR(K - 1)
scR = i=1 j=1 r=1 t = 1 eijrk

Global I J R K 2 IJRK - 1
scG = i=1 j=1 r=1 t = 1 eijrk

Tabla 5.4. Cuadro del análisis de la varianza para un diseño completo de tres
factores.

5.3 Diseño factorial general.

Lo que se ha dicho para los dos diseños factoriales con 2 y 3 factores puede
extenderse fácilmente para cuando se tienen más factores. Considerarse
factores A, B, C,…, K con niveles
respectivamente, donde la letra K denota al -ésimo
o último factor del conjunto a estudiar, no necesariamente el undécimo, que es el
lugar de esta letra en el alfabeto. Con estos niveles y factores se puede construir
el diseño factorial general que consiste de tratamientos
o puntos de prueba. Con este diseño se pueden estudiar efectos principales,
interacciones dobles, interacciones triples, y
así sucesivamente hasta la única interacción de los factores (ABC…K). El cálculo
del número de interacciones de cierta cantidad de factores se hace mediante la
operación ¨combinaciones de en

que cuenta el número de diferentes maneras de seleccionar factores de los ,

donde =
Por ejemplo, el diseño factorial tiene cinco efectos principales, 10 interacciones
dobles, 10 interacciones triples, cinco interacciones cuádruples y una interacción
quíntuple, lo cual da un total de 31 efectos. Por su parte, la factorial también tiene
este mismo número de efectos, pero al contar con tres niveles en cada factor, cada
efecto principal se puede descomponer en su parte lineal y cuadrática. Cabe
destacar que mientras el diseño factorial tiene 32 tratamientos, la factorial
tiene 243, una cantidad de tratamientos difícil de manejar. Aun si pudiera correrse,
representa una opción muy ineficaz; además, existen arreglos experimentales más
pequeños y eficientes.

De acuerdo con lo antes dicho, en la factorial general se pueden

plantear hipótesis que se prueban mediante el análisis de varianza. Si se
tienen réplicas. Las primeras tres columnas de este ANOVA se muestran en la
siguiente tabla ANOVA para el diseño factorial general

FV SC GL

Error
Total

La suma de cuadrados totales está dada por:

donde N = es el total de observaciones en el experimento. Las sumas de
cuadrados de efectos son:

Al final, la suma de cuadrados del error se calcula por sustracción,

En el ANOVA para la factorial general se observa la necesidad de

contar con al menos dos réplicas del experimento para calcular la suma de
cuadrados del error ( ), y completar toda la tabla ANOVA. Sin embargo, esta
necesidad de réplicas ( , que se ha mencionado. Es para el caso irreal de que
interesan los efectos. Pero resulta que, con excepción de la factorial , en
una factorial completa prácticamente nunca interesan todos sus posibles efectos,
puesto que en términos generales sólo algunos de ellos están activos. El principio
de Pareto, que en este contexto también se llama principio de esparcida de efectos,
dice que la mayoría de la variabilidad observada se debe a unos pocos de los
efectos posibles; por lo común se debe a algunos efectos principales e interacciones
dobles.

5.4 Modelos de efectos aleatorios.

Hasta aquí los modelos de efectos que se han utilizado son modelos de efectos o
factores fijos, lo cual significa que todos los niveles de prueba en cada factor son
todos los disponibles para ese factor, o bien, se estudian todos los niveles de
interés en ese factor; es en este sentido que los niveles están fijos. Éste es el caso,
por ejemplo, cuando en el factor operador se toman los tres únicos operadores
como los niveles de prueba, o cuando los niveles del factor máquinas son las
cuatro máquinas existentes. O bien, cuando se comparan tres tipos de material
porque son los que interesa comprar, aunque existan otros materiales de ese tipo.
Con factores fijos, las conclusiones obtenidas sólo son válidas para los niveles de
prueba que se estudian en el experimento.

En ocasiones, los niveles de prueba son una muestra aleatoria de la población de

niveles posibles. En este caso es más apropiado utilizar un modelo de efectos o
factores aleatorios. Un ejemplo de esta situación es cuando se prueban cinco
instrumentos de medición, pero la población de los mismos es de 100 instrumentos;
obviamente, no es posible experimentar con todos los equipos. Entonces se
experimenta sólo con cinco de ellos elegidos al azar, y las conclusiones obtenidas
se infieren como válidas para la población entera de instrumentos.
La aplicación de un modelo de efectos aleatorios conlleva la necesidad de
considerar la incertidumbre asociada con la elección aleatoria de los niveles de
prueba. Es decir, ya no tiene sentido, para un factor A, preocuparse por el efecto
del nivel
Modelo de efectos aleatorios como en efectos fijos. Lo que ahora (con efectos
aleatorios) tiene sentido es hablar de la varianza con la que el factor aleatorio
contribuye a la variación total; es decir, es preciso estimar dicha varianza y probar
si su contribución a la variabilidad total es significativa.
El caso de dos factores aleatorios.
Si se consideran dos factores aleatorios A y B, de los cuales se prueban
niveles elegidos de una población grande de niveles, entonces si los
tratamientos se replican veces, el modelo de efectos aleatorios es

donde es la media general, es el efecto debido al nivel del factor A,

es el efecto del nivel del factor B, representa al efecto de
interacción en la combinación y es el error aleatorio que se supone sigue una
distribución normal con media cero y varianza constante, y son
independientes entre sí. El aspecto de este modelo es igual al de efectos fijos,
pero el hecho de que los efectos sean aleatorios implica que no tiene sentido
probar hipótesis directamente sobre tales efectos (medidas), sino que ahora el
interés se enfoca en estudiar la varianza de dichos efectos.
Para ello, se supone que los términos son variables aleatorias

independientes normales, con media cero y varianzas , y ,

respectivamente.

De esta manera, si se calcula la varianza en ambos lados del modelo anterior, se

obtiene el modelo de componentes de varianza dado por:

donde , , son las contribuciones de cada efecto a la variación total y se

llaman componentes de varianza; es el componente de varianza debido al error
aleatorio. Las hipótesis de interés son
Los cálculos necesarios para probar estas hipótesis involucran las mismas sumas
de cuadrados del modelo de efectos fijos (diseños factoriales con dos factores), de
las cuales se obtienen los correspondientes cuadrados medios. Para obtener los
estadísticos de prueba apropiados debe tomarse en cuenta que los valores
esperados de los cuadrados medios son

de tal forma que, para probar las hipótesis mencionadas, los estadísticos de prueba
apropiados en el ANOVA son

respectivamente. Observe que en el modelo de efectos aleatorios los cuadrados

medios de los efectos principales se comparan con el cuadrado medio de la
interacción, y no con el cuadrado medio del error, como se hace en el modelo de
efectos fijos. En caso de rechazar alguna de las hipótesis sobre las varianzas, se
concluye que el efecto correspondiente contribuye de manera significativa a la
variación de la respuesta. La conclusión práctica no consiste en determinar el mejor
tratamiento, sino que generalmente se traduce en tomar medidas para que la
contribución del componente de varianza se reduzca.
Al resolver las ecuaciones dadas por los valores esperados de cuadrados medios
para los componentes de varianza, se obtienen estimadores de éstos en función de
los cuadrados medios del error, esto es,

Ejemplo

En una compañía dedicada a la fabricación de bombas y válvulas, algunos

componentes críticos tienen tolerancias muy estrechas que son difíciles de cumplir.
De aquí que sea necesario estimar el error de medición con el fin de ver la
posibilidad de reducirlo para cumplir con las especificaciones. El ancho de una
pieza particular es una característica de calidad crítica, cuyas especificaciones son
69 0,4mm. Se eligen dos inspectores al azar y siete piezas para correr un
experimento, a fin de estimar la contribución de los inspectores, de las piezas y del
error aleatorio (repetibilidad) en la variabilidad total observada. El experimento
utilizado se muestra en la siguiente tabla:

Modelo de efectos aleatorios

Número de Inspector Z Inspector W
piezas 1 2 1 2
 1 69,38 69,60 69,62 69,52
2 39,72 69,80 69,78 69,90
3 69,58 69,70 69,70 69,92
4 69,50 69,50 69,46 69,50
5 69,48 69,40 69,50 69,42
6 69,56 69,40 69,68 69,64
7 69,90 70,02 69,94 69,88

Nótese que cada inspector mide dos veces cada pieza. Sean los inspectores el
factor A y las piezas el factor B, el primero con dos niveles y el segundo con siete
niveles, en ambos casos seleccionados al azar. El modelo de componentes de
varianza propuesto para describir estos datos es donde es el componente de

varianza de los inspectores, es el componente debido a las piezas, es el

componente de interacción de ambos factores y es el componente aleatorio.

Interesa probar las hipótesis:

y estimar los componentes de varianza. El ANOVA para probar estas hipótesis se

muestran en la siguiente tabla.

FV SC GL CM Valor-p
A: Insp. 0,00036 1 0,00036 0,069 0,8043
B: 0,7516 6 0,1252 24,07 0,0000
Pieza 0,0313 6 0,0052 0,75 0,6169
AB 0,097 14 0,0069
Error 0,8803 27
Total
Las tres primeras columnas se obtienen igual que el modelo de efectos fijos, pero
las dos últimas deben corregirse de acuerdo con el estadístico de prueba
apropiado para un modelo de efectos aleatorios ( y

). Los valor-p indican que la variabilidad de las piezas es

estadísticamente diferente a cero, mientras que la variabilidad de los inspectores
y de la interacción inspector x pieza no es significativa (es igual a cero). Desde el
punto de vista del objetivo del experimento, los resultados del ANOVA son los

deseados: la reproducibilidad ( ) es estadísticamente igual a cero, es decir,

los inspectores no afectan el proceso de medición. La estimación de los
componentes de varianza, a partir de los cuadros medios, queda como:

De aquí se concluye que la reproducibilidad ( ) no tiene contribución

y la repetibilidad expresada como 5.15 es igual a 0,428. Si este valor se compara
con la tolerancia de 0.8, se encuentra que ocupa 53% de ésta, cuando lo deseable
es que este porcentaje sea menor al 10%, por lo que el instrumento es inadecuado
para discriminar entre piezas buenas y malas.
5.5 Uso de un software estadístico.

Utilizando Minitab

1. El primer paso consiste en seleccionar la opción Estadísticas del Menú Principal

de Minitab y, dentro de esa opción, seleccionar la opción DOE luego Factorial y
Crear diseño factorial como se presenta en la siguiente Figura.

2. Como consecuencia de la acción anterior le debe aparecer la siguiente pantalla

<<Crear diseño factorial>>. El paso en esta pantalla será seleccionar en Tipo
de diseño la casilla de Diseño factorial completo general luego escoger el
número de factores considerados en el experimento (en nuestro ejemplo son
dos factores: A y B), por tanto, en la casilla <<Número de factores>> usted
deberá tener el número 2. Luego debe oprimir el botón de la opción
<<Diseños>> para poder escoger su diseño, número de repeticiones y otras
opciones.
3. En la siguiente ventana escribir el nombre de nuestros factores A y B, además
de indicar el número de niveles para ambos (4 y 3 respectivamente), también
indicará que realizamos tres repeticiones por tratamiento, para esto en la casilla
<<Número de réplicas>>, usted deberá tener el valor de 3. Finalice esta pantalla
oprimiendo <<Aceptar>>. Esto lo devolverá a la pantalla anterior <<Crear diseño
factorial>>.

4. De vuelta en la pantalla <<Crear diseño factorial>>. Seleccionar factores

y aparecerá una siguiente ventana.

En la casilla <<Tipo>> seleccionar texto para ambos factores, <<Valores de

nivel>> , indicar los valores correspondientes tanto para el factor A así como para
el factor B, luego indicar aceptar, lo que lo llevara nuevamente a la pantalla
<<Crear diseño factorial>>.

5. De vuelta a la pantalla <<Crear diseño factorial>> oprima <<Aceptar>>.

MINITAB le creará la siguiente pantalla. Minitab crea las columnas de los
 tratamientos, lo único que usted tiene que ingresar a MINITAB es una columna
con la respuesta del experimento. Proceda entonces a ingresar los datos en la
columna C7

6. Una vez capturados los datos (estos datos deberán corresponder al factor A con
respecto a factor B de acuerdo a la tabla original) en su correspondiente renglón.
El siguiente paso es regresar al paso 1.

sólo que esta vez seleccionaría la secuencia: <<Estadísticas>> seguida de

<<DOE>>, <<Factorial>> y <<Analizar diseño factorial>>.
Esta acción resultará en la pantalla donde sólo es necesario indicar la columna de
la variable de respuesta <<Respuesta>> seguido de aceptar y MINITAB le ofrecerá
el resultado correspondiente.

Para capturar los datos en Minitab, de tres factores, es idéntico al de dos factores,
solo que en la ventana correspondiente indicar que se trata de tres factores, y se
aplica la misma secuencia.
Conclusión

El diseño experimental sirve para estudiar el efecto individual y de interacción de

varios factores sobre una o varias respuestas. Es decir, lo que se busca es estudiar
la relación entre factores y la respuesta, con la finalidad de conocer mejor como es
esta relación y generar conocimiento que permita tomar acciones y decisiones que
mejoren el desempeño de proceso

Uno de los objetivos particulares más importantes que pude observar es que en
general tiene un diseño factorial es determinar una combinación de niveles de los
factores en la cual el desempeño del proceso sea mejor que en las condiciones de
operación actuales, es encontrar nuevas condiciones de operación que eliminen o
disminuyan cierto problema de calidad en la variable de salida.
Referencias bibliográficas
Johnson Richard .
“Probabilidad y estadística para ingenieros”.
Quinta edición. Editorial Prentice Hall. México 1997

Levin, Richard. Rubin, David.

“Estadística para administradores”.
Sexta edición Editorial Prentice Hall. México 1996

Mendelhall, William. Reinmuth, James.

“Estadística para administración de economía”.
editorial: Iberoamérica, México 1978

Montgomery, Douglas C.
probabilidad y estadística para ingeniería‖. Tercera edición.
Editorial Continental CECSA.
Año 1993. Páginas 263-278.

Stevenson, William.
“Estadistica para administración y economía: conceptos y aplicaciones”.
Editorial Alfa Omega. México 1981