Resolución Ejercicios I Taller Diseño de Experimentos

1. Ejercicio 3-12
Se estudian cuatro diferentes tipos de diseño de un circuito digital de computadora para comparar
la cantidad de ruido presente. Se obtienen los siguientes datos

Diseño del circuito Ruido observado

1 19 20 19 30 8
2 80 61 73 56 80
3 47 26 25 35 50
4 95 46 83 78 97

a) ¿La cantidad de ruido presente es la misma para los cuatro diseños? Utilizar α = 0, 05
b) Analizar los residuales de este experimento, ¿Se satisfacen los supuestos del análisis de varianza?

c) ¿Qué diseño del circuito se seleccionara para usarlo? El ruido bajo es mejor.

Solución
Sea Yij = µ + τi + sij , con i = 1, 2, 3, 4 y j = 1, 2, 3, 4, 5, donde τi corresponde al efecto del diseño
del circuito i, Yij el ruido observado para el circuito i en el ensayo j, sij ∼ N (0, σ 2 ) e independientes
Σ4
y con τi = 0.
i=1

i=1

a) Para comprobar si la cantidad de ruido presente es la misma para los cuatro diseños, procedemos
a hacer la siguiente prueba de hipótesis:
H0 : τ 1 = τ 2 = τ 3 = τ 4 = 0
H1 : τk ƒ= 0 para algún k ∈ {1, 2, 3, 4}
Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05, se obtienen los siguientes resultados:

1
 donde observamos una significancia de 0,000, la cual es menor que α = 0, 05; por tanto, se tiene
evidencia para rechazar H0 y afirmar que al menos uno de los cuatro diseños de circuito tiene
un efecto diferente sobre el ruido.

b) El Análisis de los datos con IBM SPSS Statistics 22, arroja los siguientes resultados para la
Prueba de igualdad de Levene de varianzas de error :

Donde observamos una significancia de 0,311; por lo tanto, no se rechaza la hipótesis nula de
igualdad de las varianzas de los errores.
Por otra parte, la gráfica de residuos estándar versus pronosticados no presenta ninguna tenden-
cia; por tanto, se acepta la independencia de los residuos.

c) A través de IBM SPSS Statistics 22, se obtienen las pruebas de Student-Newman-Keuls y HSD
Tukey, las cuales se muestran a continuación

2
 El análisis de subconjuntos homogéneos arroja que en caso de desear seleccionar el diseño de
circuito que genere menor ruido, se deberı́a seleccionar las opciones 1 o 3, entre las cuales no
existe una diferencia significativa en cuanto a los efectos de los tratamientos.

2. Ejercicio 3-13
Se pide a cuatro qu´ımicos que determinen el porcentaje de alcohol met´ılico en cierto compuesto
qu´ımico. Cada qu´ımico hace tres determinaciones, y los resultados son los siguientes:

Qu´ımico Porcentaje de alcohol met´ılico

1 84, 99 84, 04 84, 38
2 85, 15 85, 13 84, 88
3 84, 72 84, 48 85, 16
4 84, 20 84, 10 84, 55

a) ¿Los qu´ımicos difieren significativamente? Utilizar α = 0, 05

b) Analizar los residuales de este experimento.
Solución

Sea Yij = µ + τi + sij, con i = 1, 2, 3, 4 y j = 1, 2, 3, donde τi corresponde al efecto del qu´ımico i,

Yij el porcentaje de alcohol metı́lico medido por el quı́mico i en la determinación j, sij ∼ N (0, σ 2 ) e
Σ4
independientes y con τi = 0.
i=1

i=1

a) Para comprobar si no hay diferencia significativa en el porcentaje de alcohol met´ılico medido por
los cuatro quı́micos, procedemos a hacer la siguiente prueba de hipótesis:
H0 : τ 1 = τ 2 = τ 3 = τ 4 = 0
H1 : τk ƒ= 0 para algún k ∈ {1, 2, 3, 4}
Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05, se obtienen los siguientes resultados:

donde observamos una significancia de 0,081, la cual es mayor que α = 0, 05; por tanto, no se
tiene evidencia para rechazar H0 y afirmar que los qu´ımicos difieren.

3
 b) La prueba de igualdad de Levene de varianzas de error arroja una significancia de 0,329; por tanto,
podemos afirmar que no existe evidencia para rechazar la hipotesis nula de la igualdad de las
varianzas de los errores.

Al observar el gráfico de residuos estándar versus pronosticados, no identificamos ninguna ten-

dencia, por tanto podemos afirmar que los residuos son independientes.

Por ultimo, la prueba de Kolmogorov-Smirnov para una muestra, arroja una significancia de
0,200; por tanto, no se rechaza la normalidad de los residuos.

3. Ejercicio 3-14
Se someten a estudio tres marcas de bater´ıa. Se sospecha que las vidas (en semanas) de las tres
marcas son diferentes. Se prueban cinco bater´ıas de cada marca con los resultados siguientes:

4
 Semanas de vida
Marca 1 Marca 2 Marca 3
100 76 108
96 80 100
92 75 96
96 84 98
92 82 100

a) ¿Las vidas de estas tres marcas son diferentes?

b) Analizar los residuales de este experimento.

c) Construir la estimación de un intervalo de confianza de 95 % para la vida media de la baterı́a

marca 2. Construir la estimación del intervalo de confianza de 99 % para la diferencia media entre
las vidas de las bater´ıas marcas 2 y 3.
d) ¿Qué marca seleccionarı́a el lector para usarla? Si el fabricante remplazara sin cargo cualquier
baterı́a que dure menos de 85 semanas, ¿qué porcentaje esperarı́a reemplazar la compañı́a?

Solución
Sea Yij = µ + τi + sij , con i = 1, 2, 3 y j = 1, 2, 3, 4, 5, donde τi corresponde al efecto de la marca de
la bater´ıa i, Yij las semanas de vida de la bater´ıa marca i en el ensayo j, sij ∼ N (0, σ 2 ) e independientes
Σ3
y con τi = 0.
i=1

i=1

a) Para comprobar si no hay diferencia significativa en las semanas de vida de cada marca, proce-
demos a hacer la siguiente prueba de hipótesis:
H0 : τ 1 = τ 2 = τ 3 = 0
H1 : τk ƒ= 0 para algún k ∈ {1, 2, 3}
Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05, se obtienen los siguientes resultados:

Donde observamos una significancia de 0.000, la cual es menor que α = 0, 05; por tanto, se tiene
evidencia para rechazar H0 y afirmar que existe al menos una de las marcas tiene un efecto
diferente en la vida útil de las baterı́as.

b) Con la prueba de igualdad de Levene de varianzas de error probamos las siguientes hipótesis:

H0: La varianza de los errores de las semanas de vida es igual entre las marcas de bater´ıas.

5
H 1: La varianza de los errores de las semanas de vida no es igual entre las marcas de bater´ıas. El

análisis realizado con IBM SPSS Statistics 22, arroja los siguientes resultados:

Entonces con una significancia de 0, 912 > α = 0,05, podemos afirmar que no existe evidencia
suficiente para rechazar la hipótesis nula H0 de la igualdad de las varianzas de los errores.

Al observar el gráfico de pronosticados versus los residuos estándar, no identificamos ninguna

tendencia, por tanto podemos afirmar que los residuos son independientes.

Por ultimo, con la prueba de Kolmogorov-Smirnov para una muestra probamos el supuesto de
normalidad de los errores, obteniendo los siguientes resultados

La significancia es de 0,200; por tanto, no se rechaza H0 y se acepta la que los errores se distri-
buyen normalmente. Ésto se confirma con la gráfica P-P:

6
c) Un intervalo de confianza de 100(1 − α) % para la media µi en el tratamiento i−ésimo es:

. .
M SE M SE
ȳi. − tα/2,N −a ™ µ ™ ȳi. + tα/2,N −a
i n
n
Σ
a nΣ
(yij −ȳi. )
2

Donde M SE = SSE
= i=1 j=1
N −a N −a

Ahora bien, usando IBM SPSS Statistics 22, un intervalo de confianza del 95 % para la vida
media de la bater´ıa marca 2 es:

Por otro lado, el intervalo de confianza para la diferencia de medias es:

. .
2M SE 2M SE
ȳi. − ȳj. − tα/2,N −a ™ µ − µj ™ ȳi. − ȳj. + tα/2,N −a
i n
n
Para un contenido probabilı́stico de 99 % y usando los métodos de comparación de medias de
Tukey y Scheffe para la diferencia media entre las vidas de las bater´ıas marcas 2 y 3, obtenemos:

d) ¿Qué marca seleccionarı́a el lector para usarla? Si el fabricante remplazara sin cargo cualquier
baterı́a que dure menos de 85 semanas, ¿qué porcentaje esperarı́a reemplazar la compañı́a?
Los estad´ısticos descriptivos de las semanas de vida de las diferentes marcas de bater´ıas son:
7
 Teniendo en cuenta esta información, elegirı́a la marca 3 por su mayor duración. La media de
vida de esta marca es 100.4 semanas y su varianza es 15.60. Suponiendo normalidad, entonces la
probabilidad de fallo antes de 85 semanas es:

ȳi. − µi
Z= √
σ̂
85Σ
.
−100.4
P (ȳi. ™ 85) = P Z™ √ = P (Z ™ −3,899) = 0,00005
15,6

Luego el 0,005 % de las baterı́as fallarán antes de las 85 semanas.

4. Ejercicio 3-15
Se están investigando cuatro catalizadores que pueden afectar la concentración de un componente
en una mezcla l´ıquida de tres componentes. Se obtienen las siguientes concentraciones:

Catalizador
1 2 3 4
58,2 56,3 50,1 52,9
57,2 54,5 54,2 49,9
58,4 57 55,4 50
55,8 55,3 51,7
54,9

a) ¿Los cuatro catalizadores tienen el mismo efecto sobre la concentración?

b) Analizar los residuales de este experimento.
c) Construir la estimación de un intervalo de confianza de 99 % para la respuesta media del catali-
zador 1.

Solución

Sea Yij = µ + τi + sij , con i = 1, 2, 3, 4 y j = 1, 2, ..., nk , k = 5, 4, 3, 4 donde τi corresponde al efecto

del catalizador i, Yij concentración del componente para el catalizador i en el ensayo j, sij ∼ N (0, σ 2 )
Σ4
e independientes y con τi = 0.
i=1

i=1

a) Para comprobar si los cuatro catalizadores tienen el mismo efecto sobre la concentración, proce-
demos a hacer la siguiente prueba de hipótesis:
H0 : τ 1 = τ 2 = τ 3 = τ 4 = 0

8
H1 : τk ƒ= 0 para algún k ∈ {1, 2, 3, 4}

9
 Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 01, se obtienen los siguientes resultados:
Donde observamos una significancia de 0.001, la cual es menor que α = 0, 01; por tanto, se tiene
evidencia para rechazar H0 y afirmar que existe al menos un catalizador que tienen un efecto
diferente en la concentración del componente, es decir los cuatro catalizadores no tienen el mismo
efecto en la concentración del componente.
b) Con la prueba de igualdad de Levene de varianzas de error probamos las probamos el supuesto
de igualdad de varianzas, obteniendo los siguientes resultados:

Arroja una significancia de 0, 160 > α = 0,01; por tanto, podemos afirmar que no existe evidencia
suficiente para rechazar la hipótesis nula de la igualdad de las varianzas de los errores.

Al observar el gráfico de pronosticados versus los residuos estándar, no identificamos ninguna

tendencia, por tanto podemos afirmar que los residuos son independientes.

Por ultimo, con la prueba de Kolmogorov-Smirnov para una muestra probamos las siguientes
hipótesis:
H0 : Los errores de la concentración del componente de los catalizadores son normales.

10
 H1 : Los errores de la concentración del componente de los catalizadores no son normales.

La tabla arroja el siguiente resultado:

La significancia es de 0, 200 > α = 0,01; por tanto, no se rechaza la normalidad de los residuos.
Ésto se confirma con el Gráfico P − P :

c) Un intervalo de confianza de 100(1 − α) % para la media µi en el tratamiento i−ésimo es:

. .
M SE M SE
ȳi. − tα/2,N −a ™ µ ™ ȳi. + tα/2,N −a
i n
n
Σ
a nΣ
(yij −ȳi. )
2

Donde M SE = SSE
= i=1 j=1
N −a N −a

Ahora bien, usando IBM SPSS Statistics 22, un intervalo de confianza del 99 % para la respuesta
media del catalizador 1 es:

11
5. Ejercicio 3-16
Se llevo a cabo un experimento para investigar la eficacia de cinco materiales aislantes. Se probaron
cuatro muestras de cada material con un nivel elevado de voltaje para acelerar el tiempo de falla. Los
tiempos de falla (en minutos) se muestran abajo:

Material Tiempo de falla

1 110 157 194 178
2 1 2 4 18
3 880 1256 5276 4355
4 495 7040 5307 10050
5 7 5 29 2

a) ¿Los cinco materiales tienen el mismo efecto sobre el tiempo de falla?

b) Graficar los residuales contra la respuesta predicha. Construir una gráfica de probabilidad normal
de los residuales. ¿Qué información transmiten estas gráficas?
c) Con base en la respuesta del inciso b, realizar otro análisis de los datos del tiempo de falla y
sacarlas conclusiones apropiadas.

Solución
Sea Yij = µ + τi + sij , con i = 1, 2, 3, 4, 5 y j = 1, 2, 3, 4, donde τi corresponde al efecto del material
i, Yij el tiempo de falla (en minutos) para el circuito i en el ensayo j, sij ∼ N (0, σ 2 ) e independientes
Σ5
y con τi = 0.
i=1

i=1

a) Para comprobar si los cinco materiales tienen el mismo efecto sobre el tiempo de falla, procedemos
a hacer la siguiente prueba de hipótesis:
H0 : τ 1 = τ 2 = τ 3 = τ 4 = τ 5
H1 : τk ƒ= 0 para algún k ∈ {1, 2, 3, 4, 5}
Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05, se obtienen los siguientes resultados:

donde observamos una significancia de 0,004, la cual es menor que α = 0, 05; por tanto, se tiene
evidencia para rechazar H0 y afirmar que al menos uno de los materiales tiene un efecto diferente
sobre el tiempo de falla.

b) La gráfica de residuos estándar versus pronosticados tiene una forma de apertura de embudo, lo
que indica que las varianzas de las observaciones originales no es constante.

12
 El comportamiento observado en el gráfico P-P, implica que no es valido asumir la normalidad de
los errores.

c) Trabajando con el logaritmo natural de los tiempos de falla, obtenemos los siguientes resultados:

Donde con una significancia de 0,000, podemos afirmar que existe diferencia en al menos uno de
los efectos de los tratamientos.
Cuando analizamos las gráficas de residuos estándar versus pronosticados, no observamos ninguna
tendencia; por lo tanto, podemos aceptar la independencia de los errores.

13
 La gráfica P-P presenta evidencia de la normalidad de los errores.

6. Ejercicio 3-17
Un fabricante de semiconductores ha desarrollado tres métodos diferentes para reducir el conteo
de partı́culas en las obleas. Los tres métodos se prueban en cinco obleas y se obtiene el conteo de
partı́culas después del tratamiento. Los datos se muestran abajo:

Método Conteo
1 31 10 21 4 1
2 62 40 24 30 35
3 53 27 120 97 68

a) ¿Todos los métodos tienen el mismo efecto sobre el conteo promedio de partı́culas?
b) Graficar los residuales contra la respuesta predicha. Construir una gráfica de probabilidad normal
de los residuales. ¿Hay motivo de preocupación potencial acerca de la validez de los supuestos?
c) Con base en la respuesta del inciso b, realizar otro análisis de los datos del conteo de partı́culas
y sacar las conclusiones apropiadas.

Solución
Sea Yij = µ + τi + sij , con i = 1, 2, 3 y j = 1, 2, 3, 4, 5, donde τi corresponde al efecto del método
i, Yij el conteo de partı́culas para el método i en el ensayo j, sij ∼ N (0, σ 2 ) e independientes y con
Σ3
τi = 0.
i=1

i=1
14
a) Para comprobar si los tres métodos tienen el mismo efecto sobre el conteo de particulas en las
obleas, procedemos a hacer la siguiente prueba de hipótesis:
H0 : τ 1 = τ 2 = τ 3 = 0
H1 : τk ƒ= 0 para algún k ∈ {1, 2, 3}
Al realizar el análisis del modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
α = 0, 05, se obtienen los siguientes resultados:

donde observamos una significancia de 0,006, la cual es menor que α = 0, 05; por tanto, se tiene
evidencia para rechazar H0 y afirmar que al menos uno de los métodos tiene un efecto diferente
sobre el conteo de part´ıculas en las obleas.

b) La gráfica de residuos estándar versus pronosticados tiene una forma de apertura de embudo, lo
que indica que las varianzas de las observaciones originales no es constante. Por otra parte, el
comportamiento observado en el gráfico P-P, implica que no es valido asumir la normalidad de
los errores.

Una vez analizadas estas gráficas, podemos afirmar que no se cumplen los supuestos para el
modelo.
c) Trabajando con la ra´ız cuadrada de los conteos de part´ıculas en las obleas, obtenemos los si-
guientes resultados:

15
 Donde con una significancia de 0,003, podemos afirmar que existe diferencia en al menos uno de
los efectos de los tratamientos.
La gráfica de residuos estándar versus pronosticados no presenta ninguna tendencia, por lo tan- to
se acepta el supuesto de independencia de los errores. Por otra parte, el comportamiento
observado en el gráfico P-P, implica que es valido asumir la normalidad de los errores.

7. Ejercicio 3-19
Σ
a a
Demostrar que la varianza de la combinación lineal ciyi. es σ 2 Σ nic2i
i=1 i=1
Solución

. Σ
Σ
a Σ
a Σ
a ni
Σ Σ
a Σ
ni
V ci yi. = V (ciyi.) = c2i V yij = 2
ci V (yij)
i=1 i=1 i=1 j=1 i=1 j=1

donde V (yij) = σ2; por tanto

. Σ
Σ
a Σ
a
2
Σ
ni
Σ
a
V ci yi. = ci σ2 = σ2 nic2i .
i=1 i=1 j=1 i=1

8. Ejercicio 4-5

16
 En un artı́culo de Fire Safety Journal (.El efecto de diseño de boquillas de estabilidad y el desempeño
de surtidores de agua turbulenta”Vol.4) se describe un experimento en el que se determinó un factor

17
de forma para varios diseños diferentes de boquillas con seis niveles de la velocidad de flujo de salida
del surtidor. El interés se centró en las diferencias potenciales entre los diseños de las boquillas, con la
velocidad considerada como una variable perturbadora. Los datos se presentan a continuación:

Velocidad del flujo de salida del surtidor (m/s)

Diseño de la boquilla 11, 73 14, 37 16, 59 20, 43 23, 46 28, 74
1 0, 78 0, 80 0, 81 0, 75 0, 77 0, 78
2 0, 85 0, 85 0, 92 0, 86 0, 81 0, 83
3 0, 93 0, 92 0, 95 0, 89 0, 89 0, 83
4 1, 14 0, 97 0, 98 0, 88 0, 86 0, 83
5 0, 97 0, 86 0, 78 0, 76 0, 76 0, 75

a) ¿El diseño de la boquilla afecta el factor de la forma? Comparar las boquillas con un diagrama
de dispersión y un análisis de varianza, utilizando α = 0,05.
b) Analizar los residuales del experimento.

Solución
Sea Yij = µ + τi + βj + sij , con i = 1, 2, 3, 4, 5 y j = 1, 2, 3, 4, 5, 6, donde τi corresponde al efecto del
diseño de boquilla i, βj efecto de la velocidad de flujo de salida j del surtidor en m/s, Yij el factor de
5
Σ
forma de boquilla i a la velocidad de flujo de salida j, sij ∼ N (0, σ2) e independientes, con τi = 0
i=1
Σ
6
y βj = 0.
j=1

j=1

a) Usando IBM SPSS Statistics 22 se grafica el diagrama de dispersión de cada diseño de boquilla
versus los resultados del factor de forma para las diferentes velocidades de flujo de salida del
surtidor:

Con esta gráfica se sospecharı́a por observación que hay un efecto del diseño de las boquillas
sobre el factor de forma, pero debemos realizar el análisis de varianza.
Sea Yij = µ + τi + βj + sij , con i = 1, 2, 3, 4, 5 y j = 1, 2, 3, 4, 5, 6, donde τi corresponde al efecto
de la boquilla i, βj efecto de la velocidad de flujo de salida del surtidor en m/s, Yij factor de
forma de la boquilla i a la velocidad j, sij ∼ N (0, σ2) e independientes y con H ƒ=
1
0
Realizamos la ANOVA con un α = 0,05 y probamos las siguientes hipótesis: : par
τ a
H0 : τ1 = τ2 = ...τ5 = 0 algu
k
´n
18
k ∈ {1, 2, 3, 4, 5} 5 τ = 0.
Σ i

i=1

19
 Donde observamos una significancia de 0.000, la cual es menor que α = 0,05; por tanto, se tiene
evidencia para rechazar H0 y afirmar que al menos un diseño de boquilla tiene efecto en el factor
de forma.
Por otro lado, hay una significancia del 0.000 para la velocidad de flujo, la cual es menor que α
= 0,05; por tanto, se tiene evidencia para afirmar que hay diferencias entre los efectos de las
velocidades de flujo por lo que se justifica el uso de bloques para el análisis.

b) Verificamos la independencia de los residuos graficando los pronósticos versus los residuos:

La gráfica de pronosticado contra residuos estándar no presenta ninguna tendencia; por tanto,
se acepta la independencia de los residuos.
Verificamos la normalidad de los residuos con la prueba no paramétrica de Kolmogorov-Smirnov
para una muestra, probando las hipótesis:
H0 : Los errores del factor de forma del diseño de las boquillas se distribuyen normalmente.
H1 : Los errores del factor de forma del diseño de las boquillas no se distribuyen normalmente.

20
 Dado que la significancia es 0,20 > α = 0,05, entonces no se rechaza H0;por tanto, se acepta el
supuesto de normalidad de los errores.

9. Ejercicio 4-7
El fabricante de una aleación maestra de aluminio produce refinadores de textura en forma de
lingotes. La compañı́a produce el producto en cuatro hornos. Se sabe que cada horno tiene sus propias
caracterı́sticas únicas de operación, por lo que en cualquier experimento que se corra la fundición en el
que se use mas de un horno, los hornos se considerarán como una variable perturbadora. Los ingenieros
del proceso sospechan que la velocidad de agitación afecta la medida de la textura del producto. Cada
horno puede operarse con cuatro diferentes velocidades de agitación. Se lleva a cabo un diseño de
bloques aleatorizados para un refinador particular y los datos resultantes de la medida de la textura se
muestran a continuación:

Velocidad de Agitación (rpm) Horno

1 2 3 4
5 8 4 5 6
10 14 5 6 9
15 14 6 9 2
20 17 9 3 6

a) ¿Existe evidencia de que la velocidad de agitación afecta la medida de la textura?

b) Representar los residuales de este experimento en una gráfica de probabilidad normal. Interpretar
esta gráfica.

c) Graficar los residuales contra el horno y la velocidad de agitación. ¿Esta gráfica proporciona
alguna información útil?

d) ¿Cuál serı́a la recomendación de los ingenieros del proceso con respecto a la elección de la velo-
cidad de agitación y el horno para este refinador de textura particular si es deseable una medida
de la textura pequeña?

Solución
Sea Yij = µ + τi + βj + sij , con i = 1, 2, 3, 4 y j = 1, 2, 3, 4, donde τi corresponde al efecto de la
velocidad de agitación i, βj al efecto del horno j, Yij a la medida de textura obtenida a la velocidad i
4
Σ 4
Σ
en el horno j, sij ∼ N (0, σ2) e independientes, con τi = 0 y βi = 0.
i=1 i=1

a) Para comprobar si la velocidad de agitación afecta la medida de la textura, procedemos a hacer

la siguiente prueba de hipótesis:

21
 H0 : τ 1 = τ 2 = τ 3 = τ 4 = 0
H1 : τk ƒ= 0 para algún k ∈ {1, 2, 3, 4}
Al realizar el análisis de varianza del modelo, utilizando IBM SPSS Statistics 22 con un nivel de
significancia α = 0, 05, se obtienen los siguientes resultados:

Dado que la significancia para es de 0,500 > α = 0,05, no se rechaza H0 por lo tanto no hay
diferencia en los efectos de las velocidades de agitación sobre la medida de la textura.
Por otro lado, dado que la significancia para la variación producto de los hornos o bloques es
0,013 < α = 0,05, se puede afirmar que hay diferencia en el efecto de los hornos sobre la medida
de textura; por tanto, se justifica el uso de los bloques.

b) A través de un Grafico P-P verificamos la normalidad de los residuos:

Como los errores no se alejan significativamente de la l´ınea, podemos aceptar el supuesto de

normalidad de los errores.
c) En la gráfica de residuales versus la velocidad de agitación y los hornos no se observa ningún
patrón de los residuales, pues se encuentran distribuidos uniformemente en el plano. Además
se observa que los errores de cada velocidad de agitación son diferentes en cada horno, es decir
se alejan del cero en magnitudes diferentes sin afectar la independencia de los mismos, lo que
corrobora la uniformidad las varianzas.

22
 d) Como observamos en el inciso a) no hay efecto de la velocidad de agitación en la medida de la
textura del producto; por lo tanto, no habr´ıa diferencia al escoger cualquiera de estas velocidades.

10. Ejercicio 4-13

Un ingeniero industrial está realizando un experimento sobre el tiempo de enfoque del ojo. Se
interesa en el efecto de la distancia del objeto al ojo sobre el tiempo de enfoque. Cuatro distancias
diferentes son de interés. Cuenta con cinco sujetos para el experimento. Debido a que puede haber
diferencias entre los individuos, el ingeniero decide realizar el experimento en un diseño de bloques
aleatorizados. Los datos obtenidos se presentan a continuación. Analizar los datos de este experimento
(utilizar α = 0,05) y sacar las conclusiones apropiadas.

Sujeto
Distancia (pies) 1 2 3 4 5
4 10 6 6 6 6
6 7 6 6 1 6
8 5 3 3 2 5
10 6 4 4 2 3
Solución
Sea Yij = µ + τi + βj + sij , con i = 1, 2, 3, 4 y j = 1, 2, 3, 4, 5, donde τi corresponde al efecto de la
distancia i del objeto al ojo, βj al efecto del sujeto j, y Yij el tiempo de enfoque del ojo a una distancia
4
Σ Σ5
i del objeto en el sujeto j, sij ∼ N (0, σ2) e independientes, con τi = 0 y βi = 0.
i=1 i=1

Para comprobar si las cuatro distancias tienen el mismo efecto sobre el tiempo de enfoque del ojo,
procedemos a hacer la siguiente prueba de hipótesis:
H0 : τ 1 = τ 2 = τ 3 = τ 4 = 0
ƒ 0 para algún k
H1 : τ k = 1, 2, 3, 4
{
Al realizar el análisis del ∈modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
}
α = 0, 05, se obtienen los siguientes resultados:

23
 donde observamos una significancia de 0,003, la cual es menor que α = 0, 05; por tanto, se tiene
evidencia para rechazar H0 y afirmar que al menos una de las distancias tiene un efecto diferente sobre
el tiempo de enfoque del ojo.
Al observar la significancia de 0,004 para la variación producida por el bloque; podemos rechazar la
hipotesis nula de la igualdad de los efectos de los bloques; por tanto, es posible afirmar que el Ingeniero
Industrial no se equivoco al identificar al sujeto como un elemento perturbador.
Al observar la gráfica de residuos estandarizados versus pronosticados no se observa ninguna ten-
dencia; por tanto, se acepta la independencia de los errores.

Por otra parte, a través de la Prueba de Kolmogorov-Smirnov para una muestra, no rechazamos el
supuesto de normalidad de los residuos obteniendo una significancia de 0,200.

24
11. Ejercicio 4-15
Un ingeniero industrial investiga 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 esta fuente de variabilidad, el ingeniero emplea el diseño del cuadro
latino que se presenta a continuación. Analizar los datos del experimento (α = 0,05) y sacar las
conclusiones apropiadas.

Orden Ensamblaje Operador

1 2 3 4
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

Solución
Sea Yij = µ + αi + τj + βk + sijk , con i = 1, 2, 3, 4, j = A, B, C, D y k = 1, 2, 3, 4 donde αi
corresponde al efecto de la orden de ensamblaje i, τi al efecto del método de ensamblaje j, βj al
efecto del operador k, Yijk al tiempo de ensamblaje para el metodo j con la orden de ensamblaje i y
4
Σ Σ 4
Σ
ensamblado por el operador k, sijk ∼ N (0, σ2) e independientes y αi = 0, τj = 0 y βk = 0.
con i=1 j k=1

Realizamos la ANOVA con un α = 0,05 y probamos las siguientes hipótesis:

H 0 : τA = τB = τC = τD = 0
H1 : τk ƒ= 0 para algún k ∈ {A, B, C, D}

Donde observamos una significancia de 0.004, la cual es menor que α = 0,05; por tanto, se tiene
evidencia para rechazar H0 y afirmar que existe al menos un método que tiene efecto en el tiempo de
ensamblaje de los televisores.
La variación resultante del orden de ensamblaje o renglones tienen una significancia del 0.089, la
cual es mayor que α = 0,05; entonces no hay diferencia en los efectos de la orden de ensamblaje; por
tanto, no se justifica el uso de este bloque.
La variación de los operadores representados en las columnas tienen una significancia de 0.010,
la cual es menor que α = 0,05; entonces hay diferencia en los efectos de los operadores, por cual se
justifica el uso de este bloque.

25
 La gráfica de residuos estándar versus pronosticados no presenta ninguna tendencia; por tanto, se
acepta la independencia de los residuos.

Verificamos la normalidad de los residuos con la prueba no paramétrica de Kolmogorov-Smirnov

para una muestra, probando las hipótesis:
H0: Los errores del tiempo de ensamblado de los televisores se distribuyen normalmente.
H1: Los errores del tiempo de ensamblado de los televisores no se distribuyen normalmente.

Dado que la significancia es 0,136 > α = 0,05, entonces no se rechaza H 0, aceptando que los errores
se distribuyen normalmente. Esto lo podemos corroborar a través del siguiente gráfico P-P

26
12. Ejercicio 4-23
Suponga que en el problema 4-15 el ingeniero sospecha que los sitios de trabajo usados por los cuatro
operadores pueden representar una fuente adicional de variación. Es posible introducir un cuarto factor,
el sitio de trabajo (α, β, δ, γ), y realizar otro experimento, de donde resulta el cuadrado grecolatino
siguiente. Analizar los datos de este experimento (utilizar α = 0,05) y sacar conclusiones.

Operador
Orden de ensamblaje 1 2 3 4
1 Cβ = 11 Bγ = 10 Dδ = 14 Aα = 8
2 Bα = 8 Cδ = 12 Aγ = 10 Dβ = 12
3 Aδ = 9 Dα = 11 Bβ = 7 Cγ = 15
4 Dγ = 9 Aβ = 8 Cα = 18 Bδ = 6
Solución
Sea Yijkl = µ + θi + τj + ωk + ψl + sijkl, con i = 1, 2, 3, 4, j = A, B, C, D, k = α, β, δ, γ y l = 1, 2, 3, 4,
donde θi corresponde al efecto de la orden de ensamblaje i, τj al efecto del método de ensamblaje j,
ωk al efecto del sitio de trabajo k, ψl al efecto del operador l, Yijkl al tiempo de ensamblaje para el
método j ensamblada en el sitio de trabajo k por operador l, sijkl ∼ N (0, σ 2 ) e independientes, con
Σ4 Σ Σ Σ5
θi = 0, τj = 0, ωj = 0 y ψi = 0.
i=1 j k i=1
Para comprobar si los cuatro métodos de ensamblaje tienen el mismo efecto sobre el tiempo de
ensamblaje, procedemos a hacer la siguiente prueba de hipótesis:
H 0 : τA = τB = τC = τD = 0
ƒ 0 para algún k
H1 : τ k = A, B, C, D
{
Al realizar el análisis del ∈modelo, utilizando IBM SPSS Statistics 22 con un nivel de significancia
}
α = 0, 05, se obtienen los siguientes resultados:

donde observamos una significancia de 0,167, la cual es mayor que α = 0, 05; por tanto, no se
rechaza H0 y podemos afirmar que los cuatro métodos de ensamblaje tienen el mismo efecto.
Al observar la significancia de 0,843 para la variación producida por el sitio de ensamblaje, no
podemos rechazar la hipótesis nula de que todos los sitios de ensamblaje tienen el mismo efecto; por
tanto, las sospechas del ingeniero no son confirmadas.
Al observar la gráfica de residuos estandarizados versus pronosticados no se observa ninguna ten-
dencia; por tanto, se acepta la independencia de los errores.

27
 Por otra parte, a través de la Prueba de Kolmogorov-Smirnov para una muestra, rechazamos el
supuesto de normalidad de los residuos obteniendo una significancia de 0,003.

Por tanto, el modelo no es adecuado.

28