Estudio Experimental del Consumo de

Combustible en Automviles Particulares

Juan Camilo Daz H
jdiazh@javeriana.edu.co
Gustavo Galn Bedoya
galang@javeriana.edu.co
30 de mayo de 2014
Resumen
Para el desarrollo del experimento se consider un diseo factorial del tipo 2
3
no replicado
con el objetivo principal de determinar con una signicancia dada que factores afectan el
consumo del combustible para vehculos particulares. Se presentan tres factores principales:
(i) presin de aire en las llantas (psi ), (ii) tipo de gasolina y (iii) aire acondicionado; y un
factor de bloqueo determinado por el trco vehicular acorde a la Secretaria de Movilidad de
Bogot. Con el objetivo de tener un soporte estadstico del modelo, el trmino de error t fue
sometido a pruebas estadsticas de normalidad, homogeneidad de varianza (homocedasticidad)
e independencia lineal, lo que permiti continuar con la realizacin del Anlisis de Varianzas
(ANOVA) para la posterior interpretacin de los resultados obtenidos en el experimento sobre
los efectos principales y de interaccin. Se presentan e interpretan los resultados obtenidos en
el estudio y se plantea una posible mejora al modelo propuesto para futuras investigaciones.
Palabras Clave: Diseo factorial no replicado; Consumo combustible; ANOVA; Automviles; Particu-
lares; Diseo Experimentos; Factor Bloqueo.
1
1. Introduccin y Planteamiento del Problema
Siendo Colombia el cuarto pas con mayor produccin de petrleo de Amrica Latina con cerca
de un milln de barriles diarios, el precio por galn (3.7854 litros) es uno de los ms elevados de la
regin con un valor cercano de 4.87 USD, por encima de Mxico, Ecuador, Bolivia y Venezuela
1
. La
principal razn de este fenmeno se debe a los elevados impuestos y sobretasas que se debe pagar
al gobierno; cerca del 79 % de la estructura del precio de la gasolina es destinado a este agente.
Evidentemente, este sobrecosto en el combustible es transferido al consumidor, quien es el que debe
sobrellevar dicho desorden en la estructura de precios.
Dado lo anterior, el elevado costo de la gasolina en Colombia se ha convertido en un problema
para los propietarios de vehculos que se transportan a diario en el pas a travs de este medio.
Existen diferentes teoras acerca de los factores que afectan este consumo pero no se tiene la certeza
de la medida en que afectan el consumo de la gasolina en los carros. Factores como la hora de
llenado del combustible, la presin en las llantas o el tener el aire acondicionado encendido pueden
llegar a afectar la duracin del combustible y por tanto incrementar el costo de ste. El problema
radica entonces en la falta de conocimiento acerca de los factores que inciden en su consumo. Por
medio de un diseo experimental se busc determinar si los efectos de ciertos factores pueden afectar
la consumo de la gasolina, medido como el nmero de galones de combustible consumidos en una
distancia ja de 31.5 km por cada automvil utilizado.
Con base en la investigacin realizada, fue posible evidenciar la falta de estudios estadsticos que
determinen aquellos factores que son determinantes en este campo. Trabajos como los presentados
por Bouaid et al. (2007) abordan el problema mediante el anlisis de la composicin del combustible
y su octanaje, midiendo as la incidencia de las posibles combinaciones de mezclas en la duracin
de la gasolina. Sin embargo, son muy pocos los experimentos encontrados que analizan los factores
externos a la composicin del combustible, como el uso del aire acondicionado, la presin de las
llantas el pas de origen de la marca y que pueden llegar a inuir signicativamente en su eciencia.
El presente documento estar estructurado de la siguiente manera: la seccin dos presentar los
objetivos a llevar a cabo en el presente diseo experimental, la seccin tres muestra una revisin
de la literatura en este campo por medio del trabajo de varios autores, la seccin cuatro muestra
una denicin de las variables de respuesta empleadas y los diferentes factores utilizados, la seccin
cinco presenta el modelo estadstico del experimento y la denicin de cada componente, la seccin
seis muestra la forma metodolgica de obtencin de los datos en el experimento, la seccin siete
presenta el desarrollo del experimento y el anlisis de resultados, y por ltimo las secciones ocho,
nueve y diez presentan las conclusiones, recomendaciones y bibliografa respectivamente.
1
Fuente: Ministerio de Minas y Energa de Colombia.
2
2. Objetivos del Experimento
2.1. Objetivo General
Construir un modelo experimental con la presin de las llantas, el aire acondicionado, el tipo de
combustible y el trco vehicular, el cual permita identicar cuales de estos son signicativos sobre
el consumo de combustible en vehculos particulares.
2.2. Objetivos Especcos
Identicar los distintos componentes necesarios para la realizacin del diseo experimental
propuesto.
Validar el cumplimiento los supuestos de normalidad, homocedasticidad e independencia lineal
del modelo estadstico utilizado en el experimento.
Realizar los anlisis de varianza (ANOVA) necesarios con el n de identicar el comporta-
miento de los diferentes factores del experimentos y sus efectos de interaccin.
Identicar los factores y efectos de interaccin que mayor impacto generen al consumo de
combustible por medio de la medicin del nmero de galones consumidos por 31.5 km de
recorrido.
3
3. Revisin de la Literatura
Autores Ttulo Caso Forma de abordar
el problema
Conclusiones Ao
Amparo
Ballo
Diseo experimental para
determinar la diferencia
entre consumo medio de
gasolina de coches
japoneses, espaoles,
franceses y alemanes
El autor realiza un diseo
de experimentos para
determinar la diferencia
en el consumo de gasolina
de un carro japons, un
carro espaol, un carro
alemn y un carro francs
de similares
caractersticas.
Como factores del
experimento se
consideraron las
condiciones de la
carretera y entre los
posibles niveles estaban:
Carretera llana o
montaa, adicionalmente
se consider la hora de
trnsito y sus niveles eran
hora pico y hora valle. El
origen del carro
(nacionalidad de origen)
era el otro factor de
consideracin del
experimento. La variable
de respuesta era el
consumo de galones por
cada 100 kilmetros.
La diferencia entre el
consumo medio de la
gasolina de un choche
espaol y uno japons es
la misma
independientemente de la
hora de transporte. Se
determin que el tipo de
coche (francs, japons,
espaol y alemn) no
incide signicativamente
en el consumo promedio
de combustible.Se
concluye que la hora del
trayecto si tiene
incidencia signicativa en
el consumo promedio de
combustible.Se determin
que el tipo de carretera
tambin afecta el
consumo del consumo de
combustible de los
distintos automviles.
2002
Joaquin A.
Bestard
Factorial experiment
design to analyze fuel
consumption of a vehicle
El objetivo de este
experimento es descubrir
que factores afectan el
consumo de gasolina de
un vehculo variando 3
diferentes factores de un
mismo automvil
El experimento fue
realizado en un Honda
Civic modelo 2009 al que
se le aplicaron todos los
tratamientos. Los factores
que utilizaron fueron la
utilizacin del aire
acondicionado, la presin
en las llantas y el tipo de
trco que vara entre
pesado y suave. Se
consider trco pesado
cuando el conductor se
demoraba ms de 30
minutos en conducir 10
millas lo que indica un
promedio de velocidad de
20 mph.
El kilometraje ms largo
por galn se obtuvo con
el aire acondicionado
apagado, la presin de
llantas en 32 psi y traco
suave. Existe un gran
error debido a la falta de
equipos de medicin y
softwares apropiados, se
sugiere utilizar
herramientas para medir
la presin de las llantas
durante el experimento
instantneamente. Si la
presin de llanta
incrementa debido a la
friccin y el aumento de
temperatura, los
resultados del
experimento pueden
variar.
2012
Castao y
Patio
Estudio de los factores
que inciden en el
desempeo de motores de
encendido provocado
(MEP) convertidos a gas
natural
Se hizo un experimento
con diferentes tipos de
motores expuestos a
diferentes recorridos con
diferentes altitudes en
cuanto a (M.S.N.M.).
Cabe aclarar que este
trabajo fue una tesis de
grado para optar al ttulo
de especialista en
combustibles gaseosos por
lo que su alcance va
mucho ms all del
anlisis de los factores
que inciden en el
consumo de combustible
en automviles, en el
trabajo se tuvieron en
cuenta diferentes motores
a gas y a combustible.
Se utilizaron varios tipos
de motores y se probaron
bajo diferentes
circunstancias en
diferentes ciudades del
pas para probar el
consumo de los motores
en ciudades con diferente
altitud (M.S.N.M)
Se evidencia que un
motor de encendido
provocado (MEP)
convertido a Gas Natural,
demanda ms consumo
de combustible a medida
que se incrementa la
altitud, para lograr
mantener la misma
potencia til. El efecto
altitud se observa que el
consumo de gas natural
promedio en Medelln es
menor que el de San
Pedro lo que da como
resultado un aumento en
el consumo de gas natural
en San Pedro de un 20 %
ms respecto a Medelln.
2003
Cuadro 1: Estado del Arte
4
4. Denicin de Variables de Respuesta y Factores
Variable respuesta (Y
ijkm(l)
): Consumo de combustible medido como el nmero de galones
consumidos de gasolina en un tramo jo de 31.5 km.
donde Y
ijkm(l)
hace referencia a la m-sima observacin del consumo del combustible en galones
consumidos en 31.5 km recorridos, ante el i-simo tipo de combustible, el j-simo nivel de presin de
aire de las llantas, el k-simo estado del aire acondicionado y el l-simo estado del trco vehicular.
Unidad experimental: Cada uno de los carros utilizados en el experimento.
Tipo de Diseo Experimental: Diseo factorial 2
3
no replicado con un bloque.
Nmero de Tratamientos: 8 tratamientos.
Nmero de Pruebas de Hiptesis: 8 pruebas de hiptesis.
Factores de Estudio: Tres factores de inters y un factor de bloqueo, estos se describen a
continuacin con sus respectivos niveles:
Tipo Factor Niveles
Inters
Tipo de Gasolina Extra, Corriente
Aire Acondicionado Encendido, Apagado
Presin de Aire 27 PSI, 32 PSI
Bloqueo Trco Vehicular Pico, Valle
Cuadro 2: Factores y niveles
Tipo de gasolina: El tipo de gasolina del vehculo al iniciar el experimento acorde a la asig-
nacin del tratamiento.
Presin del aire de las llantas: Se reere a la presin del aire de las llantas que deben establecer
los conductores al comienzo del experimento en la estacin de combustible Biomax acorde a
la asignacin del tratamiento.
Aire acondicionado: Indica si se utiliza o no el aire acondicionado durante todo el recorrido
acorde a la asignacin aleatoria de tratamientos.
Tipo de trco: Indica el estado de ujo vehicular al momento de realizar el experimento, sta
es determinada como una variable de bloqueo. Este trco puede ser de ujo alto o bajo de-
pendiendo de la hora del da. Segn un Informe de Indicadores de la Encuesta de Movilidad de
Bogot 2011 desarrollado por la Secretara de Movilidad y el Centro Nacional de Consultora,
el ujo vehicular alto para la cuidad est delimitado en tres franjas con un nmero de viajes
mayor o igual a 900.000 por hora, la primera entre las 5:15 a.m y las 7:15 a.m, la segunda
entre las 10:30 a.m y la 1:00 p.m y la ltima entre las 4:15 p.m y las 6:30 p.m, caso contrario
se considera como ujo vehicular bajo (Secretara de Movilidad, 2011). Este comportamiento
5
se puede observar en la siguiente grca.
Figura 1: Grca de movilidad vehicular en Bogot.
Fuente: (Secretara de Movilidad, 2011)
6
5. Modelamiento Estadstico del Diseo y Formulacin de las
Hiptesis
La formulacin matemtica del modelo que subyace al diseo experimental tratado en este
documento con tres factores principales (
i
,
j
y
k
), con dos niveles cada uno y un factor de
bloqueo (
(l)
), con dos bloques (o niveles) se describe a continuacin.
Y
ijkm(l)
= +
i
+
j
+
k
+
(l)
+ ()
ij
+ ()
ik
+ ()
jk
+ ()
ijk
+
ijkm(l)
(5.1)
i, j, k, (l) y m, donde:
Y
ijkm(l)
corresponde a la m-sima observacin del consumo del combustible, resultado del
tratamiento del i-simo tipo de combustible, el j-simo nivel de presin, el k-simo estado del
aire acondicionado y el l-simo estado del trco
es la media poblacional del consumo del combustible. Esta mide el nivel medio de todos los
resultados de los tratamientos.

i
es el efecto del i-simo tipo de combustible sobre el consumo de combustible.

j
es el efecto del j-simo nivel de presin de las llantas sobre el consumo de la gasolina.

k
es el efecto del k-simo estado del aire acondicionado sobre el consumo de la gasolina.
()
ij
es el efecto de interaccin doble entre el i-simo tipo de combustible y el j-simo nivel
de presin de las llantas sobre el consumo de la gasolina.
()
ik
es el efecto de interaccin doble entre el i-simo tipo de combustible y el k-simo
estado del aire acondicionado sobre el consumo de la gasolina.
()
jk
es el efecto de interaccin doble entre el j-simo nivel de presin de las llantas y el
k-simo estado del aire acondicionado sobre el consumo de la gasolina.
()
ijk
es el efecto de interaccin triple entre el i-simo tipo de combustible, el j-simo nivel
de presin de las llantas y el k-simo estado del aire acondicionado sobre el consumo de la
gasolina.

ijkm(l)
corresponde al error experimental o perturbacin, el cual debe representar variables
aleatorias independientes e idnticamente distribuidas (i.i.d.) provenientes de una distribucin
normal N(0,
2
).
Se tiene entonces que el problema bsico formulado por la ecuacin (5.1) plantea el contraste de las
siguientes hiptesis en trminos de los efectos:
Tipo de combustible
H
o
:
i
= 0; i No existe un efecto signicativo del tipo de combustible i sobre el consumo
de la gasolina en vehculos particulares.
7
H
a
: al menos un
i
= 0 Si existe un efecto signicativo del tipo de combustible i sobre el
consumo de la gasolina en vehculos particulares.
Nivel de presin de las llantas
H
o
:
j
= 0; j No existe un efecto signicativo del nivel de presin de las llantas j sobre el
consumo de la gasolina en vehculos particulares.
H
a
: al menos un
j
= 0 Si existe un efecto signicativo del nivel de presin de las llantas j
sobre el consumo de la gasolina en vehculos particulares.
Estado del Aire Acondicionado
H
o
:
k
= 0; k No existe un efecto signicativo del estado de aire acondicionado k sobre el
consumo de la gasolina en vehculos particulares.
H
a
: al menos un
k
= 0 Si existe un efecto signicativo del estado de aire acondicionado k
sobre el consumo de la gasolina en vehculos particulares.
Estado trco vehicular
H
o
:
(l)
= 0; l No existe un efecto signicativo del estado del trco vehicular l sobre el
consumo de la gasolina en vehculos particulares.
H
a
: al menos un
(l)
= 0 Si existe un efecto signicativo del estado del trco vehicular l
sobre el consumo de la gasolina en vehculos particulares.
Interaccin doble del tipo de combustible y el nivel de presin de las llantas
H
o
: ()
ij
= 0; i j No existe un efecto de interaccin doble signicativo en la combina-
cin del tipo de combustible i con el nivel de presin de las llantas j en el consumo de gasolina en
vehculos particulares.
H
a
: al menos un ()
ij
= 0 Si existe un efecto de interaccin doble signicativo en la
combinacin del tipo de combustible i con el nivel de presin de las llantas j en el consumo de
gasolina en vehculos particulares.
Interaccin doble del tipo de combustible y el estado del aire acondicionado
H
o
: ()
ik
= 0; i k No existe un efecto de interaccin doble signicativo en la combina-
cin del tipo de combustible i con el estado de aire acondicionado k en el consumo de gasolina en
vehculos particulares.
H
a
: al menos un ()
ik
= 0 Si existe un efecto de interaccin doble signicativo en la combi-
nacin del tipo de combustible i con el estado de aire acondicionado k en el consumo del consumo
de gasolina en vehculos particulares.
8
Interaccin doble del nivel de presin de las llantas y el estado del aire acondicionado
H
o
: ()
jk
= 0; j k No existe un efecto de interaccin doble signicativo en la combina-
cin del nivel de presin de las llantas j con el estado de aire acondicionado k en el consumo de
gasolina en vehculos particulares.
H
a
: al menos un ()
jk
= 0 Si existe un efecto de interaccin doble signicativo en la com-
binacin del nivel de presin de las llantas j con el estado de aire acondicionado k en el consumo
de gasolina en vehculos particulares.
Interaccin triple del tipo de combustible, el nivel de presin de las llantas y el estado del aire
acondicionado
H
o
: ()
ijk
= 0; i j k No existe un efecto de interaccin triple signicativo en la com-
binacin del tipo de combustible i con el nivel de presin de las llantas j y con el estado del aire
acondicionado k en el consumo de gasolina en vehculos particulares.
H
a
: al menos un ()
ijk
= 0 Si existe un efecto de interaccin triple signicativo en la
combinacin del tipo de combustible i con el nivel de presin de las llantas j y con el estado del
aire acondicionado k en el consumo de gasolina en vehculos particulares.
9
6. Metodologa de Obtencin de Datos Experimentales
Todo diseo experimental necesita de una metodologa de obtencin de datos que debe ser lleva-
da ordenadamente con el propsito fundamental de reducir en la mayor medida posible las fuentes
de variacin derivadas del proceso de recoleccin de datos. De cualquier manera, la forma como
se logre medir la variable de respuesta debe asegurar el cumplimiento de los tres principios de un
diseo experimental: aleatorizacin, normalidad y homocedasticidad.
Primero fue necesario buscar candidatos que sean partcipes del experimento, para ello se form
una base preliminar de candidatos tentativos la cual permiti seleccionar aquellos con el perl ms
adecuado. Con el propsito de incentivar a los participantes, se acarre con los costos derivados del
diseo experimental, es decir, se aplicaron 1.5 galones de combustible a cada unidad experimental,
siempre en la misma estacin (Biomax 170 con carrera 7), de esta forma se evita que los participan-
tes incurran en costos en la realizacin del experimento y generar desincentivos a su participacin.
Con esto se calcul un presupuesto de $170,480 desagregado de la siguiente manera:
Costo Carros Subtotal
Corriente $8,480 8 $67,840
Extra $10,830 8 $86,640
Montallantas $1,000 16 $16,000
TOTAL $170,480
Cuadro 3: Costos desagregados
Como primera medida se le pidi a cada una de las personas que lleguen en su carro a un mismo
punto de partida (Punto A en Figura 1), el cual fue la estacin de gasolina Biomax de la carrera 7
con calle 170 (sentido norte-sur) a una hora determinada por el rango de trco vehicular dentro
de la asignacin aleatoria del tratamiento.
A continuacin, se dispuso la unidad experimental acorde al tratamiento asignado, es decir, se
ajust la presin de las llantas (27 psi o 32 psi), se dej encendido o apagado el aire acondicionado
y se adicion combustible corriente o extra al vehculo, todo esto en la estacin Biomax
2
. Adicional-
mente, se tom una fotografa del marcador de gasolina en este punto inicial, se reinici el contador
del kilometraje (Trip A o B) en el caso que lo tuviera y se registr la hora exacta (hh:mm) a la
cual inici el experimento.
En seguida, se le pidi a la persona que conduzca por toda la Carrera 7 subiendo por la calle
92 a la Circunvalar, hasta llegar a la entrada de la Ponticia Universidad Javeriana sobre la Circun-
valar (Transversal 2) en cuyo punto (Punto B en Figura 1) debera realizar el retorno y regresarse
2
Cabe anotar en este punto, que para lograr la mayor concentracin de gasolina extra o corriente en el tanque,
de llegar a ser el caso que la persona generalmente llene el tanque con el tipo de gasolina contraria al tratamiento, se
le solicit que deje consumir la mayor cantidad de gasolina posible la semana previa a la realizacin del experimento.
Esto con el propsito de llegar al punto A con una reserva casi nula de gasolina y poder tener una mayor concentracin
del tipo de combustible deseado.
10
por el mismo trayecto hasta llegar de nuevo al punto A, en el cual estaba una persona para tomarle
la fotografa al marcador de gasolina del vehculo y medir el tiempo transcurrido desde el punto de
inicio hasta el punto nal. Esta ruta se realiz con este recorrido, puesto que la Carrera Sptima
desde la calle 93 en las horas pico de la tarde (despus de las 5:00 P.M y hasta las 8:00 P.M)
presenta una operacin de control del trco vehicular de contraujo dispuesta por la Secretara
de Movilidad la cual impedira el paso hacia el sur por dicho tramo de la Carrera Sptima y por
tanto daara los resultados del experimento. Se tiene entonces que la distancia total del recorrido
fue cercana a los 31.5 km con un tiempo medio de 48 minutos con 3 segundos en hora valle y 90
minutos con 55 segundos en hora pico.
Una vez obtenidas las dos fotografas del marcador de la gasolina en el tablero, se procedi a
realizar el proceso de extraccin de la informacin pertinente para los marcadores anlogos. Este
proceso se llev a cabo por medio de la subdivisin del marcador en muchas segmentos para tener
un valor ms preciso del consumo de la gasolina. (Vase Anexo 3. Segmentacin e Interpretacin
del Marcador de Gasolina).
Figura 2: Distancia recorrida en el experimento. A-B-A.
Fuente: Google Maps
Se tiene entonces que el esquema que debe seguirse para la obtencin de los datos experimentales
est denido como:
1. Dejar reducir al mnimo el tanque de gasolina (sin llegar a acabar el combustible y dado el caso
que la conductor generalmente utilice el tipo contrario de combustible acorde al experimento).
2. Llegar a la estacin de servicio Biomax de la carrera 7 con calle 170 (sentido norte-sur) a la
hora del da asignada por el factor de bloqueo.
11
3. Antes de arrancar el automvil, disponer de las caractersticas acorde al tratamiento asignado,
esto es:
a) Introducir 1.5 galones de gasolina corriente o extra al tanque
b) Ajustar el nivel de presin de las llantas
c) Encender o apagar el aire acondicionado
4. Tomar fotografa de medidor de gasolina.
5. Iniciar el cronmetro, arrancar y conducir el vehculo por la ruta preestablecida hasta regresar
al mismo punto de arranque, donde estar una persona esperando.
6. Detener el cronmetro inmediatamente llegue al punto de destino y tomar la fotografa del
medidor de gasolina despus del desarrollo del experimento.
7. Procesar la informacin pertinente al medidor de la gasolina.
As pues, una vez obtenidos y procesados los datos experimentales, estos fueron consignados en la
siguiente tabla segn el tratamiento realizado a cada unidad experimental
3
.
Observaciones con el bloque Trfico Pico
A B C
Tipo de
combustible
Aire Acondi-
cionado
Presin de
llanta
Yates Tiempo
(min)
Y
ijkm(l)
Orden
Extra Apagado 27 PSI (1) 96.07 0.6647 6
Corriente Apagado 27 PSI A 83.38 1.3856 8
Extra Encendido 27 PSI B 89.34 0.5329 11
Corriente Encendido 27 PSI AB 89.54 0.9995 14
Extra Apagado 32 PSI C 92.82 0.4018 7
Corriente Apagado 32 PSI AC 89.99 0.5427 16
Extra Encendido 32 PSI BC 94.32 1.3467 1
Corriente Encendido 32 PSI ABC 91.99 0.9809 4
Observaciones con el bloque Trfico Valle
A B C
Tipo de
combustible
Aire Acondi-
cionado
Presin de
llanta
Yates Tiempo
(min)
Y
ijkm(l)
Orden
Extra Apagado 27 PSI (1) 48.48 0.8152 10
Corriente Apagado 27 PSI A 47.03 1.4304 13
Extra Encendido 27 PSI B 48.18 1.5844 15
Corriente Encendido 27 PSI AB 51.39 1.4935 2
Extra Apagado 32 PSI C 44.99 1.4649 9
Corriente Apagado 32 PSI AC 46.56 1.3904 12
Extra Encendido 32 PSI BC 50.45 0.4154 5
Corriente Encendido 32 PSI ABC 47.48 1.2183 3
Cuadro 4: Tratamientos
3
Es preciso anotar que cada unidad experimental de cada uno de los tratamientos es un carro diferente. Es decir,
no se repitieron carros para tomar las diferentes observaciones por cada tratamiento.
12
7. Desarrollo y Anlisis del Experimento
El desarrollo del experimento se llev a cabo a travs de la realizacin de una funcin llamada
DisFactorial(...), por medio de la estructuracin de un cdigo de programacin en el software libre
R, el cual permite realizar el anlisis de varianza (ANOVA) de cualquier diseo factorial 2
k
tanto
no replicado como replicado, con posibilidad de incluir factores de bloqueo. Este cdigo permite
adems obtener los grcos de perl y grcos de diagnstico del trmino de perturbacin. Una
descripcin ms detallada del cdigo programado se encuentra en el Anexo 1. Descripcin del C-
digo Programado en R. al nal de este documento.
Aunque la realizacin del experimento se llev a cabo solo con una rplica no fue necesario hacer
uso de herramientas estadsticas como el grco de Pareto o el grco de Daniels, esto se debe a
que el nmero de grados de libertad del trmino de error es mayor a cero y est determinado por
la resta entre el nmero de tratamientos en cada nivel del bloque y la unidad perdida por el grado
de libertad. Por tanto es posible la realizacin del anlisis de varianza normalmente.
Ahora bien, uno de los elementos que se debe tener en cuenta antes de realizar la corrida del
modelo presentado en la ecuacin (5.1), es la validacin de los supuestos de normalidad, indepen-
dencia lineal y homocedasticidad en el trmino de error del diseo experimental. A continuacin se
presenta cada uno de ellos.
7.1. Supuesto de Distribucin Normal en
ijkm(l)
El desarrollo del diseo experimental exige que la naturaleza de la variable aleatoria de acu-
mulacin de perturbaciones estocsticas se distribuyan normalmente con media y varianza
2
,
lo que se representa del modo
ijkm(l)
N(,
2
). El procedimiento para vericar el supuesto de
normalidad se realiz de dos maneras, primero se construy un grco Quantile-Quantile (tambin
llamado Q-Q Plot o Q-Q Norm) bajo el supuesto de normalidad. Este proceso fue posible obte-
nerlo a travs de la funcin DisFactorial(...) al activar la opcin de entrada GraphError en el
valor lgico TRUE. Como se puede observar en la SubFigura 3-(a). los puntos parecen ajustarse de
manera adecuada a la linea con tendencia lineal, la cual determina el grado de ajuste de los errores
a una distribucin del tipo normal.
Aunque la inspeccin visual es una ayuda para determinar la veracidad del supuesto, es necesario
realizar un test estadstico que lo sustente. Por ello y debido a que el tamao de las observaciones
en
ijkm(l)
es de tan solo 16 datos, por lo que se considera como una muestra pequea ( <=30
observaciones), se realiz un test de contraste de normalidad Shapiro-Wilk el cual tiene mayor
potencia para muestras pequeas
4
. Se plantea entonces como hiptesis nula que la muestra de

ijkm(l)
para m = 1, 2..., 16 proviene de una poblacin normalmente distribuida. Este estadstico
arroj un valor de probabilidad igual a 0.99, por consiguiente hay una fuerte evidencia para decir
que no se rechaza la hiptesis nula y se verica que los datos del trmino de error aleatorio provienen
de una distribucin normal.
4
Los resultados de esta prueba tambin se obtuvieron por medio de la funcin DisFactorial(...).
13
7.2. Supuesto de Homocedasticidad
As como con el supuesto de normalidad, el modelo del diseo experimental exige que la varianza
del error de la variable dependiente Y
ijkm(l)
se mantenga constante a lo largo de todas las obser-
vaciones. En particular, si el modelo (5.1) es homocedstico, se debe a que el valor de las variables
que explican a la endgena, no afectan a la varianza del error
ijkm(l)
.
Para llegar a validar este supuesto se realiz un grco de dispersin de los errores contra valores
ajustados de la variable de respuesta

Y
ijkm(l)
, este grco se presenta en la SubFigura 3-(c) y hace
parte del diagnstico arrojado por la funcin DisFactorial(...). Debido a que no se observa ningn
patrn evidentemente notable en la forma de la dispersin, se obtiene un indicio de que se cumple
adecuadamente el supuesto de homogeneidad de varianzas.
Sin embargo, para corroborar dicho supuesto se realiz la prueba propuesta por Barlett (1937),
la cual es aplicable al caso cuando el supuesto de normalidad es notoriamente signicativo
5
, con el
propsito fundamental de resolver la siguiente hiptesis nula:
H
o
:
2
A
=
2
B
=
2
C
=
2
Bloque
la cual expone que no existe una variabilidad signicativa de cada uno de los factores sobre la
variabilidad del consumo del combustible en vehculos particulares. Frente a la hiptesis alterna:
H
A
:
2
i
=
2
j
para el menos un i = j.
la cual expresa que s existe una variabilidad signicativa para al menos uno de los factores sobre
la variabilidad del consumo del combustible en vehculos particulares. Esta prueba arroj un valor
de probabilidad igual a 0.5404 con un estadstico
2
15
igual a 5.994
6
, por lo que no es posible rechazar
la hiptesis nula de homocedasticidad y por tanto no existe una variabilidad signicativa al nivel
de conanza dado de cada uno de los factores sobre la variabilidad del consumo del combustible en
vehculos particulares.
7.3. Supuesto de Independencia Lineal en
ijkm(l)
Por ltimo es necesario validar el supuesto de cero autocorrelacin o independencia lineal en
el trmino de perturbacin
ijkm(l)
, para demostrar que este sigue un comportamiento netamen-
te estocstico. Este supuesto es fundamental debido a que su incumplimiento sugiere que existen
dinmicas importantes que no estn siendo consideradas dentro del modelo, que determinan a la
variable endgena y que estn siendo absorbidas o capturadas por el trmino de perturbacin.
Para llegar a vericar este supuesto se hizo uso de un grco de Residuales vs. Ordenamiento
de las observaciones acorde a la forma como fueron tomadas. Una vez ms, este grco se presenta
en la SubFigura 3-(d) y fue obtenido gracias a la funcin DisFactorial(...). Realizando este anlisis
grco es posible evidenciar que el supuesto de independencia se cumple debido a que las observacio-
nes no presentan ciclos, tendencias o comportamientos de un evidente patrn dependiente del orden
5
En este caso y como se mencion anteriormente, se obtuvo una fuerte evidencia de normalidad, con un valor de
probabilidad de 0.99. Por lo que es aplicable esta prueba.
6
Para esto se utiliz la funcin bartlett.test() en R.
14
en que fueron tomadas, por lo que, al menos de manera visual, parecen comportarse aleatoriamente.
Para corroborar esta decisin se utiliz la prueba estadstica no paramtrica del Test de Ra-
chas
7
para determinar que las observaciones sucesivas son aleatorias e independientes entre si. Este
contraste de rachas permite la vericacin de las siguientes hiptesis:
H
o
: La serie de residuos
ijkm(l)
es aleatoria.
H
A
: La serie de residuos
ijkm(l)
no es aleatoria.
Este resultado arroj un valor de prueba de -1.5526 con una valor de probabilidad de 0.1205, lo
que indica que al nivel de signicancia utilizado de 0.05, no se rechaza la hiptesis nula que la serie
de residuos
ijkm(l)
sea aleatoria.
(a) Q-Q Plot Normal (b) Histograma
(c)
ijkm(l)
vs. Valores
Ajustados
(d)
ijkm(l)
vs. tiempo
Figura 3: Diagnstico del trmino
ijkm(l)
con R
Fuente: Realizado por los Autores.
7
Entendiendo por Racha al grupo de valores consecutivos iguales interrumpido por uno de signo distinto. Para
esto se utiliz la funcin runs.test(as.factor(Resultados$Error>median(Resultados$Error))) en R, donde la orden
as.factor(Resultados$Error>median(Resultados$Error)) permite convertir la variable de error en una variable dico-
toma bilateral, dando valores distintos si esta por encima o por debajo de la mediada del error.
15
7.4. Desarrollo del Diseo Factorial 2
3
con un Factor de Bloqueo.
Una vez vericados los supuestos bsicos del diseo experimental se continua con el desarrollo
normal del experimento bajo el modelo planteado en la ecuacin (5.1). Debido a la caracterstica
de diseo 2
3
, el Cuadro 3. Matriz de diseo del experimento. presenta la matriz de diseo del expe-
rimento la cual contiene: (i) 8 tratamientos, resultado de las combinaciones de los diferentes niveles
de los factores, (ii) 8 efectos en cada una de las columnas, resultado de 4 efectos principales (3 de
factores de inters y 1 de bloqueo), 3 efectos dobles y un efecto triple, (iii) la respectiva notacin
en Yates y la observacin correspondiente a cada uno de los tratamientos y (iv) el ordenamiento en
que fueron tomadas cada uno de los tratamientos.
As mismo, la letra A se le ha asignado al primer factor de inters, es decir a Tipo de Combustible
con valor de -1 para Extra y 1 para Corriente, la letra B al factor de Aire Acondicionado con valor
de -1 para Apagado y 1 para Encendido, la letra C al factor Presin de las Llantas con valor de -1
para 27 psi y 1 para 32 psi y la letra D
b
al factor de bloqueo Trco Vehicular con valor de -1 para
hora Valle y 1 para hora pico.
Efectos Yates
Trat A B C D
b
AB AC BC ABC Notacin Y
(gal/km)
Orden
1 -1 -1 -1 -1 1 1 1 -1 (1) 0.6647 6
2 1 -1 -1 -1 -1 -1 1 1 A 1.3856 8
3 -1 1 -1 -1 -1 1 -1 1 B 0.5329 11
4 1 1 -1 -1 1 -1 -1 -1 AB 0.9995 14
5 -1 -1 1 -1 1 -1 -1 1 C 0.4018 7
6 1 -1 1 -1 -1 1 -1 -1 AC 0.5427 16
7 -1 1 1 -1 -1 -1 1 -1 BC 1.3467 1
8 1 1 1 -1 1 1 1 1 ABC 0.9809 4
9 -1 -1 -1 1 1 1 1 -1 (1) 0.8152 10
10 1 -1 -1 1 -1 -1 1 1 A 1.4304 13
11 -1 1 -1 1 -1 1 -1 1 B 1.5844 15
12 1 1 -1 1 1 -1 -1 -1 AB 1.4935 2
13 -1 -1 1 1 1 -1 -1 1 C 1.4649 9
14 1 -1 1 1 -1 1 -1 -1 AC 1.3904 12
15 -1 1 1 1 -1 -1 1 -1 BC 0.4154 5
16 1 1 1 1 1 1 1 1 ABC 1.2183 3
Cuadro 5: Matriz de diseo del experimento
Cabe resaltar que la forma como se asignaron los tratamientos a cada una de las unidades ex-
perimentales se realiz de forma aleatoria a travs de una funcin que permite la asignacin sin
reemplazo de nmeros enteros entre el 1 y el 16 proveniente de una distribucin uniforme, al nal
de este documento en el Anexo 2. Funcin de Asignacin Aleatoria de Tratamientos. se puede en-
16
contrar dicha funcin.
Una vez se tiene la Matriz de Diseo, se procedi a realizar el clculo de los contrastes, efectos
y sumas de cuadrados. Para encontrar los contrastes simplemente es necesario realizar la sumatoria
de los productos entre cada una de las columnas de efectos con el valor correspondiente a las
observaciones en Yates. Matemticamente se tiene que cada uno de los contrates para el j-simo
efecto esta dado como
Contraste
j
=
16

i=1
(
ij
Y
i
); j = 1, ..., 8
Donde
ij
hace referencia al efecto j-simo (A, B, C, D
b
, AB, AC, BC y ABC) en el i-simo
tratamiento (-1 o 1 dependiendo del efecto). Una vez se obtiene el contraste para cada uno de los
efectos se debe entonces hallar el valor de los efectos, esto se logra por medio de la siguiente formula:
Efecto
j
=
Contraste
j
r2
k1
donde r corresponde el nmero de rplicas por cada tratamiento, el cual en este caso particular
es 1 y k corresponde al nmero de factores de inters, el cual en este caso es igual a 3. Ahora bien,
para el clculo de las sumas de cuadrados se debe seguir la siguiente formula:
SC
j
=
(Contraste
j
)
2
r2
k
El Cuadro 6. Contrastes, Efectos y Sumas de Cuadrados. consigna cada uno de estos valores para
cada uno de los efectos. Una vez obtenidas las sumas de cuadrados, es posible realizar el anlisis de
varianza ANOVA correspondiente al modelo (5.1), el cual fue registrado en el Cuadro 7. ANOVA.
A B C Db AB AC BC ABC
Contraste 2.2153 0.4759 -1.1451 2.9577 -0.5897 -1.2083 -0.1529 1.3311
r2
(k1)
4 4 4 4 4 4 4 4
r2
k
8 8 8 8 8 8 8 8
Efecto 0.553825 0.118975 -0.286275 0.739425 -0.147425 -0.302075 -0.038225 0.332775
Suma Cuadrados 0.61344 0.02831 0.16390 1.09349 0.04346 0.18249 0.00292 0.22147
Cuadro 6: Contrastes, Efectos y Sumas de Cuadrados
17
Fuente
de
Variacin
Suma de
Cuadra-
dos
Grados de
Libertad
Cuadrado
Medio
F
Calculado
F
Terico
P-Valor Decisin
A 0.613 1 0.613 12.203 5.591 0.0101 Rechaza
B 0.028 1 0.028 0.563 5.591 0.4774 No Rechaza
C 0.164 1 0.164 3.261 5.591 0.1139 No Rechaza
Bloque 1.093 1 1.093 21.753 5.591 0.0023 Rechaza
AB 0.043 1 0.043 0.865 5.591 0.3834 No Rechaza
AC 0.182 1 0.182 3.630 5.591 0.0984 No Rechaza
BC 0.003 1 0.003 0.058 5.591 0.8164 No Rechaza
ABC 0.221 1 0.221 4.406 5.591 0.0740 No Rechaza
Error 0.352 7 0.050
TOTAL 2.701 15 0.180
Cuadro 7: ANOVA
Los resultados de la tabla ANOVA presentados en el Cuadro 7. muestran que se rechaza la
hiptesis nula solo para dos de los 8 efectos incluidos. Sin embargo, debido a que no se rechaza
la hiptesis nula de que el efecto no es signicativo para varios de los otros efectos, fue necesario
encontrar el mejor ANOVA por medio de la inclusin en el trmino del error a aquellos efectos cuyo
valor de probabilidad sea mayor que 0.10 en una primera iteracin y luego los mayores que el nivel
de signicancia predicho de 0.05. Para la primera iteracin se eliminaron los efectos B, C, AB y
BC cuyo no rechazo era ms notorio. Para la segunda iteracin fueron eliminados los efectos AB y
ABC con valores de probabilidad de 0.0923 y 0.0671 respectivamente. Este procedimiento termin
conduciendo al mejor ANOVA presentado a continuacin en el Cuadro 8.
Fuente
de
Variacin
Suma de
Cuadra-
dos
Grados de
Libertad
Cuadrado
Medio
F
Calculado
F
Terico
P-Valor Decisin
A 0.613 1 0.613 8.019 4.667 0.0141 Rechaza
Bloque 1.093 1 1.093 14.295 4.667 0.0023 Rechaza
Error 0.994 13 0.076
TOTAL 2.701 15 0.180
Cuadro 8: Mejor ANOVA
Una vez encontrado el mejor ANOVA despus de 3 iteraciones, el Cuadro 8. muestra que para un
nivel de signicancia del 5 % los nicos efectos que son signicativos en el consumo de combustible en
vehculos particulares corresponden al factor del tipo de combustible (Extra o Corriente) y al bloque
trco (Pico o Valle). El anlisis de varianzas present un coeciente de determinacin ajustado
del 57.5 %, lo que quiere decir que en promedio cerca del 58 % de las variaciones en el consumo de
combustible son explicadas por variaciones en el nivel del traco y en el tipo de combustible. Para
evidenciar la forma como los diferentes niveles de los factores afectan al consumo de combustible
en vehculos particulares, se presentan a continuacin los grcos de perl de los efectos principales
del experimento realizado.
18
Figura 4: Efectos Principales
Fuente: Realizado por los Autores.
Observando nicamente los factores signicativos acorde al anlisis de varianza, el consumo de
combustible resulta ser menor para el nivel -1 del tipo de combustible, es decir con gasolina extra y
para el nivel -1 de trco es decir en hora valle. Con relacin a los otros dos factores, aunque tambin
presentan un resultado coherente con relacin a sus efectos, se sabe que estos no son signicativos
para minimizar el consumo de combustible en vehculos particulares. Los resultados obtenidos por
los efectos principales presentan un hallazgo interesante, puesto que, por lo menos bajo las condi-
ciones de este experimento
8
, las hiptesis ex ante sobre el consumo en combustible producido por
la baja presin de las llantas y/o al encender el aire acondicionado no son estadsticamente signi-
cativas al menos al 5 %. Caso contrario ocurre con el tipo de combustible que se utilice, siendo
mejor el uso de gasolina extra y el trco vehicular, siendo mejor el manejar en horas valle cuando
el trco es mucho mas liviano.
Esta ultima armacin tiene un sustento primordial, el cual radica en el hecho que cuando el
vehculo se encuentra en arranque y parada stop and go durante mucho tiempo, se le inyecta una
mayor cantidad de combustible al motor para poder dar inicio al motor y por tanto el consumo
de combustible es ms notorio, como lo muestra el valor de probabilidad en el Cuadro 7 para
la variable trco. Estudios como el presentado por Trieber, Kesting y Thiemann (2007) muestran
estadsticamente que, en efecto un trco con congestin vehicular puede llegar a afectar el consumo
de combustible hasta en un 80 %, cuadruplicar el tiempo de recorrido e incrementar la cantidad de
emisiones de CO
2
. Lo que respecta a este estudio, se observ un incremento del 89.5 % en el tiempo
de recorrido de la hora valle frente a la hora pico.
Se puede observar en los grcos de perl de Interacciones de lneas separadas en la Figura 5.
que no hay una perpendicularidad evidente entre las diferentes comparaciones de efectos, por esta
razn puede no existir interaccin debido a que los efectos son similares. La grca de interaccin
BC y CB presenta el mayor paralelismo entre ambas lineas, esto se corrobora al observar en el
Cuadro 7. ANOVA. que el valor de probabilidad para este efecto es muy alto y por tanto hay una
fuerte evidencia para decir que no es signicativo. Caso contrario ocurre con el AC y CA pues
como se observa en la grca es la que menos paralelismo tiene entre lineas, esto se debe a que su
8
Estas condiciones del experimento pueden considerarse como: carros particulares, motores entre 1.6 y 1.8 litros,
un recorrido de 31.5 km y conduccin bajo condiciones urbanas (no carretera).
19
Figura 5: Grcos de Perl de Interacciones (Roja: -1; Azul: 1)
Fuente: Realizado por los Autores.
valor de probabilidad es cercano a 0.09 y por tanto hay poca evidencia para rechazar la hiptesis
nula de insignicancia. Por lo tanto, la interpretacin de los grcos es acorde a los resultados
obtenidos en la tabla ANOVA. Cabe recordar que estas grcas son complemento del ANOVA y
estas conclusiones son meramente visuales y se deben comprobar por medio de los resultados del
modelo.
7.5. Desarrollo del Anlisis de Varianza usando DisFactorial(...) en R
Como se mencion anteriormente, se program una funcin en el lenguaje R la cual permite
realizar el anlisis de varianza de cualquier experimento del tipo 2
k
con bloque. Para este caso
especico fue necesario ingresar las siguientes condiciones de entrada a la funcin.
orden=c(6,8,11,14,7,16,1,4,10,13,15,2,9,12,5,3)
Obs=c(0.6647,1.3856,0.5329,0.9995,0.4018,0.5427,1.3467,0.9809,0.8152,1.4304,1.5844,1.4935,1.4649,1.3904,0.4154,1.2183)
nom=c("Combustible","A/C","Presin","Trco")
Resultados <- DisFactorial(Y=Obs, nFact=3, nBloq=1, sig= 0.05, ...
GraphError=T, orden=orden, Imprime=T,nombre=nom)
Esta estructura funcional permite entonces obtener los resultados mostrados en los cuadros 3,
4 y 5, adems de las grcas de diagnstico registradas en la Figura 3 y de perl en la Figura 4.
Observe adems que la funcin puede ser escrita de la siguiente manera
20
Resultados <- DisFactorial(Y=Obs,nFact=3,nBloq=1,orden=orden)
esto debido a que existen condiciones por defecto que permiten limitar la entrada a los aspectos
nicamente relevantes y de carcter obligatorio, los cuales son Y y nFact. La variable Resultados
permite albergar las salidas de la funcin las cuales se encuentran bajo una estructura de lista y
contienen la matriz de anlisis de varianza, promedios, efectos y la matriz de diseo entre otros
9
.
9
Vase el Anexo 1 para mayor detalles.
21
8. Conclusiones
El presente trabajo prob a travs de un anlisis experimental aquellos factores que pueden
inuir en el consumo del consumo de gasolina en vehculos particulares. A continuacin se presentan
algunas conclusiones importantes sobre el estudio.
Se elabor un diseo de experimentos que permiti evidenciar los factores signicativos sobre
el consumo de combustible en vehculos particulares, determinando as con una signicancia
del 5 % que el tipo de gasolina y la hora de trnsito afectan signicativamente la duracin de
la gasolina en los vehculos.
Se comprob que el modelo cumple con los supuestos de normalidad, homogeneidad de varian-
zas e independencia lineal, lo que permite concluir que los resultados obtenidos son vlidos y
que el comportamiento del trmino de error es el adecuado.
Al realizar el ANOVA correspondiente y analizar los grcos de perl principal, se identic
con una signicancia del 5 % que el estado del aire acondicionado y la presin en las llantas
de los vehculos no tienen un efecto signicativo sobre el consumo de gasolina en 30.5 km.
Con una signicancia del 5 % se concluye que la utilizacin de gasolina extra y hora de transito
valle aumentan la duracin de la gasolina en los carros con motores entre 1.6 y 1.8 litros, siendo
ms relevante la hora de trnsito que el tipo de gasolina. Viendo los grcos de perl y el
ANOVA de las interacciones se determin que no existen efectos de interaccin signicativos
sobre el consumo de combustible en un tramo de 31.5 km.
22
9. Recomendaciones
Una vez concluido el experimento se postulan las siguientes recomendaciones:
La estructura que determina el experimento aqu desarrollado permite la entrada a considerar
un modelo con una robustez mayor y ms completo. Por consiguiente, puede llegar a ser
oportuno el considerar una cantidad mayor de factores como la estacin de gasolina, el gnero
del conductor, o factores idiosincrsicos de la unidad experimental como el modelo del vehculo
o el peso del mismo.
Se recomienda complementar el modelo con un nmero considerable de rplicas por cada
tratamiento, las cuales permitirn resultados ms consistentes.
Con mayores recursos econmicos se podran llenar los tanques de gasolina de cada automvil
utilizado en el experimento al momento de empezar la medicin y al nalizar el trayecto. Esto
permitira una mayor precisin al momento de calcular los galones consumidos ya que sera la
misma cantidad que se agrega al momento de nalizar el experimento. Adicional a esto, sera
ms sencilla la recoleccin de datos y se disminuiran los tiempos de recoleccin de resultados
pero incrementara los costos.
Se recomienda por ltimo disponer de una distancia de recorrido del trayecto mayor, esto
para determinar con mejor precisin los efectos que tienen las variables sobre el consumo del
mismo.
A continuacin se presentan las caractersticas de un modelo tentativo que permitir profundizar
en este campo:
Variable respuesta: consumo del combustible medido como la razn entre el nmero de ga-
lones consumidos de gasolina en un tramo de X kilmetros.
Unidad experimental: Cada uno de los carros utilizados en el experimento.
Tipo de Diseo Experimental: Diseo factorial 2
4
replicado r veces por tratamiento con 3
factores de bloqueo.
Factores de Estudio: Adems de los tres factores de inters que se presentan en este docu-
mento, se puede considerar la estacin de gasolina como uno adicional, con el objetivo de determinar
si existe algn efecto signicativo de stas en el consumo del combustible. Adicionalmente se inclu-
yen 2 factores de bloqueo adicionales, el peso del vehculo y el gnero del conductor.
23
Bibliografa
Levene H. (1960), Robust Tests for Equality of Variances, in I. Olkin, ed., Contributions to
Probabilita y and Statistics, Palo Alto, StanfordUniversityPress, 278-92.
Treiber M., Kesting A. y Thiemann C. (2007), How Much does Trac Congestion Increase Fuel
Consumption and Emissions? Applying a Fuel Consumption Model to the NGSIM Trajectory Data,
Submission for the Annual Meeting of the Transportation Research Board, Dresden, Alemania.
Ballo, A. (2002). Diseo experimental para determinar la diferencia entre consumo medio de
gasolina de coches japoneses, espaoles, franceses y alemanes. Universidad Autonoma de Madrid.
Bestard, J. A. (2012). Factorial experiment design to analyze fuel consumption of a vehicle.
Miami Dade College, Hialeah Campus.
Diego Alberto Castao, G. A. (2003). Estudio de los factores que inciden en el desempeo de
motores de encendido provocado (MEP) convertidos a gas natural.
Noskov, A. S. (2007). A comparative study of the production of ethyl esters from vegetables oils
as a biodiesel fuel optimization by factorial. Elsevier.
Direccin de estudios (2012). Evaluacin de alternativas de modicacin a la medida de restric-
cin del transito de vehculos particulares "pico y placa". Bogot Humana.
24
Anexo 1. Descripcin del Cdigo Programado en R
Estructura de la Funcin:
DisFactorial(Y,nFact,nBloq,sig,GraphError,orden,Imprime)
Fecha: 23 mayo 2014
Descripcin: Funcin que permite realizar el anlisis de varianza de un diseo factorial 2
k
tanto no replicado como replicado, con posibilidad de incluir factores bloqueo. Permite adems
obtener los grcos de perl y grcos de diagnstico del trmino de perturbacin.
Valores De Entrada De La Funcin
A continuacin se presentan las condiciones de entrada de la funcin DisFactorial() donde el
smbolo (*) Indica que dicho elemento es opcional y su omisin implica el valor por defecto.
Y: Corresponde a una matriz de las observaciones con el nmero de las igual al nmero de
tratamientos y el nmero de columnas igual al nmero de rplicas.
nFact: Nmero de factores de inters.
nBloq*: Nmero de factores de bloqueo. Valor por defecto es 0.
sig*: Signicancia estadstica. Valor por defecto es 0.05.
GraphError*: Toma el valor de TRUE o T si desea obtener las grcas de diagnstico del
trmino de perturbacin y efectos. En caso contrario toma el valor de FALSE o F. Valor por
defecto TRUE.
orden*: Vector o matriz con ordenamiento en que fueron tomadas las observaciones de acuer-
do con el vector Y. Valor por defecto es 0.
Imprime*: Toma el valor de TRUE o T si se desea mostrar los resultados de la tabla ANOVA
y pruebas sobre el error en la pantalla. Caso contrario toma el valor de FALSE o F. Valor por
defecto TRUE.
Valores De Salida De La Funcin
La funcin DisFactorial() devuelve como resultado una lista de objetos o <Output>. Esta lista
contiene los siguientes componentes:
ANOVA: Tabla de anlisis de varianza.
SwTest:Test de normalidad Shapiro-Wilk.
MDis: Matriz de diseo del experimento2
k
.
MEfectos: Matriz con los efectos de cada factor y sus interacciones.
25
MPromedios: Matriz con los promedios de cada factor y sus interacciones en los dos niveles.
Error: Vector o matriz de errores.
Ajustados: Vector o matriz de valores ajustados.
26
Anexo 2. Funcin de Asignacin Aleatoria de Tratamientos
A continuacin se presenta la funcin creada en el lenguaje Matlab para asignar aleatoriamente
y sin reemplazo los tratamientos a cada una de las unidades experimentales. La funcin recibe
como input unicamente el nmero (s) el cual determinar la longitud del vector (V ) resultante de
nmeros aleatorios enteros hasta s sin reemplazo.
function V=RandSinRep(s)
V=nan(s,1);
a=x(1+(s).*rand(1,1));
V(1)=a;
pos=1; n=1;
while n==1
a=x(1+(s).*rand(1,1));
if sum(a==V)==1
else
pos=pos+1;
V(pos)=a;
end
if pos==s
n=0;
end
end
Al realizar la funcin con un valor s = 16 (i.e. V=RandSinRep(16)) se obtuvo el siguiente vector
V resultante:
V = [15, 1, 8, 3, 16, 12, 9, 11, 2, 14, 13, 7, 5, 6, 4, 10]
27
Anexo 3. Segmentacin e Interpretacin del Marcador de Ga-
solina
Con el propsito de ilustrar la forma mtodogica como fue obtenido el consumo en galones de
cada uno de los marcadores de gasolina, se presenta a continuacin por medio de un ejemplo, usando
el vehculo Chevrolet Optra, este mtodo (Vase la Figura. 6.)
Debido a que la forma del marcador de gasolina en la mayora de vehculos presenta un segmento
de circunferencia, fue necesario subdividir en varios tramos dicha circunferencia. Para ello, primero
es necesario trazar una linea recta desde el punto A hasta el punto I, la cual comprende los puntos
de frontera donde se vaca o se llena por completo el tanque de la gasolina respectivamente. Una
vez se tiene esta linea recta se busca el punto medio del segmento, el cual en este caso corresponde
al punto E. A continuacin, es necesario trazar una linea perpendicular entre el segmento AI y su
punto medio hasta que esta linea toque el limite del marcador de la gasolina, cuyo punto ser el
valor de medio tanque exactamente (50 % del tanque).
Teniendo entonces el punto de corte (E) en el marcador de la gasolina se procede a trazar de
nuevo un segmento recto entre el punto E y A y el punto E e I, formando dos nuevos segmentos, AE
y EI. Con estos nuevos segmentos, los cuales tienen la misma longitud, se les busca el punto medio
y se traza de nuevo una perpendicular en dicho punto hasta que este toque de nuevo el marcador.
Estos puntos medios sern entonces C para el segmento AE y G para el segmento EI, subdividiendo
entonces el marcador de gasolina en 4 puntos equidistantes en circunferencia.
Este proceso de segmentacin se repite tantas veces como sea necesario (para el ejercicio del
experimento se subdividi el marcador en 32 puntos equidistantes para lograr una mayor precisin)
hasta que se logre dividir el tanque en varios segmentos completamente equidistantes entre si. Una
vez realizada la segmentacin, se sabe que el punto A corresponde a un llenado de 0 % en el tanque
y el punto I a un llenado de 100 % en el tanque. Sin embargo, las capacidades de todos los tanque
no son siempre las mismas en todos los vehculos, por lo que fue necesario conocer dicha capacidad
mxima del tanque para cada unidad experimental. En el caso del Chevrolet Optra que se muestra
en la Figura. 6. su capacidad del tanque es de 15.85 galones, valor que corresponde al 100 % del
marcador, mientras que la aguja del marcador (identicada por el 0) se encuentra muy cercano
al segmento 2 de 8 en total, que corresponde al 25 % del tanque es decir un valor aproximado
de 3.96 galones de gasolina. Este mismo proceso se realiz para el marcador de la misma unidad
experimental una vez culminado el recorrido de los 31.5 km y se determin el cambio en galones
antes y despues como la resta entre la cantidad marcada al inicio y al nal del experimento.
28
Figura 6: Marcador de gasolina
Fuente: Fotografa tomada por los autores.
29