TRABAJO FINAL ANÁLISIS DE VARIABLES DE PROCESO

DISEÑO DE EXPERIMENTOS

JUAN MANUEL SAAVEDRA SÁENZ

2185531

YURANY CAMACHO ARDILA

UNIVERSIDAD INDUSTRIAL DE SANTANDER

SEDE BARBOSA
09/DICIEMBRE
 TRABAJO FINAL

En el presente trabajo, se contextualiza la información recibida en el aula de clase por la

docente con el fin de generar un análisis de diseño de experimentos en aplicaciones tales
como Statistica, Minitab, R y Excel. La finalidad del diseño de experimentos recae en la
significancia de diversos factores al entablar un proceso o un resultado esperado y que
requiere de alta productividad. Se desarrolla en estas plataformas estadísticas debido a su
comportamiento con el estudiante entablando este como de fácil acceso y
comprendimiento.

El ejercicio que se visualizará a continuación es:

Un Ingeniero Químico estudia el rendimiento de un proceso. Hay dos variables de interés.

El tiempo de reacción y la temperatura de reacción. Debido a que no se tiene la seguridad
sobre el supuesto de linealidad en la región de exploración, el ingeniero decide realizar un
diseño factorial 2^2 (con una sola réplica de cada corrida factorial) aumentando con cinco
puntos centrales. El diseño y los datos de rendimiento se muestran en la figura.

Ejercicio Tomado de Probabilidad y Estadística aplicada a la Ingeniería-

Segunda Edición, Douglas C Montgomery-George C Runger.
En primera instancia se desarrollará el análisis en la aplicación Statistica:

Se debe asumir una ideología desde el comienzo de ejecución del ejercicio, esta debe ser
los puntos centrales de hecho estos son puestos con el fin de argumentar la curvatura con la
en la superficie de respuesta y para llegar a la conclusión de este argumento se evalúa el
factor de curvatura de cuadrática pura.

Se tienen datos como lo son el, Yf y Yc, los cuales tienen como concepto ser el promedio
de los cuatro experimentos registrados y el promedio de los datos de los puntos centrales.
Se visualizan comparaciones como las siguientes:

1. Sí Yf – Yc, es pequeño puede ser considerado que no tiene curvatura la gráfica de

resultados.
2. Sí Yf – Yc, es grande puede ser considerado que existe una curvatura en el gráfico
de resultado y existe un modelo con diferente estructura.

Para el ejercicio se puede concluir que,

Yf: 40.425

Yc: 40.46

La diferencia da como resultado que, Yf-Yc: 0.035, lo cual es un dato pequeño y bajo este
concepto yo asumo que la curvatura es mínima y sigo con la planimetría del ejercicio
enseñada en el aula de clase.

Se usa el primer programa estadístico el cual es:

STATISTICA
Usando el grafico proporcionado es posible dimensionar y construir la matriz de trabajo
usando los 4 datos de interacción y los 5 puntos centrales.
Se procede a usar un Diseño de experimentos 2^2.

Debido a ya tener la matriz registrada en el software, es posible codificar la variable

dependiente y las independientes.

En el momento de tener esta información se usa la propiedad de Summary Results con el

fin de hallar la Tabla de Efectos, la cual es diciente de cierta manera sobre un factor y la
significancia de este en el rendimiento de la reacción, esta conclusión es cierta si se hace la
prueba t y p para los datos encontrados en la tabla.

Figura. TABLA DE EFECTOS-STATISTICA

ANOVA DE EFECTOS

PRUEBA T,
La prueba consiste en leer el t obtenido y registrado en la tabla de efectos respecto a cada
factor y compararlo con un t critico leído en tablas o en esta oportunidad en el mismo
programa. De igual firma se plantean las Hipótesis para el estudio de t-Student.
Las Hipótesis serán:
Ho; El factor no es significativo para el modelo
Ha; El factor es significativo para el modelo
Se hace el proceso de rechazo y aceptación de Hipótesis bajo el concepto de:
|𝑡𝑜𝑏𝑠 > 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 |;Se rechaza la hipótesis nula.
|𝑡𝑜𝑏𝑠 < 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 |;Se rechaza la hipótesis alternativa.

Recordando y argumentando que los grados de libertad de los datos a estudiar tiene el valor
de ‘1’ para todos se puede hacer cálculo del t crítico:
  Prueba para Tiempo de Reacción:
T obtenido: 8.2917
T crítico: 2.015048
En este punto se concluye que se acepta la Hipótesis nula y se puede describir que es
significativo para el modelo.
 Prueba para Temperatura
T obtenido: 3.4772
T crítico: 2.015048
En este punto se concluye que se acepta la Hipótesis nula y se puede describir que es
significativo para el modelo.
 Prueba para Interacción de los Factores:
T obtenido: -0.2675
T crítico: 2.015048
En este punto se concluye que se acepta la Hipótesis alternativa y se puede describir que no
es significativo para el modelo.

PRUEBA P,
Con el fin de concretar los datos es congruente realizar una afirmación más y se desarrolla
la prueba la cual tiene como concepto los intervalos de no significancia y los que estos
abarcan.
Se plantean las Hipótesis:
Ho; En el intervalo se toma el cero y el dato es no significativo para el modelo.
Ha; En el intervalo no se toma el cero y el factor es significativo para el modelo.
Se procede a rechazar o aceptar las hipótesis bajo las condiciones de qué,
Sí P (0,05) > P. encontrada; Se rechaza la Hipótesis Nula
Sí P (0,05) < P. encontrada; Se rechaza la Hipótesis Alternativa
Y las pruebas son desarrolladas de esta manera:
 Prueba para Tiempo de Reacción:
P obtenido: 0,000416567270588893
P (0,05)
En este punto se concluye que se acepta la Hipótesis alternativa y se puede describir que es
significativo para el modelo.
  Prueba para Temperatura
P obtenido: 0,0177127033934984
P (0,05)
En este punto se concluye que se acepta la Hipótesis alternativa y se puede describir que no
es significativo para el modelo.
 Prueba para Interacción de los Factores:
P obtenido: 0,799787002676976
P (0,05)

Figura, Grafico de Pareto

En el gráfico de Pareto se puede corroborar la información analizada bajo la prueba P,
describiendo la no significancia de la interacción entre el Tiempo de la Reacción y la
Temperatura usada en la ejecución de esta misma.
En este punto se concluye que se acepta la Hipótesis nula y se puede describir que no es
significativo para el modelo.
Como se percibió en el ejercicio en uno de los estudios el Factor Temperatura no es
significativo y el otro si lo es, por esta razón se debe hacer un último análisis con el fin de
asegurar y afirmar una conclusión general. La prueba que se va a efectuar será la Prueba F.
PRUEBA F
Para el desarrollo de la Prueba F es necesario tener el contexto claro que debe usarse para el
cálculo y lectura de los datos que en ella intervienen, por ejemplo, la Lectura del F crítico
en tablas con la prueba Fisher.
Se contextualizan de igual forma las hipótesis propias de la prueba las cuales dicen que,
 |𝐹𝑜𝑏𝑠 > 𝐹 |;Se rechaza la hipótesis nula.
|𝐹𝑜𝑏𝑠 < 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑜 |;Se rechaza la hipótesis alternativa.

Y en la prueba Fisher se tiene en cuenta 2 grados de libertad, se dimensiona que en

el numerador irá el grado de libertad del factor y en el denominador el grado de
libertad del error, estos son leídos en la ANOVA de regresión.

El dato obtenido es el mismo para los factores póstumos a analizar:

 Prueba para Tiempo de Reacción:

F obtenido: 68.75199
F crítico: 6.607891
En este punto se concluye que se acepta la Hipótesis nula y se puede describir que es
significativo para el modelo.
 Prueba para Temperatura
F obtenido: 12.09062
F crítico: 6.607891
En este punto se concluye que se acepta la Hipótesis nula y se puede describir que es
significativo para el modelo.
 Prueba para Interacción de los Factores:
F obtenido: 0.07154
F crítico: 6.607891
En este punto se concluye que se acepta la Hipótesis alternativa y se puede describir que no
es significativo para el modelo.
Con la información ya suministrada es posible generar la disposición de datos que si son
relevantes para el modelo y el que no lo sea puede ser apartado del análisis de la prueba de
ajuste que se proporciona a continuación.

Al no contextualizar en el modelo la interacción del Tiempo de Reacción y la Temperatura

de esta misma, podría ser escrito el modelo de la representación de los datos.
Rendimiento: 40.4444 + 0.77500*Tiempo + 0.32500*Temperatura
REGRESIÓN MULTIPLE
Al hacer la regresión múltiple es posible concluir que la correlación visualizada en pantalla
es considerablemente significativa para los datos de estudio.

Es posible ejecutar el análisis de ajuste con las propiedades propias del software.
La prueba de ajuste puede generar la ideología e hipótesis con el fin de corroborar la
veracidad de la información suministrada.
Estas hipótesis de pueden aceptar o rechazar a partir del estudio con la Distribución Fisher
y los pasos a seguir deben ser:
Bondad de Ajuste:
1. Fobtenido > Fcrítico, El modelo tiene buena regresión y representa los datos de la
mejor manera.
Esta información ya fue corroborada en la parte anterior en el ítem PRUEBA F
2. Fobtenido < F (m-p;n-m), El modelo si cumple un buen ajuste.

De igual forma es posible hallar una tabla con la información de los datos predichos por el
modelo que se está ejecutando.
Para la figura de los datos Observados vs Predichos se visualiza la distribución de los
puntos centrales, la cual no es completamente alejada de la curva del modelo que se está
analizando siendo consiente que la correlación de datos es el 94% se puede argumentar que
bajo el uso de un modelo que sólo contenga el Tiempo de la Reacción y la Temperatura de
esta misma es útil el modelo hallado, y se puede de igual forma decir que la interacción de
estos dos factores nombrados anteriormente no son vinculativos entre sí y no generan
dependencia al modelo que se ha querido mostrar.
 Figura, Grafico de Pareto para datos significativos al modelo

Figura, Grafico de Superficie

El grafico de superficie nos puede argumentar lo que de igual forma se percibe en el gráfico de
Pareto, el que mayor interacción tiene en el modelo es el Tiempo de la reacción localizándose en
estos puntos los valores de mayor concentración de lo esperado y de igual forma según los datos
analizados en las tablas se relaciona la información con mayor claridad.
MINITAB
yy
La estructura de respuestas de las Hipótesis y significancia de datos en Minitab es similar a
la de Statistica y deben calcularse los datos críticos o los que deben ser leídos en tablas
según la Hipótesis de esta manera:
PRUEBA T
Usando la plataforma de Minitab es posible calcular el t bajo la distribución de t- Student
PRUEBA P
La prueba p puede ser prevista como se argumentó anteriormente:
Se plantean las Hipótesis:
Ho; En el intervalo se toma el cero y el dato es no significativo para el modelo.
Ha; En el intervalo no se toma el cero y el factor es significativo para el modelo.
Se procede a rechazar o aceptar las hipótesis bajo las condiciones de qué,
Sí P (0,05) > P. encontrada; Se rechaza la Hipótesis Nula
Sí P (0,05) < P. encontrada; Se rechaza la Hipótesis Alternativa
 Los datos de p encontrados para el Tiempo de Reacción y la Temperatura si son
menores al valor de significancia.
 El dato de la Interacción entre los factores claves se concibe de esta forma:
P=0.821 y este dato es mayor al dato de 0.05 y por esta razón se rechaza la hipótesis
alternativa y se concluye que la interacción no es significativa para el modelo que se está
estudiando.

PRUEBA F
La prueba F puede desarrollarse bajo el estudio y análisis de una Distribución en Minitab
con la prueba Fisher.
ANÁLISIS DE GRAFICOS,
GRAFICO PARETO

El grafico Pareto es muy diciente respecto a lo ya evidenciado en la solución del ejercicio

en STATISTICA, es posible afirmar que igualmente que la prueba ya estudiada se conciba
que solo son significativas para el modelo el factor A ’en este caso se comporta como el
Tiempo de la Reacción’ y de igual forma el factor B ‘que simboliza el Temperatura de la
reacción’. Por último, se evidencia que la interacción de Factores no es significativa para el
modelo.
GRAFICA DE CONTORNO
En la gráfica de contorno se contextualiza que se la mayoría de datos se sitúan en las
variables del tiempo puesto que aquí es donde el rendimiento es de mayor concentración.

ANÁLISIS EN R

La interfaz de R se visualiza de la siguiente manera:

EJERCICIO 2 A LA 5
Se hace revisión de un ejercicio con más de 2 factores y se solucionan preguntas claves
suministradas por la docente de la asignatura.
Por comodidad se escoge el programa aprendido en el aula de clase el cual es Statistica y se
procede a realizar un paso a paso de la siguiente manera:

 Se usa la opción de Diseño de experimentos, y ahí se dispone a usar el diseño con 5

factores y respuestas dadas en la tabla entregada las cuales son 32.

 Se usa la opción de integrar los datos propios del ejercicio.

 En la siguiente opción que el software permite, se permite concretar la información
de la matriz, por comodidad se usa Text Labels.
 La matriz está escrita como se percibe en el anterior paso y esta es guardada y
posteriormente se llama para comenzar con su análisis.
 A continuación, se procede a generar la tabla de efectos con todas sus interacciones.
 La tabla de efectos que se visualiza anteriormente contiene algunos ‘13’ factores
que no son significativos para el modelo que se está analizando.
 De igual forma se puede hallar o llamar la ANOVA de efectos la cual es:

 Es posible con la información que se obtiene descartar algunos de las factores de

interacciones en el ejercicio para generar la información significativa y el modelo
con mejor correlación para el sistema.
 Se puede hacer el estudio del Grafico de Pareto el cual describe de forma clara y
concisa y de fácil lectura bajo el nivel de no significancia cuales son los factores
que no hacen parte del mejor modelo que describe el sistema.

En el grafico es posible visualizar factores significativos y no significativos, Debido a la

cantidad de datos en total la cual es de 25, no se permite la visualización de todos por
ejemplo para los que no son significativos que son 7 pero debido a la cantidad de datos
no están todos los factores no significativos son 13.
Para el grafico de observado y predicho es posible decir que los datos no están tan
dispersos, respecto al modelo que se está ejemplificando, de hecho, los datos tienen un
comportamiento regular y de forma amplia con un ajuste claro.
Bajo el nivel de correlación
EFECTOS SIGNIFICATIVOS
SOLUCIÓN DE PREGUNTAS:

1) Para el diseño factorial completo de dos niveles y 5 factores considerados (25), ¿cuántos y
cuáles son los efectos (principales y de interacción de 2, 3, 4 y 5 factores)?
Para el análisis que se está desarrollando se puede aclarar que están evidenciados bajo el
proceso que se siguió efectos como lo son los primeros 5 factores estudiados y en seguida
la interacción de 2 factores los cuales son evidenciados ’10 combinaciones’ y por último lo
que es permitido por el programa la interacción de 3 factores que en este caso se evidencian
una cantidad de ’10 combinaciones’.
Las combinaciones se dan se la siguiente manera:
 Relación S/A-Gas  Gas-Temperatura
 Relación S/A-Presión  Gas-Potencia
 Relación S/A-Temperatura  Presión-Temperatura
 Relación S/A-Potencia  Presión-Potencia
 Gas-Presión  Temperatura-Potencia
 Relación S/A-Gas-Presión
 Relación S/A-Gas-Temperatura
 Relación S/A-Gas-Potencia
 Relación S/A-Presión-Temperatura
 Relación S/A-Presión-Potencia
 Relación S/A-Temperatura-Potencia
 Gas-Presión-Temperatura
 Gas-Presión-Potencia
 Gas-Temperatura-Potencia
 Temperatura-Presión-Potencia

2) Calcule los efectos de los factores usando Statistica (considere los efectos principales y
de interacción de 3 factores).
a) Muestre la tabla generada por Statistica.
 b) ¿Cómo es calculado t que aparece en la tabla de Statistica? ¿Cómo es interpretado,
es decir, como verificando el valor de t se puede decir si el efecto es o no
significativo?

El t que es leído en la tabla de Statistica, es hallado bajo la ecuación de la distribución t-

Student. En donde:

T obtenido: (Media de los datos-Media poblacional) / (desviación estándar/sqrt(n))

Se recuerda que es posible analizar las pruebas de hipótesis y el estudio a nivel de

comparación del t obtenido y el t crítico.
El t crítico es posible leerlo en Tablas o por prueba en t-Student en Statistica analizando el
dato de grados de libertad y nivel de significancia realizando la comparación de la siguiente
manera:
Las Hipótesis serán:
Ho; El factor no es significativo para el modelo
Ha; El factor es significativo para el modelo
Se hace el proceso de rechazo y aceptación de Hipótesis bajo el concepto de:
|𝑡𝑜𝑏𝑠 > 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 |;Se rechaza la hipótesis nula.
|𝑡𝑜𝑏𝑠 < 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 |;Se rechaza la hipótesis alternativa.

c) ¿Cómo se calculan los intervalos de confianza? ¿Cómo pueden ser interpretados?

Los intervalos de confianza son calculados de la siguiente manera:
Bajo el análisis usado en el aula de clase y usando la distribución t-Student con el valor crítico
perteneciente a esta distribución, con la desviación estándar y la cantidad de datos que
analizan en el experimento se genera una estructura para desarrollar el dato así:
Xvalores extremos: Xmedia +o- (t*s)/sqrt(n)

Pueden ser interpretados bajo hipótesis las cuales son:

Ho: Se encuentra el valor de cero en el intervalo
Ha: Nos e encuentra el valor de cero en el intervalo

d) ¿Cuál es el valor de t tabulado y donde este es usado?

El valor del t tabulado es leído bajo la estructura de t-Student y es posible leerlo en tablas y
en el mismo software. Este t tabulado se calculó bajo los grados de libertad de los factores el
cual es igual para todos en el diseño de experimentos con un valor de ‘6’ esto debido al dato
del error, usando la distribución de t-Student se halla y se concibe para el rechazo de las
hipótesis, respecto a la significancia de cada factor con el modelo estudiando o que se quiere
encontrar.
Para el estudio General se pueden escribir los datos así:
INTERACCIÓN T OBTENIDO T CRÍTICO SIGNIFICANCIA
Razón S/A 54.8127 1.943180 SI
Razón del Gas 9.8469 1.943180 SI
Presión -11.6683 1.943180 SI
Temperatura 14.0020 1.943180 SI
Potencia -0.7969 1.943180 NO
1 by 2 4.4966 1.943180 SI
1 by 3 -12.1237 1.943180 SI
1 by 4 9.4485 1.943180 SI
1 by 5 -2.0491 1.943180 SI
2 by 3 3.2444 1.943180 SI
2 by 4 -0.6830 1.943180 NO
2 by 5 0.9107 1.943180 NO
3 by 4 3.0736 1.943180 SI
3 by 5 -3.4151 1.943180 NO
4 by 5 1.0815 1.943180 NO
1*2*3 1.7645 1.943180 NO
1*2*4 -2.6183 1.943180 SI
1*2*5 0.6830 1.943180 NO
1*3*4 1.0245 1.943180 NO
1*3*5 -3.0736 1.943180 SI
 1*4*5 0.9676 1.943180 NO
2*3*4 0.000 1.943180 NO
2*3*5 1.7076 1.943180 NO
2*4*5 -1.0815 1.943180 NO
3*4*5 1.6206 1.943180 NO

e) ¿Cómo el valor de p puede ser interpretado, es decir, como verificando el valor de

p, sabemos si el efecto es significativo?
Para la interpretación del valor de p es posible y necesario hacer un estudio respecto al nivel
de no significancia y el valor que tiene el rango de estos mismos.
Se plantean las Hipótesis:
Ho; En el intervalo se toma el cero y el dato es no significativo para el modelo.
Ha; En el intervalo no se toma el cero y el factor es significativo para el modelo.
Se procede a rechazar o aceptar las hipótesis bajo las condiciones de qué,
Sí P (0,05) > P. encontrada; Se rechaza la Hipótesis Nula
Sí P (0,05) < P. encontrada; Se rechaza la Hipótesis Alternativa
Los factores que cumplen esta premisa y son significativos para el modelo serán:
 Razón S/A
 Razón de Gas
 Presión
 Temperatura
 1 by 2
 1 by 3
 1 by 4
 2 by 3
 3 by 4
 3 by 5
 1*2*4
 1*3*5

f) ¿Cuál es el número de grados de libertad del error y por qué?

El número de grados de libertad del error leído en la tabla de ANOVA de regresión es de 19
debido a que ese número se halla con la ecuación:
GL ERROR= a*b*c*d*ac*ad*(n-1)

g) ¿Cómo fue calculado el error?

El error calculado es hallado bajo el concepto de datos ya estudiados en la tabla.
Normalmente se usa la ecuación general que es.

SCE: SCT-SC1-SC2-SC3-SC4-SC1,3-SC1,4

Teniendo en cuenta que las fórmulas para los otros factores si fueron encontradas,
analizadas y ejecutadas.

h) Trace e interprete el gráfico Pareto de los efectos.

Recordando que el grafico de Pareto es uno de los más dicientes respecto a variables como
se evidencia los valores que no son significativos y los que si debido al nivel de no
significancia. Estos datos que se representan en el grafico no son la totalidad de los que se
están estudiando debido a que allí se encuentran tan solo los mas representativos para el
programa, asumiendo que existen mas factores sin contar el dato d la interacción principal o
el coeficiente normal, se asume que el programa toma esta decisión y se concibe que
existen demás factores que pueden ser analizados en las tablas ya suministradas.

i) ¿Qué significa un efecto negativo?

El significado de un efecto negativo radica en que, por contexto e información recibida en

el aula de clase, se tiene en cuenta la media del efecto que va a ser calculado y se divide en
la cantidad de niveles que se tienen aplicados en el desarrollo del diseño experimental, se
considera independientemente, el valor al calcular el efecto lo que nos indica es que la
respuesta, en este caso el índice de refracción, sube o baja en un porcentaje respecto a la
media del factor de análisis.
De igual forma se caracteriza por no generar un acercamiento a la respuesta esperada por el
supervisor o lector del experimento, pues estos pueden tornar la respuesta esperada en
lejanía a lo predicho.

3) Trace e interprete el gráfico normal de los efectos usando o Statistica. ¿Cuáles son los
efectos significativos? ¿Los resultados coinciden con los obtenidos a través del análisis de
la tabla de los efectos (según t, p valor e intervalos de confianza)?

Los datos del grafico normal pueden ser vistos como el grafico Pareto analizando en la
parte de la horizontal inferior datos como lo será el nivel de significancia que es de 0,05y
por esta razón es posible asegurar que si existen factores que no son significativos.
4) Cambie el nivel de confianza para 99%. Muestre la nueva tabla de los efectos generada
por Statistica. ¿Cuáles son los efectos significativos? ¿Estos concuerdan con el análisis del
gráfico normal?
Los efectos significativos generados bajo un nivel de confianza del 99% son:
 Razón S/A  1 by 2
 Razón del Gas  1 by 3
 Presión  1 by 4
 Temperatura

5) Ignore los efectos no significativos de acuerdo con el análisis de 99% confianza.

a) Muestre la nueva tabla generada por Statistica. ¿Todos los efectos son
significativos? Explique;
Al ignorar los datos que no son significativos se obtiene la tabla que se muestra a
continuación la cual de nuevo muestra un dato que no es significativo pero que anteriormente
si generaba valor al modelo con un nivel de confianza del 99%.

b) Se aún existe algún efecto no significativo, ignórelos y muestre la nueva tabla.

En esta oportunidad ya se encuentran sólo los factores que si son significativos para el modelo
bajo un nivel ya mencionado del 99%.
 c) ¿Cómo fue calculado el error en esta ocasión? ¿Con cuántos grados de libertad y
por qué?

En este caso se usaron grados de libertad de 25 y debido a que solo se están usando 6
factores significativos para el modelo.

d) Escriba la ecuación del modelo estadístico correspondiente.

El modelo estadístico se visualiza así:
Índice de Refracción: 2.594375 + 0.601875*Razón S/A + 0.108125*GAS -
0.128125*Presión +0.153750*Temperatura -0.133125*(1by3) +0.103750*(1by4)

e) Calcule el valor del índice de refracción previsto para el modelo para el ensayo 1
de la matriz de diseño experimental.
Usando la Ecuación que se halló y bajó la interpretación de datos del primer experimento se
puede decir que:
  Razón S/A : 0.1
 Razón del Gas: 40
 Presión: 300
 Temperatura: 300
 Potencia: 10

Índice de Refracción: 2.594375 + 0.601875*(0.1) + 0.108125*(40)-0.128125*(300)

+0.153750*(300) -0.133125*(0.1*300) +0.103750*(0.1*300)

Índice de Refracción: 13.7858125

Preguntas Relacionadas con el tema de la asignatura:

 ¿Qué es un diseño experimental estrella?

Un diseño experimental de estrella, se puede considerar como uno de los diseños de
experimentos más usados, El diseño central compuesto es el experimento diseñado de
superficie de respuesta que más se utiliza. Los diseños centrales compuestos son un diseño
factorial o factorial fraccionado con puntos centrales, ampliado con un grupo de puntos
axiales (también denominados puntos de estrella) que permiten estimar la curvatura. Puede
utilizar un diseño central compuesto para:
1. Estimar eficientemente los términos de primer orden y segundo orden.

2. Modelar una variable de respuesta con curvatura al agregar puntos centrales y

axiales a un diseño factorial previamente ejecutado.

3. Los diseños centrales compuestos son especialmente útiles en los experimentos

secuenciales, porque frecuentemente permiten ampliar experimentos factoriales
anteriores al agregar puntos axiales y centrales.

 ¿Qué es un diseño experimental fraccionado?

Un diseño experimental fraccionado, Los diseños factoriales fraccionados son una opción
adecuada cuando los recursos son limitados o el número de factores incluidos en el diseño
es grande, porque utilizan menos corridas que los diseños factoriales completos.
Un diseño factorial fraccionado utiliza un subconjunto de un diseño factorial completo, por
lo que parte de los efectos principales y las interacciones de 2 factores se confunden y no se
pueden separar de los efectos de otras interacciones de orden superior.
 ¿Qué es un diseño experimental factorial por bloques?
Un diseño factorial por bloques, corresponde a la estructura de un diseño factorial en el cual
se estudia una variable cuantitativa y existen diferentes factores que pueden afectar esta
variable aun así estos no intervienen en el diseño del modelo. Estas variables influyen en la
respuesta ya explicada, pero de igual forma deben ser contraladas. A estas variables se les
denomina variables bloque y son caracterizadas por:
1. No son motivo de estudio en el modelo, pero aparecen de forma natural y obligada
por el mismo sistema de diseño.

2. Se asume que ya no tienen interacción con el factor de estudio.