Вы находитесь на странице: 1из 22

UNIVERSIDAD JUREZ AUTNOMA DE TABASCO

DIVISIN ACADMICA DE INGENIERA Y ARQUITECTURA

MAESTRIA EN CIENCIAS EN INGENIERA

Trabajo Final
CAPITULOS 7, 8, 11, 12

Diseo de Experimentos: z

CUNDUACN, TABASCO DICIEMBRE DE 2016


PROBLEMA 1 (Ejercicio 8 pgina 222)

Se desea investigar el efecto del tipo y cantidad (%) de almidn sobre la friabilidad
(%) de tabletas. Se corre un diseo 3x3 con n = 4 rplicas. Los datos obtenidos se
muestran a continuacin:
Almidn (%)
Tipo de Almidon 26% 30% 40%
Pregelatinizado 0.7782 0.4272 0.7192
0.7654 0.4336 0.6742
0.7592 0.4552 0.6892
0.7758 0.4771 0.7023
Almidn 0.7856 0.6273 0.9562
0.8093 0.6592 0.9656
0.8126 0.6692 0.9656
0.8172 0.6523 0.9231
Dextrina 0.8543 0.8023 1.1356
0.8792 0.7986 1.1923
0.8723 0.7992 1.1643
0.8993 0.7827 1.1732

a) Escriba el modelo estadstico ms apropiado para el diseo.

= + + + () + = 1,2,3; = 1,

Hipotesis

0 = 0
0 = 0

b) Obtenga el ANOVA sin desglosar y obtenga conclusiones.

ANOVA
F.V SC GL CM F0 F. Tablas Valor P
A 0.57 2 0.29 898.17 3.35 2.0032E-25
B 0.57 2 0.29 896.38 3.35 2.0569E-25
AB 0.14 4 0.04 110.06 2.73 2.6418E-16
ERROR 0.01 27 0.000
TOTAL 1.29 35

Puesto que 3 valores-P son menores que 0.05, estos factores tienen un efecto
estadsticamente significativo con un 95.0% de nivel de confianza.

2
P-VALUE A (2.0032E-25) < 0.05 SIGNIFICATIVO
P-VALUE B (2.0032E-25) < 0.05 SIGNIFICATIVO
P-VALUE AB (2.6418E-16) < 0.05 SIGNIFICATIVO
Por lo que la hiptesis se rechaza en los tres casos por lo que se acepta la hiptesis
alternativa que nos dice que hay efecto del factor A, y B sobre la variable de
respuesta, as como existe un efecto de interaccin entre A Y B.
c) Realice la grfica de efectos principales y de interaccin, y destaque los
aspectos ms relevantes.

El porcentaje de almidon si afecta la friabilidad de las tabletas, debido a que la linea


que se puede aprecieran no se asemeja a la horizontal, de igual manera podemos
decir que si utilizamos un 40% de contenido de almidon, se puede observar una
mayor friabilidad que si utilizamos un porcentaje del 26% de almidon, caso contrario
a lo que sucede con el 30% de porcentaje de almidn que nos dice que en este
punto los valores de friabilidad son menores comparados con el resto.
Si observamos la del Tipo de almidon, muestra una cierta tendencia que nos indica
que las cantidades de friabilidad si dependen de acuerdo al tipo de almidon que
estemos utilizando, as usar el pregelatinizado tiene menos valores de friabilidad
que usar en cambio el dextrina.

3
Grfico de Interacciones

1.24 Tipo de Almidon


ALMIDON
DEXTRINA
PRGELATENIZADO
1.04
Y

0.84

0.64

0.44
26 30 40
% Almidon

De la grfica de interacciones es obvio que al tener un 30% de almidn la friabilidad


es baja independientemente del tipo de almidn que estemos utilizando, por lo que
si queremos obtener valores bajos de friabilidad, es necesario usar un 30% de
almidon vs el Pregelatenizado.
d) De la grfica de efectos principales para el factor % de almidn, hay algn
tipo de evidencia de que el efecto no sea lineal? Argumente su respuesta.

Si, si existe envidencia de que estamos ante un efecto no lineal, al considerar un


tercer punto que tiende hacia una curvatura, en este caso el porcentaje de almidon
30%, nos marca una tendencia no lineal,

e) Verifique supuestos a travs de grficas de residuales.

4
f) Obtenga el ANOVA desglosado; para ello, el efecto lineal y cuadrtico debe
desglosarse slo para el factor % de almidn, ya que es el nico que es
cuantitativo. Comente lo obtenido y contrstelo con lo observado en los
incisos c) y d).

ANOVA

SC GL CM Fo Valor-p

AL 0.0994 1 0.0994 314.7905 0.0000

BL 0.5413 1 0.5413 1713.3208 0.0000

A2 0.3119 1 0.3119 987.1461 0.0000

B2 0.0752 1 0.0752 238.0224 0.0000

ALBL 0.0337 1 0.0337 106.5289 0.0000

A2BL 0.1248 1 0.1248 395.1971 0.0000

ALB2 0.0581 1 0.0581 184.0500 0.0000

A2B2 0.0094 1 0.0094 29.7835 0.0000

Error 0.0085 27 0.0003

Total 1.2623 35

De acuerdo a lo observado en el inciso C y D estas grficas revelan informacin de


considerable utilidad acerca de la friabilidad de las tabletas. Puesto que el objetivo
es minimizar la friabilidad, se preferira el almidn que contiene un 30%, ya que los
valores observados son los ms pequeos y slo aparecen en esta grfica.
Debern usarse el tipo de almidon pregelatenizado para lograr el objetivo.
En contraste con nuestro ANOVA, el ANOVA desglosado de igual manera cumple
con lo establecido en el ANOVA simple, ya que nuestros P-valores siguen siendo
menores a nuestro alfa, que en este caso se toma de 0.05%.

PROBLEMA 2

5
12. Una organizacin de manufactura produce partes de plstico con moldeo
por inyeccin. Tpicamente, las partes se encogen de manera excesiva, lo cual
causa problemas en el ensamble posterior. Por medio de diseo de
experimentos buscan reducir el promedio de encogimiento de las partes y se
espera reducir tambin la variabilidad de corrida a corrida. Se identifican siete
factores para el estudio. Cuatro de esos factores son fcilmente controlables:
temperatura del molde (A), velocidad del tornillo (B), tiempo de permanencia
(C) y tamao de compuerta (D). Tres de las variables no son fciles de
controlar durante la manufactura normal: tiempo de ciclo (E), contenido de
mezcla (F) y presin en el molde (G), pero durante el experimento se
controlarn. Debido a potenciales efectos no lineales en la relacin entre el
encogimiento y las variables de proceso, se deben considerar al menos tres
niveles en cada factor. La alternativa que se considera es utilizar una fraccin
27 3 con generadores I = ABCE, I = BCDF e I = ACDG, que es una octava
parte del factorial completo 27. Se incluyen cuatro repeticiones al centro para
detectar la posible presencia de curvatura. Los datos en unidades de
encogimiento 10 se muestran a continuacin.
Orden Orden A B C D E F G Y
estndar aleatorio
1 8 -1 -1 -1 -1 -1 -1 -1 6
2 16 1 -1 -1 -1 1 -1 1 10
3 18 -1 1 -1 -1 1 1 -1 32
4 17 1 1 -1 -1 -1 1 1 60
5 3 -1 -1 1 -1 1 1 1 4
6 5 1 -1 1 -1 -1 1 -1 15
7 10 -1 1 1 -1 -1 -1 1 26
8 2 1 1 1 -1 1 -1 -1 60
9 9 -1 -1 -1 1 -1 1 1 8
10 15 1 -1 -1 1 1 1 -1 12
11 12 -1 1 -1 1 1 -1 1 34
12 6 1 1 -1 1 -1 -1 -1 60
13 13 -1 -1 1 1 1 -1 -4 16
14 19 1 -1 1 1 -1 -1 1 5
15 11 -1 1 1 1 -1 1 -1 37
16 1 1 1 1 1 1 1 1 52
17 20 0 0 0 0 0 0 0 25
18 4 0 0 0 0 0 0 0 29
19 14 0 0 0 0 0 0 0 24
20 7 0 0 0 0 0 0 0 27
a) Cul es la estructura de alias de diseo?
A + BCE + BFG + CDG + DEF + ABCDF + ABDEG + ACEFG
B + ACE + AFG + CDF + DEF + ABCDG + ABDEF + BCEFG

6
C + ABE + ADG + BDF + EFG + ABCFG + ACDEF + BCDEG
D + ACG + AEF + BCF + BEG + ABCDE + ABDFG + CDEFG
E + ABC + ADF + BDG + CFG + ABEFG + ACDEG + BCDEF
F + ABG + ADE + BCD + CEG + ABCEF + ACDFG + BDEFG
G + ABF + ACD + BDE + CEF + ABCEG + ADEFG + BCDFG
AB + CE + FG + ACDF + ADEG + BCDG + BDEF + ABCEFG
AC + BE + DG + ABDF + AEFG + BCFG + CDEF + ABCDEG
AD + CG + EF + ABCF+ ABEG + BCDE + BDFG + ACDEFG
AE + BC + DF + ABDG + ACFG + BEFG + CDEG + ABCDEF
AF + BG + DE + ABCD + ACEG + BCEF + CDFG + ABDEFG
AG + FG + CD + ABDE + ACEF + BCEG + DEFG + ABCDFG
BD + CF + EG + ABCG + ABEF + ACDE + ADFG + BCDEFG
ABD + ACF + AEG + BCG + BEF + CDE + DFG + ABCDEFG
+ ABCE + ABFG + ACDG + ADEF + BCEF + BDEF + CEFG

b) Encuentre el mejor ANOVA para estos datos. No olvide verificar la presencia


de curvatura.
Anlisis de Varianza (ANOVA)
Source DF Adj SS Adj MS F-Value P-Value
Tempertura 1 770.06 770.06 156.62 0.001
Velocidad 1 5076.56 5076.56 1032.52 0.000
permanencia 1 3.06 3.06 0.62 0.488
tamao 1 7.56 7.56 1.54 0.303
ciclo 1 0.56 0.56 0.11 0.757
contenido 1 0.56 0.56 0.11 0.757
Presin 1 95.06 95.06 19.33 0.022
TemperturaVelocidad 1 564.06 564.06 114.72 0.002
Tenperturapermanencia 1 10.56 10.56 2.15 0.239
Temperturatamao 1 115.56 115.56 23.50 0.017
Tempertura*ciclo 1 14.06 14.06 2.86 0.189
Tempertura*contenido 1 1.56 1.56 0.32 0.612
Tempertura*Presin 1 0.06 0.06 0.01 0.917
Velocidad*tamao 1 0.06 0.06 0.01 0.917
Tempertura*Velocidad*tamao 1 0.06 0.06 0.01 0.917
Curvature 1 3.61 3.61 0.73 0.454
Error 3 14.75 4.92
Total 19 6677.80
Existe presencia de curvatura, pero esta al ser no significativa no ser considerada en el
anova mejorado.

7
Diagrama de Pareto Estandarizada para Encogimiento

B:Velocidad +
A:Temperatura -
AB+CE+FG
AD+CG+EF
G:Presion
AE+BC+DF
AC+BE+DG
D:Tamao
C:Permanencia
AF+BG+DE
F:Mezcla
E:Ciclo
BD+CF+EG
AG+BF+CD
0 10 20 30 40
Efecto estandarizado

ANOVA MEJORADO
Source GL SC Adj SS CM F P
TEMP MOLDE (A) 1 770.06 770.06 770.06 190.81 0.000*
VEL TORNILL (B) 1 5076.56 5076.56 5076.56 1257.91 0.000*
PRES. MOLDE (G) 1 95.06 95.06 95.06 23.55 0.022*
TEMP MOLDE*VEL TORNILL (AB) 1 564.06 564.06 564.06 139.76 0.002*
TEMP MOLDE*TAM COMP (AD) 1 115.56 115.56 115.56 28.63 0.017*
Error 14 56.5 4.04 4.04
Total 19 6677.80

c)Proyecte el diseo en uno ms simple si hay factores que no afectan, y haga


el anlisis.
R-cuadrada = 99.7241 porciento
R-cuadrada (ajustada por g.l.) = 98.9515 porciento
Error estndar del est. = 2.21736
Error absoluto medio = 0.53
Estadstico Durbin-Watson = 3.02748 (P=0.9647)
Autocorrelacin residual de Lag 1 = -0.51462

El estadstico R-Cuadrada indica que el modelo, as ajustado, explica 99.7241% de


la variabilidad en Encogimiento. El estadstico R-cuadrada ajustada, que es ms
adecuado para comparar modelos con diferente nmero de variables
independientes, es 98.9515%. El error estndar del estimado muestra que la
desviacin estndar de los residuos es 2.21736. El error medio absoluto (MAE) de
0.53 es el valor promedio de los residuos. Puesto que el valor-P es mayor que
5.0%, no hay indicacin de autocorrelacin serial en los residuos con un nivel de
significancia del 5.0%.

8
d) Interprete con detalle los efectos activos y determine el mejor tratamiento
para reducir el encogimiento promedio.
Grfica de Efectos Principales para Encogimiento

50

40
Encogimiento

30

20

10

0
Temperatura Permanencia Ciclo Presion
Velocidad Tamao Mezcla

El mejor tratamiento para reducir el encogimiento, se podra identificar que es aquel


en el que la velocidad es menor y sobre todo cuidando unos valores menores de
temperatura.

e) Determine el mejor tratamiento considerando que tambin interesa reducir


la variabilidad.

9
Grfica de Probabilidad Normal para Encogimiento

99.9

99

95

porcentaje 80

50

20

0.1
-6 4 14 24 34 44
Efectos estandarizados

Grfica de Residuos para Encogimiento

2
residuo

-2

-4
0 10 20 30 40 50 60
predichos

Grfico de Encogimiento vs Velocidad

60

50
Encogimiento

40

30

20

10

0
-1 -0.6 -0.2 0.2 0.6 1
Velocidad

De acuerdo al grfico de dispersin se puede concluir que a menores velocidades, podemos obtener
o reducir el encogimiento que estamos buscando.

PROBLEMA 3

Ejercicio 8. En cierta empresa es usual pagar horas extra para cumplir con los tiempos de
entrega. En este centro productivo un grupo de mejora de calidad trata de reducir la

10
proporcin de piezas malas, para ello deciden investigar la relacin entre la cantidad de
horas extra, X, y el porcentaje de artculos defectuosos, Y. En la siguiente tabla se muestran
los datos obtenidos.

Semana Horas Defectos %


extra
1 340 5
2 95 3
3 210 6
4 809 15
5 80 4
6 438 10
7 107 4
8 180 6
9 100 3
10 550 13
11 220 7
12 50 3
13 193 6
14 290 8
15 340 2
16 115 4
17 362 10
18 300 9
19 75 2
20 93 2
21 320 10
22 154 7

a) De estas variables cul se puede suponer independiente y cul


dependiente?
Elegimos como variable independiente las horas extras, puestas que estas no dependen
de otras, sin embargo, al establecer nuestra variable dependiente: defectos (%), estos se
encuentran en funcin de las horas extras realizadas.

b) Obtenga el diagrama de dispersin para estas variables. Qu relacin


observa?

11
Grfica de Dispersin
16

14

12
Defectos %

10

0 100 200 300 400 500 600 700 800 900


Horas Extras

En la grfica de dispersin obtenida en el software Minitab, podemos observar que


efectivamente se obtiene una correlacin lineal positiva, que podemos mirar a detalle
cuando los valores en x, que son las horas extras, aumentan y asu vez los valores que
tenemos en el eje y que son el % de defectos tambin se incrementar.

c) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique
pruebas de hiptesis y verifique residuos).

El anlisis de regresin grfica los defectos vs las horas extras


Defectos % (Y) = 2.11 + 0.0171 Horas Extras (X)

Predictor Coef SE Coef T P


Constant 2.1110 0.6950 3.04 0.007
Horas 0.017074 0.002282 7.48 0.000
Extras

12
Digrama de Regresin
Defectos % (Y) = 2.111 + 0.01707 Horas Extras (X)

16 S 1.91553
R-Sq 73.7%
R-Sq(adj) 72.4%
14

12
Defectos % (Y)

10

0
0 100 200 300 400 500 600 700 800 900
Horas Extras (X)

Hiptesis

Prueba de Hiptesis
Para B1; Como el Valor-p, que obtuvimos de nuestro anlisis de regresin lineal es
0.007, esque valor-p < 0.05, esto nos denota que se rechaza la hiptesis, por lo cual
establecemos que B10.

Para B2; Como el Valor-p, que obtuvimos de nuestro anlisis de regresin lineal es
0.000, esque valor-p < 0.05, esto nos denota que se rechaza la hiptesis, por lo cual
establecemos que B20.

Verificacin de Residuos

13
d ) La calidad del ajuste es satisfactoria?
R2 =73.7% y R2 ad = 72.4% La calidad del ajuste es satisfactorio, ya que nuestra relacin es
descrita entre ambos factores por una tendencia en lnea recta, al obtener nuestros
principales valores R2 =73.7% y R2 ad = 72.4%, por lo que podemos concluir que tenemos
una relacin satisfactoria.

e) El que dos variables estn relacionadas no necesariamente implica que


haya una relacin causa-efecto. Sin embargo, a pesar de esto, puede concluir
con seguridad que cuando se trabaja tiempo extra se incrementa el porcentaje
de defectuosos, porque ocurren factores como calentamiento de equipo,
cansancio de obreros, etc., y todo esto causa mayores problemas en la calidad
de las piezas?
Despus de haber analizado los datos anteriores se llega con certeza a la
conclusin de que el trabajador que est ms tiempo, o que tiene ms carga de
horas extras es ms propenso a sufrir algn tipo de cansancio as como otros
factores externos como es que exista una reduccin de la calidad de su trabajo,
independientemente de si sea el trabajador o la falla del equipo, pero nuestro
anlisis de regresin al ser significativo nos muestra claramente la relacin que
existe entre el tiempo extra y los productos defectuosos.

PROBLEMA 4

14
12. Como parte del anlisis del problema de ausentismo, se decide investigar la relacin
entre edad del empleado y das que falt a laborar en el ao. Los datos del ltimo ao se
muestran en la siguiente tabla:

Empleado Edad Faltas Empleado Edad Faltos


1 29 6 21 25 7
2 33 5 22 38 3
3 40 0 23 22 0
4 23 8 24 30 4
5 31 6 25 24 7
6 20 9 26 39 10
7 30 5 27 35 5
8 38 6 28 20 1
9 23 8 29 32 5
10 25 6 30 25 5
11 26 7 31 36 5
12 30 5 32 30 5
13 42 2 33 20 10
14 34 5 34 38 4
15 31 6 35 39 4
16 18 II 36 34 4
17 33 6 37 35 6
18 33 4 38 27 7
19 33 5 39 40 3
20 32 5 40 31 6

a) En este problema cul variable se puede ver como independiente y cul como
dependiente?

Elegimos como variable independiente son los empleados, puestas que estas no
dependen de otras, sin embargo, al establecer nuestra variable dependiente: faltas
(%), estos se encuentran en funcin de la edad de los empleados.

b) Mediante un diagrama de dispersin analice la relacin entre estas dos variables.

15
Grafica de dispersin
12

10

Faltas
6

20 25 30 35 40 45
Edad

De la grfica de dispersin obtenida en el software Minitab, podemos concluir que


efectivamente se obtiene una correlacin lineal negativa, que podemos mirar a
detalle cuando los valores en x, que son las faltas, disminuyen y a su vez los
valores que tenemos en el eje y que es la edad aumentara. As podemos decir
que, a mayor edad de los trabajadores, tienden a faltar menos.

c) Qu tipo de relacin observa y cules son algunos hechos especiales?


Se observa una correlacin lineal negativa debido a que el valor del coeficiente de
correlacin es de -0.429892, existiendo siempre sus excepciones ya que incluso
hay datos que nos muestran que a una edad entre 20 y 25 aos algunos empleados
tienden a faltar menos, caso contrario a lo que se presenta en algunos trabajadores
a la edad de 40 que pueden llegar a presentar algn tipo de ausentismo.

d) Haga un anlisis de regresin (ajuste una lnea recta a estos datos, aplique pruebas de
hiptesis y verifique residuales).
Analisis de Regresin

Predictor Coef SE Coef T P


Constant 10.353 1.723 6.01 0.0000
Edad -0.16185 0.05514 -2.94 0.0000

Modelo

16
Ecuacin de regresin
y = 10.4 - 0.162 x

Ajuste de Lnea recta


Grafica de linealidad
y = 10.35 - 0.1618 x
12 S 2.19993
R-Sq 18.5%
R-Sq(adj) 16.3%
10

8
Faltas

20 25 30 35 40 45
Edad de los empleados

Verificacin de residuos

Residual Plots for y


Normal Probability Plot Versus Fits
99
Standardized Residual

2
90
Percent

0
50

-2
10

1 -4
-4 -2 0 2 3 4 5 6 7
Standardized Residual Fitted Value

Histogram Versus Order


16
Standardized Residual

2
12
Frequency

0
8

4 -2

0 -4
-2.4 -1.2 0.0 1.2 2.4 1 5 10 15 20 25 30 35 40
Standardized Residual Observation Order

COEFICIENTES

Least Squares Standard T


Parameter Estimate Error Statistic P-Value

17
Intercept 10.3526 1.72286 6.00897 0.0000
Slope -0.16185 0.0551431 -2.93509 0.0056

Tc=2.0252
Al comparar los valores del estadstico T para cada una de los valores de beta
0, = 6.00897
Se rechaza la hiptesis de que el valor de 0 es igual a cero.
1, = 2.93509 > Tc
Se rechaza la hiptesis nula de que el valor de 1 es igual a cero.

ANALISIS DE VARIANZA

Source Sum of Squares Df Mean Square F-Ratio P-Value


Model 41.6925 1 41.6925 8.61 0.0056
Residual 183.908 38 4.83967
Total (Corr.) 225.6 39

e) La calidad del ajuste es satisfactoria? Argumente.


No. No es satisfactorio
-0.429892 %
Coeficiente de Correlacin
R-squared 18.4807 %
R-squared (adjusted for d.f.) 16.3355 %
Standard Error of Est. 2.19993

El valor del coeficiente de correlacin que se tiene R2, este evala la calidad de ajuste y
posee un valor de 18.4%, nos est indicando que nuestro ajusto no es satisfactorio y al
aplicar el ajuste de R2 obtenemos datos del 16.3%
f) Cul es el error estndar de estimacin?
Standard Error of Est. 2.19993

PROBLEMA 5

28. En un proceso de soldado de aluminio haba problemas con la fuerza de unin de la


soldadura. El inconveniente ocurra al soldar el poste a un tablero electrnico. Se decide
abordar el problema mediante el diseo de experimentos, utilizando como variable de
respuesta la fuerza de arrastre (la fuerza necesaria

18
para despegar la soldadura despus de transcurrido un tiempo). Los factores de control
que pueden influir en la fuerza de arrastre son tiempo (T), potencia (P) y fuerza (F). Las
condiciones de operacin antes del experimento eran:

Factor Nivel Unidades


Tiempo 6 mseg
Potencia 5 Watts
Fuerza 850 grs

Se trata de encontrar las condiciones de operacin que maximizan la fuerza de arrastre.


Por lo tanto, se decide utilizar en primera instancia el diseo factorial completo con dos
repeticiones al centro (23 + centro) y dos rplicas. Los resultados acomodados en el orden
aleatorio utilizado en cada rplica se muestran a continuacin:

T P F Tiempo Potencia Fuerza Fza. De arrastre


0 0 0 5 4.3 750 1 981 1 645
1 1 1 3 5.6 700 1 506 1 157
1 1 1 7 3 700 1 308 913
1 1 1 7 5.6 800 1 682 1 049
1 1 1 7 3 800 908 1 094
1 1 1 3 5.6 80 1 633 1 428
1 1 1 7 5.6 700 1 059 1 407
1 1 1 3 3 800 875 967
0 0 0 5 4.3 750 1 792 1 948
1 -1 1 3 3 700 750 666

a) Qu utilidad tienen los puntos al centro?


En este el Error del Anova posse lo que son grados de libertad adicionales, que estos permite
que sea posible detectar algunas curvaturas, usar un ANOVA con puntos al centro no
perjudica para nada nuestros efectos de inters.

b) Haga el anlisis de estos datos. Verifique mediante la prueba de falta de ajuste (lack of
fit test) la presencia de curvatura.

Source DF Seq SS Adj SS Adj Ms F P Significancia


T 1 11990 11990 11990 0.07 0.795 No Significativo
P 1 739600 739600 739600 4.33 0.059 Significativo
F 1 47306 47306 47306 0.28 0.608 No Significativo
T*P 1 139129 139129 139129 0.82 0.384 No Significativo
T*F 1 37830 37830 37830 0.22 0.646 No Significativo

19
P*F 1 12996 12996 12996 0.08 0.787 No Significativo
T*P*F 1 16384 16384 16384 0.1 0.762 No Significativo
Residual Error 12 2047343 2047343 170612
Lack of fit 1 1529598 1529598 1529598 32.50 0 Significativa
Pure Error 11 517745 517745 47068
Total 19 3052579

c) Con estos datos complete el diseo ortogonal de composicin central. Analice


visualmente los datos, qu observa de destacado.

T P F Tiempo Potencia Fuerza Fza. De arrastre


1.28 0 0 2.44 4.3 750 1 404 1 322
0 1.28 0 4 2.64 750 740 756
1.28 0 0 7.56 4.3 750 1 656 1 512
0 0 1.28 4 4.3 686 1 482 1 485
0 1.28 0 4 5.96 750 1 659 1 458
0 0 1.28 4 4.3 814 1 517 1 176

Este diseo nos permite ampliar el grupo de puntos axiales, y as estimarlos


eficientemente los trminos de primer orden y segundo orden.

Main Effects Plot for SN ratios


Data Means
T P
64

62

60 Main Effects Plot for Means


Mean of SN ratios

Data Means
58
T P
1600
-1.28 0.00 1.28 -1.28 0.00 1.28
1400 F
64
1200

62 1000
Mean of Means

800
60
-1.28 0.00 1.28 -1.28 0.00 1.28
58 F
1600
-1.28
1400
0.00 1.28
Signal-to-noise:
1200
Larger is better

1000
800

-1.28 0.00 1.28

d) Ajuste un modelo de segundo orden completo.


= 1415 + 86.3281 + 316.62 53.523 + 35.70612 159.822

20
e) Caracterice la superficie descrita por el modelo. Qu tipo de superficie es?

Las superficies que presentan son superficies que representan modelos de segundo
orden.

f ) Determine las condiciones de operacin que maximizan la fuerza de arrastre.

Para conseguir una mayor fuerza de arrastre, las condiciones de operacin que
maximizan esto est directamente relacionado a la potencia, ya que esta es la que
tiene un mayor impacto en el modelo, de igual manera podemos encontrar una
mayor superficie de respuesta si se optimiza la curva.

P=1.280, 0.9956,-1.280
F= 1.280, -1.280, -1.280
T1.280, 1.280, -1.20

g) Verifique residuos, hay alguna anormalidad?

21
Residuals Versus F Residuals Versus P
(response is Y) (response is Y)

200 200

100 100

Residual
Residual

0 0

-100 -100

-200
-200
-1.0 -0.5 0.0 0.5 1.0 1.5
-1.0 -0.5 0.0 0.5 1.0 1.5
F
P

Residuals Versus T
(response is Y)
200

100
Residual

-100

-200
-1.0 -0.5 0.0 0.5 1.0 1.5
T

De acuerdo con las figuras anteriores, se concluye que no hay problemas con los
supuestos de varianza constante y de normalidad, debido a que Se observa que las
columnas de puntos en los niveles bajo y alto, tienen ms o menos la misma
dispersin, por lo tanto, se cumple el supuesto de varianza constante.

22