Tabla 6-7

Salida de Design-Expert para el ejemplo 6-1

Response: FiII Deviation in Height

ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum of squares]
Sum of
Mean
F
Squares
DF
Square
Value
Source
16.69
73.00
7
10.43
Model
36.00
1
36.00
A
57.60
2~25
1
2~25
32.40
B
12.25
1
12.25
19.60
C
2.25
1
2.25
3.60
AB
0.25
1
0.25
AC
0.40
1.00
1
1.00
BC
1.60
1
1.00
1.00
1.60
ABC
5.00
8
0.63
Residual
0.000
O
Lack of Fit
0.63
5.00
8
Pure Error
78.00
15
Cor Total
Std.Dev.
Mean
C.V.
PRESS
Factor
Intercept
A-Carbonation
B-Pressure
C-Speed
AB
AC
BC
ABC

0.79
1.00
79.06
20.00
Coefficient
Estimate
1.00
1.50
1.13
0.88
0.38
0.13
0.25
0.25

R-Squared
Adj R-Squared
Pred R-Squared
Adeq Precision
DF
1
1
1
1
1
1
1
1

Prob> F
0.0003
<0.0001
0.0005
0.0022
0.0943
0.5447
0.2415
0.2415

significant

0.9359
0.8798
0.7436
13.416

Standard
Error
0.20
0.20
0.20
0.20
0.20
0.20
0.20
0.20

950/0 Cl

95% CI

Low
0.54
1.04
0.67
0.42
-0.081
-0.33
-0.21
-0.21

High
1.46
1.96
1.58
1.33
0.83
0.58
0.71
0.71

VIF
1.00
1.00
1.00
1.00
1.00
1.00
1.00

Final Equation in Terms of Coded Factors:

FiII Deviation =
+1.00
+1.50 *A
+1.13 *8
+0.88 *C
+0.38 *A *8
+0.13 *A *C
+0.25 *8 *C
+0.25 *A *8 *C
Final Equation in Terms of Actual Factors:
FiII Deviation =
-225.50000
+21.00000 *Carbonation
+7.80000 *Pressure
+ 1.08000 *Speed
-0.75000 *Carbonation *Pressure
-0.10500 *Carbonation *Speed
-0.040000 *Pressure *Speed
+4.00000E-00: *Carbonation *Pressure *Speed
Reduced Model:
Response: FiII Deviation in Height
ANOVA for Selected Factorial Model
Analysis of variance table [Partial sum of squares]

237

Tabla 6-7

(continuacin)

Sumof
Squares
70.75

Source
Model
A
B

AB

Residual
Lack ofFit
Pure Error

'.~';

;:1
;'~:':j1

:~~~

~~:~

I;~:-;:

j~:

12.25
2.25
7.25
2.25
5.00

Cor Total

78.00

Std. Dev.
Mean
C.V.
PRESS

0.81
1.00
81.18
15.34

Factor
Intercept
A-Ca rbo natio n
B-Pressure
C-Speed
AB

w'

36.00
20.25

DF
4
1
1
1
1
11
3
8
15

Coefficient
Estimate
1.00
1.50
1.13
0.88
0.38

Mean
Square
17.69
36.00
20.25

F
Value
26.84
54.62

Prob> F
<0.0001

12.25
2.25
0.66

18.59
3.41

<0.0001
0.0002
0.0012
0.0917

0.75
0.63

1.20

0.3700

30.72

R-Squared
Adj R-Squared
Pred R-Squared
Adeq Precision
DF
1
1
1
1
1

Standard
Error
0.20
0.20
0.20
0.20
0.20

significant

not significant

0.9071
0.8733
0.8033
15.424
95% CI
Low
0.55
1.05
0.68
0.43
-0.072

95% CI
High
1.45
1.95
1.57
1.32
0.82

1.00
1.00
1.00
1.00

Student
Residual
-1.300
1.671
-0.186
1.300
-0.557
0.928
-1.671
-0.186
-0.928
0.557
0.186
-1.300
-0.186
-0.186
1.671
0.186

Cook's
Distance
0.154
0.254
0.003
0.154
0.028
0.078
0.254
0.003
0.078
0.028
0.003
0.154
0.003
0.003
0.254
0.003

Outlier
t
-1.347
1.845
-0.177
1.347
-0.539
0.922
-1.845
-0.177
-0.922
0.539
0.177
-1.347
-0.177
-0.177
1.845
0.177

VIF

Final Equation in Terms of Coded Factors:

FiII Deviation =
+1.00
+1.50 *A
+1.13*B
+0.88 *C
+0.38 *A *B
Final Equation in Terms of Actual Factors:
FiII Deviation =
+9.62500
-2.62500 *Carbonation
-1.20000 *Pressure
+0.035000 *Speed
+0.15000 *Carbonation *Pressure
Diagnostics Case Statistics
Standard Actual Predicted
Order
Value
Value
-3.00
-2.13
1
-1.00
-2.13
2
0.000
3
0.12
1.00
4
0.12
-1.00
-0.63
5
-0.63
0.000
6
2.00
7
3.13
3.00
3.13
8
-1.00
-0.37
9
10
0.000
-0.37
2.00
11
1.88
1.00
12
1.88
13
1.00
1.13
1.00
14
1.13
6.00
15
4.88
16
5.00
4.88

238

Residual
-0.88
1.13
-0.12
0.88
-0.38
0.63
-1.13
-0.13
-0.63
0.37
0.13
-0.88
-0.13
-0.13
1.13
0.13

Leverage
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313
0.313

"
6-3 EL DISEO 23

239

puesto que F o es grande, se concluira que al menos una de las variables tiene un efecto diferente de cero.
Entonces se prueba la significacin de cada efecto factorial individual utilizando el estadstico F. Estos resultados concuerdan con la tabla 6-6.
Abajo del anlisis de varianza del modelo completo se presentan varios estadsticosR2 LaR 2 ordinaria es
R2 = SSModelo = 73.00 = 0.9359
SSTotal
78.00
y mide la proporcin de la variabilidad total explicada por el modelo. Un problema potencial con este estadstico es que siempre se incrementa cuando se agregan factores al modelo, incluso cuando estos factores no son significativos. El estadstico R 2 ajustada, definido como
=1-

R 2.
Ajustada

SSEldfE =1- 5.00/8 =08798

1 dfTotal
78.00/15'

SSTotal

es un estadstico que est ajustado para el "tamao" del modelo; es decir, para el nmero de factores. La
R 2 ajustada puede decrecer en realidad si se agregan trminos no significativos al modelo. El estadstico
PRESS es una medida de qu tan bien predecir datos nuevos el modelo (PRESS es en realidad el acrnimo de Prediction En'or Sum ofSquares -suma de cuadrados del error de prediccin-, y se calcula a partir
de los errores de prediccin obtenidos al predecir el punto i-simo de los datos con un modelo que incluye
todas las observaciones, excepto la i-sima). Un modelo con un valor pequeo de PRESS indica que es posible que el modelo sea un buen predictor. El estadstico "R2 de prediccin" se calcula como
R2

..
Predlcclon

= 1- PRESS = 1- 20.00 = 0.7436

SS

Total

78 00

Esto indica que se esperara que el modelo completo explique cerca de 74% de la variabilidad de los datos
nuevos.
La siguiente seccin de la salida presenta el coeficiente de regresin de cada trmino del modelo y el
error estndar (se, standard error) de cada coeficiente, definido como

se(f3) = V~
V(f3) = ~MSE
- k =
A

n2

~O.625
= 0.20
2(8)

Los intervalos de confianza de 95% para cada coeficiente de regresin se calculan a partir de

~ - t O.025.N_pse(~):o:; f3:O:; ~ +t O.025.N-pse(~)

donde los grados de libertad de t es el nmero de grados de libertad del error; es decir, N es el nmero total de corridas en el experimento (16), y p es el nmero de parmetros del modelo (8). Thmbin se presenta el modelo completo en trminos de las variables codificadas y de las variables naturales.
En la ltima seccin de la tabla 6-7 se ilustra la salida despus de eliminar los trminos de las interacciones no significativas. Este modelo reducido contiene ahora slo los efectos principales A, By C, y la
interaccinAB. La suma de cuadrados de los residuales o del error se compone ahora de un componente del error puro ("Pure Error") que surge de las rplicas de los ocho vrtices del cubo, y un componente de falta de ajuste ("Lack of Pit"), compuesto por las sumas de cuadrados de las interacciones que se
eliminaron del modelo (Be, AC y ABC). De nueva cuenta, la representacin del modelo de regresin
de los resultados experimentales se presenta en trminos de las variables codificadas y las variables na-

240

CAPTULO 6 DISEO FACTORIAL 2k

turales. La proporcin de la variabilidad total de l desviacin de la altura del llenado que se explica por
este modelo es
R2

= SS Modelo = 70.75 = 0.9071

78.00

SSTotal

que es menor que laR 2 del modelo completo. Observe, sin embargo, que laR 2 ajustada del modelo reducido apenas ha cambiado ligeramente respecto de laR 2 ajustada del modelo completo, y PRESS del modelo reducido es considerablemente menor, lo cual produce un valor ms grande de R;rediccio del modelo
reducido. Evidentemente, la eliminacin de los trminos no significativos del modelo completo ha producido un modelo final que posiblemente funcionar con mayor eficiencia como predictor de datos nuevos.
Observe que los intervalos de confianza para los coeficientes de regresin del modelo reducido son ligeramente ms cortos que los intervalos de confianza correspondientes en el modelo completo.
En la ltima seccin de la salida se presentan los residuales del modelo reducido. Design-Expel1 tambin construir todas las grficas de los residuales que se estudiaron anteriormente.
Otros mtodos para evaluar la significacin de los efectos

El anlisis de varianza es una manera formal de determinar cules son los efectos de los factores que son
diferentes de cero. Existen varios mtodos ms que son tiles. A continuacin se indica cmo calcular el
error estndar de los efectos y cmo usar los errores estndar para construir intervalos de confianza para
los efectos. Otro mtodo, que se ilustrar en la seccin 6-5, utiliza grficas de probabilidad normal para
valorar la importancia de los efectos.
Es sencillo encontrar el error estndar de un efecto. Si se supone que hay n rplicas en cada una de las
2k corridas del diseo, y si Yi!' Yi2' ..., Yin son las observaciones de la corridai-sima, entonces
i

= 1, 2, ...,

2k

es una estimacin de la varianza de la corrida i-sima. Las estimaciones de la varianza del diseo 2k pueden combinarse para dar una estimacin de la varianza global:
(6-19)
sta es tambin la estimacin de la varianza dada por el cuadrado medio del error en el anlisis de varianza. La varianza de la estimacin de cada efecto es
V(Efecto) = V

(c:n;~~lste )
1

(n2

k-l

)-

V(Contraste)

Cada contraste es una combinacin lineal de los 2k totales de los tratamientos, y cada total consta de n observaciones. Por lo tanto,
V(Contraste) = n2 k 0

"
6-3 EL DISEO 23

241

y la varianza de un efecto es
V(Efecto):=:
:=:

:=:

:-1 ) 2n2 a
k

(n2

1
-a -?
k 2
n2 2a

.Jn2 k

El error estndar estimado se encontrara sacando la raz cuadrada de esta ltima expresin y sustituyendo con su estimacin S2:
.
2S
se(Efecto):=:.J k.
(6-20)
n2

Observe que el error estndar de un efecto es el doble del error estndar de un coeficiente de regresin estimado en el modelo de regresin del diseo 2k (ver la salida de computadora de Design-Expel1 del
ejemplo 6-1).
Los intervalos de confianza de 100(1 - a) por ciento para los efectos se calculan a partir de Efecto
ta/2.N_pSe(Efecto), donde los grados de libertad de t son slo los grados de libertad de los residuales o del
error (N - p :=: nmero total de corridas - nmero de parmetros del modelo).
Para ilustrar este mtodo, considere el experimento de la desviacin de la altura de llenado del ejemplo 6-1. El cuadrado medio del error esMSE :=: 0.625. Por lo tanto, el error estndar de cada efecto es (utilizando S2 :=: MSE)
se(Efecto):=:
:=:

2S

vn2 k

2.JOJ?E

~2(23 )
:=: 0.40
Entonces, tO.025.8 :=: 2.31 y t O.025 gSe(Efecto) :=: 2.31(0.40)
95% aproximados para los efectos de los factores son

:=:

0.92, de donde los intervalos de confianza de

A: 3.000.92
B: 2.250.92
C: 1.750.92
AB: 0.750.92
AC: 0.250.92
BC: 0.500.92
ABC: 0.500.92
Este anlisis indica queA, By C son factores importantes, porque son las nicas estimaciones de los efectos de los factores para las que los intervalos de confianza de 95% aproximados no incluyen al cero.
Efectos de dispersin
El ingeniero de proceso que trabaj en el caso del llenado tambin se interes en los efectos de dispersin; es decir, alguno de los factores afecta la variabilidad de la desviacin de la altura de llenado de una

242

CAPTULO 6

DISEO FACTORIAL 2k
R=O

R= 1

R= 1
250 bpm

Velocidad (e)

+~--~I--""
I
I
I
R=ll__

R=1

-7730

,,"~
200 bpm R =_2F-"

R_=~1.... ~_,
+

psi

Presin (B)

25 psi

.~!,..--------:-:"
10%
12%
Carbonatacin (A)

Figura 6-8 Rangos de la desviacin de la altura de llenado del

ejemplo 6-1.

corrida a otra? Una manera de responder esta pregunta es examinando el rango de las desviaciones de la
altura de llenado para cada una de las ocho corridas del diseo 23 Estos rangos se grafican en el cubo de la
figura 6-8. Observe que los rangos son aproximadamente iguales para las ocho corridas del diseo. Por
consiguiente, no hay evidencia slida que indique que alguna de las variables del proceso afecte directamente la variabilidad de la desviacin de la altura de llenado en el proceso.

6~4

EL DISEO GENERAL 2k

Los mtodos de anlisis que se han presentado hasta este punto pueden generalizarse para el caso de un
diseo factorial2k, es decir, un diseo con k factores que tfenen dos niveles cada uno. El modelo estadstico para un diseo 2k incluira k efectos principales, (~) interacciones de dos factores, (~) interacciones de
tres factores, oo., y una interaccin de k factores. Es decir, para un diseo 2k el modelo completo contendra 2k -1 efectos. Thmbin se usa aqu la notacin introducida anteriormente para las combinaciones de .
los tratamientos. Por ejemplo, en un diseo 25, abd denota la combinacin de tratamientos con los factoresA, By D en el nivel alto y los factores e y E en el nivel bajo. Las combinaciones de los tratamientos
pueden escribirse en orden estndar introduciendo los factores uno a la vez y combinando sucesivamente
cada nuevo factor con los que lo preceden. Por ejemplo, el orden estndar de un diseo 24 es (1), a, b, ab,
e, ae, be, abe, d, ad, bd, abd, ed, aed, bed y abed.
El enfoque general para el anlisis estadstico del diseo 2k se resume en la tabla 6-8. Como se seal
anteriormente, suele emplearse un paquete de software de computadora en este proceso de anlisis.
A estas alturas, la secuencia de pasos de la tabla 6-8 debe resultar familiar. El primer paso es estimar
los efectos de los factores y examinar sus signos y magnitudes. De este modo el experimentador obtiene inTabla 6-8

1.
2.
3.
4.
5.
6.

Procedimiento de anlisis
para un diseo 2"

Estimar los efectos de los factores

Formar el modelo inicial
Realizar las pruebas estadsticas
Refinar el modelo
Analizar los residuales
Interpretar los resultados

ti

6-4 EL DISEO GENERAL 2k

243

formacin preliminar respecto de los factores y las interacciones que pueden ser importantes, y en qu direcciones debern ajustarse estos factores para mejonrr la respuesta. Para formar el modelo inicial del
experimento, por lo general se elige el modelo completo, es decir, todos los efectos principales y las interacciones, siempre que se haya hecho una rplica de al menos uno de los puntos del diseo (en la seccin siguiente se revisa una modificacin de este paso). Despus, en el paso 3 se usa el anlisis de varianza para
probar formalmente la significacin de los efectos principales y las interacciones. En la tabla 6-9 se presenta
la forma general de un anlisis de varianza para un diseo factorial 2k con 11 rplicas. El paso 4, refinar el
modelo, suele consistir en la eliminacin de las variables no significativas del modelo completo. El paso 5 es
el anlisis residual usual para verificar la adecuacin del modelo y los supuestos. En ocasiones ocurrir una
refinacin del modelo despus del anlisis residual, si se encuentra que el modelo es inadecuado o que hay
violaciones serias de los supuestos. El ltimo paso consiste generalmente en el anlisis grfico: grficas de
los efectos principales o las interacciones, o superficies de respuesta y grficas de contorno.
Aun cuando los clculos descritos se realizan por lo general con una computadora, en ocasiones es necesario calcular manualmente la estimacin de un efecto o la suma de cuadrados de un efecto. Para estimar
un efecto o calcular la suma de cuadrados de un efecto, primero debe determinarse el contraste asociado
con ese efecto. Esto puede hacerse siempre utilizando una tabla de signos positivos y negativos, como la tabla 6-2 o 6-3. Sin embargo, para valores grandes de k esto resulta laborioso, y puede usarse un mtodo alternativo. En general, el contraste del efecto AB"K se determina expandiendo el miembro derecho de
Contraste AB...K

= (a l)(b 1) (k 1)

Tabla 6-9 Anlisis de varianza de un diseo 2k

Fuente de
Suma de
variacin
cuadrados
k efectos principales
A
B

Grados de
libertad

SSB

1
1

SSK

SSAB

SSA

K
(~ ) interacciones

(6-21)

de dos factores

AB
AC

SSAC

1
1

JK

SSJK

ABC
ABD

SSABC
SSABD

1
1

IJK

SSIJK

SSABC...K
SSE

(; ) interacciones de tres factores

(Z ) = 1 interaccin de k factores
ABCK

Error
Total

SST

2k (n -1)
n2 k -1

11'

244

CAPTULO 6 DISEO FACTORIAL 2k

Para expandir la ecuacin 6-21 se usa el lgebra ordinaria reemplazando "1" con (1) en la expresin final.
El signo de cada grupo de parntesis es negativo si el factor est incluido en el efecto y es positivo si el factor no est incluido.
Para ilustrar el uso de la ecuacin 6-21, considere un diseo factorial 2 3 El contraste deAB sera
Contraste AB

= (a-1)(b-1)(e+1)
= abe + ab + e + (1) -

ae - be - a - b

Como un ejemplo ms, en un diseo 25, el contraste de ABCD sera

Contraste ABCD = (a-1)(b-1)(e-1)(d-1)(e+1)

=abede + ede + bde + ade + bee

+ aee + abe + e + abed + ed + bd
+ad +be+ae+ab+(l)- a- b- e
- abe - d - abd - aed - bed - ae
- be - ce - abee - de - abde - aede - bede
Una vez que se han calculado los contrastes de los efectos, pueden estimarse los efectos y calcular las
sumas de cuadrados de acuerdo con
2
AB .. K = n2 k (Contraste AB ...K)
(6-22)

y
SS AB' ..K

= n2 k

(Contraste AB ...K

2
)

(6-23)

respectivamente, donde n denota el nmero de rplicas. Se cuenta tambin con un algoritmo tabular debido al Dr. Frank Yates que en ocasiones puede ser til para el clculo manual de las estimaciones de los
efectos y las sumas de cuadrados. Referirse al material suplementario del texto de este captulo.

6~5

UNA SOLA RPLICA DEL DISEO 2k

Incluso para un nmero moderado de factores, el nmero total de combinaciones de tratamientos en un

diseo factoria12k es grande. Por ejemplo, un diseo 25 tiene 32 combinaciones de tratamientos, un diseo 2 6 tiene 64 combinaciones de tratamientos, etc. Debido a que por lo general los recursos son limitados,
el nmero de rplicas que el experimentador puede emplear quizs est restringido. Con frecuencia, los
recursos disponibles permiten hacer nicamente una sola rplica del diseo, a menos que el experimentador est dispuesto a omitir algunos de los factores originales.
Un riesgo obvio cuando se realiza un experimento que tiene una sola corrida para cada combinacin
de prueba es que el modelo puede ajustarse al ruido. Es decir, si la respuesta y es sumamente variable,
pueden resultar conclusiones engaosas del experimento. La situacin se ilustra en la figura 6-9a. En esta
figura, la lnea recta representa el verdadero efecto del factor. Sin embargo, debido a la variabilidad aleatoria presente en la variable de respuesta (representada por la franja sombreada), el experimentador obtiene en realidad las dos respuestas medidas representadas por los puntos negros. Por consiguiente, el
efecto del factor estimado est cerca de cero y el experimentador ha llegado a una conclusin errnea respecto de este factor. Ahora bien, si hay menos variabilidad en la respuesta, la posibilidad de una conclusin errnea ser ms reducida. Otra forma de asegurarse de que se obtienen estimaciones confiables de
los efectos es incrementando la distancia entre los niveles bajo (-) y alto ( +) del factor, como se ilustra en

6-5 UNA SOLA RPLICA DEL DISEO 2k

245

Verdadero
efecto
del factor

Efecto estimado
del factor

+
Factor, x
al Distancia pequea entre los niveles del factor

Verdadero
efecto
del factor

Efecto estimado
del factor

Factor, x
bl Separacin agresiva de los niveles del factor

Figura 6-9 El impacto de la eleccin de los niveles del factor en un diseo

no replicado.

la figura 6-9b. Observe que en esta figura la distancia incrementada entre los niveles bajo y alto del factor
resulta en una estimacin razonable del verdadero efecto del factor.
El uso de la estrategia de una sola rplica es comn en los experimentos de exploracin cuando hay
un nmero relativamente grande de factores bajo consideracin. Debido a que en estos casos nunca puede tenerse la certeza absoluta de que el error experimental es pequeo, una buena prctica en este tipo de
experimentos es separar los niveles de los factores de manera agresiva. Quizs el lector encuentre til releer las pautas generales para elegir los niveles de los factores del captulo 1.
Una sola rplica de un diseo 2k se denomina en ocasiones diseo factorial no replicado. Con una
sola rplica, no se cuenta con ninguna estimacin interna del error (o "error puro"). Una forma de abordar este anlisis de un diseo factorial no replicado consiste en suponer que algunas interacciones de orden superior son insignificantes y combinar sus cuadrados medios para estimar el error. Esto es una
apelacin al principio de efectos esparcidos; es decir, la mayora de los sistemas estn dominados por algunos de los efectos principales y las interacciones de orden inferior, y la mayor parte de las interacciones
de orden superior son insignificantes.

246

CAPTULO 6 DISEO FACTORIAL 2k

Cuando se analizan datos de diseos factoriales no replicados, ocasionalmente ocurren interacciones

de orden superior reales. El uso de un cuadrado medio del error que se obtiene agrupando las interacciones de orden superior no es apropiado en estos casos. Un mtodo de anlisis atribuido a Daniel [35a] proporciona una forma simple de resolver este problema. Daniel sugiere examinar una grfica de
probabilidad normal de las estimaciones de los efectos. Los efectos que son insignificantes siguen una
distribucin normal, con media cero y varianza cT, y tendern a localizarse sobre una lnea recta en esta
grfica, mientras que los efectos significativos tendrn medias diferentes de cero y no se localizarn sobre
la lnea recta. Por lo tanto, el modelo preliminar se especificar de tal modo que contenga aquellos efectos que aparentemente son diferentes de cero, con base en la grfica de probabilidad normal. Los efectos
aparentemente insignificantes se combinan como una estimacin del error.

EJEMPLO

6~2

Una sola rplica del diseo 24

lF;
11"

Un producto qumico se fabrica en un envase presurizado. Se lleva a cabo un experimento factorial en la

planta piloto para estudiar los factores que se piensa influyen en el ndice de filtracin de este producto.
Los cuatro factores son la temperatura (A), la presin (B), la concentracin del formaldehdo (C) y la velocidad de agitacin (D). Cada factor est presente con dos niveles. La matriz del diseo y los datos de la
respuesta obtenidos de una sola rplica del experimento 24 se muestran en la tabla 6-10 y en la figura 6-10.
Las 16 corridas se hacen de manera aleatoria. El ingeniero del proceso est interesado en maximizar el ndice de filtracin. Las condiciones actuales del proceso producen ndices de filtracin de alrededor de 75
gal/h. Asimismo, en el proceso actual la concentracin de formaldehdo, factor C, se usa en el nivel alto.
Al ingeniero le gustara reducir la concentracin de formaldehdo lo ms posible, pero no ha podido hacerlo porque siempre produce ndices de filtracin ms bajos.
El anlisis de estos datos se iniciar construyendo una grfica de probabilidad normal de las estimaciones de los efectos. La formacin de signos positivos y negativos para las constantes de los contrastes

Tabla 6-10 Experimento del ndice de filtracin en la planta piloto

Factor

Nmero
de corrida

1
2
3
4
5
6
7
8
9
10

+
+
+
+
+

11

12

+
+
+
+
+
+

13

14
15
16

+
+

+
+

Etiqueta de
la corrida

(1)
a
b
ab

+
+
+
+

+
+
+
+

+
+
+
+
+
+
+
+

ae
be
abe
d
ad
bd
abd
ed
acd
bed
abed

ndice de
filtracin (gal/h)

45
71

48
65
68
60
80
65
43
100
45
104
75
86
70
96