K

Nov. / 2011
Por qu estudiar diseos 2
K
?
Se requiere de pocas corridas para estudiar una
gran variedad de factores
Pueden ser aumentados en caso que se requiera
informacin mas detallada
Forman la base de los diseos factoriales
fraccionados.
Son los mas fciles de entender y analizar
El diseo factorial 2
K
me permite encontrar

( ) x f Y =
Por qu se llaman diseos 2
K
?
De los diseos factoriales ya estudiados los 2
K
es
un caso especial cuando cada uno de los
factores tienes nicamente 2 niveles.
Es el experimento mas sencillo debido a la
combinatoria: 2 x 2 x 2 x ..x 2 = 2
K
Los niveles de los factores pueden ser
Cualitativos o Cuantitativos.
En general vamos a utilizar un nivel alto y un
nivel bajo para el experimento.
Cul es el objetivo de los diseos 2
K
?
Estos diseos son utilizados en las etapas
iniciales de la experimentacin, cuando se este
caracterizando el proceso, es decir investigar los
factores que afectan al proceso.
A estos diseos se le llaman experimentos de
tamizados o seleccin de factores. Puesto que
solo hay dos niveles por factor.
Se supone que la respuesta es aproximadamente
lineal en el rango elegido para los niveles de los
factores.
Pasos para los Experimentos 2
K

1. Indicar el problema prctico y el objetivo experimental
2. Indicar los factores y los niveles de inters
3. Seleccionar el tamao de muestra
Stat->Power and Sample Size->2-Level Factorial Design
4. Disear el experimento
Stat->DOE->Factorial->Create Factorial Design
5. Correr el experimento y recolectar datos
6. Construir la tabla ANOVA para el modelo completo
Stat->DOE->Factorial->Analyze Factorial Design
7. Correr nuevamente el modelo reducido, eliminando efectos no
significativos (altos valores de p-valor).
8. Revisar los diagramas de residuos para asegurar la adecuacin del
modelo
Stat->DOE->Factorial->Analyze Factorial Design
Pasos para los Experimentos 2
K

9. Examinar las interacciones significativas (p-value < 0.05),
las de orden mayor
Stat->DOE->Factorial->Factorial Plots
Stat->ANOVA->Interaction Plots
10. Examinar los efectos principales significativos (p-value < 0.05)
Stat->DOE->Factorial->Factorial Plots
Stat->ANOVA-> Interaction Plots
11. Indicar el modelo matemtico obtenido (Y=f(x)) calcular %SS y
evaluar para significanca prctica
12. Traducir el modelo en trminos reales del proceso. Obtener
conclusiones y hacer recomendaciones
13. Reproducir las condiciones ptimas. Planear el prximo experimento
e institucionalizar el cambio.
El diseo 2
2
:
Vamos a analizar el diseo factorial mas simple
el cual son dos factores con dos niveles cada
uno. Los niveles de los factores pueden
denominarse como alto y bajo.

Como ejemplo considere la investigacin del
efecto de la concentracin de un reactivo y la
cantidad de una catalizador sobre el
rendimiento de un proceso qumico.
El diseo 2
2
:
Factor A:
Bajo (-) = 15%
Alto (+) = 25%

Factor B:
Bajo (-) = 1 libra
Alto (+) = 2 libras

El diseo 2
2
:
Efectos Principales:
En un diseo factorial con dos niveles, el efecto
promedio de un factor puede definirse como el
cambio en la respuesta producido por un
cambio en el nivel de ese factor promediado
para los niveles del otro factor.

Al promediarse estas dos cantidades se
obtiene el efecto principal de A:
| | | | { }
| | ) 1 (
2
1
) 1 (
2
1
+ =
+ =
b a ab
n
A
a b ab
n
A
Efectos Principales:
De la misma manera puede obtenerse el
efecto principal de B:
| | | | { }
| | ) 1 (
2
1
) 1 (
2
1
+ =
+ =
a b ab
n
B
b a ab
n
B
Efectos Principales:
Para encontrar el efecto de la interaccin AB
se define como la diferencia promedio entre el
efecto de A con el nivel alto de B y el efecto de
A con el nivel bajo de B, por lo tanto:
| | | | { }
| | b a ab
n
AB
a b ab
n
AB
+ =
=
) 1 (
2
1
) 1 (
2
1
Efectos Principales:
En el caso del ejemplo se tienen los siguientes
factores principales:
( )
( )
( ) 67 . 1 60 100 80 90
) 3 ( 2
1
00 . 5 80 100 60 90
) 3 ( 2
1
33 . 8 80 60 100 90
) 3 ( 2
1
= + =
= + =
= + =
AB
B
A
Efectos Principales:
El efecto de A (concentracin del reactivo) es
positivo; esto sugiere que al incrementar A del
nivel bajo al nivel alto, el rendimiento se
incrementara.

El efecto de B (catalizador) es negativo; esto
sugiere que al incrementar B se reducir el
rendimiento del proceso.

El efecto de la interaccin AB parece ser
pequeo en comparacin con los dos efectos
principales. Por lo que hasta ahora se cree
pudiera no tener un efecto significativo.
Contrastes:
Cuando se hizo la estimacin del efecto principal
de A se utilizo un contraste. As mismo se utilizaron
los contrastes para la estimacin de B y de AB.

Contraste
A
= ab + a b (1)

El efecto principal de una fuente de variacin, es
igual al contraste dividido por la mitad del nmero
total de observaciones.
La suma de cuadrados para una fuente de
variacin, es igual al cuadrado del contraste
dividido entre el nmero total de observaciones.
Suma de Cuadrados:
( ) | |
( )
( ) | | ( )
( )
( ) | |
( )
33 . 8
3 4
10
4
1
00 . 75
3 4
30
4
1
33 . 208
3 4
50
4
1
2
2
2 2
2
2
= =
+
=
=

=
+
=
= =
+
=
n
b a ab
SS
n
a b ab
SS
n
b a ab
SS
AB
B
A
La suma de cuadrados total se calcula como de
costumbre, es decir:
34 . 31
00 . 323
4
2
1
2
1 1
2
...
2
= =
= =

= = =
AB B A T E
i j
n
k
ijk T
SS SS SS SS SS
n
y
y SS
Uso del Contraste en 2
K
Efecto Principal



Suma de Cuadrados
2
N
Contraste
Efecto
Variacin Fuente
Variacin Fuente
=
( )
N
Contraste
Efecto
Variacin Fuente
Variacin Fuente
2
=
Tabla ANOVA:
De la tabla ANOVA se observa que la
concentracin y el catalizador son las variables
principales que afectan el rendimiento del
proceso qumico, la magnitud y el sentido de
que tanto afectan se observaron con los
efectos principales.
Modelo de Regresin:
En un diseo 2
K
es sencillo expresar los
resultados del experimento en trminos de un
modelo de regresin. Para el experimento del
proceso qumico el modelo de regresin es:
c | | | | + + + + =
2 1 3 2 2 1 1 0
x x x x y
Donde x
1
es una variable codificada que
representa la concentracin del reactivo y x
2
es
una variable codificada que representa la
cantidad del catalizador y las | son los
coeficientes de regresin.
Modelo de Regresin:
Con el entendido de las variables codificadas se
puede construir el modelo de regresin
propuesto, donde la ordenada al origen es el
gran promedio de las 12 observaciones y los
coeficientes de regresin |
1
, |
2
y |
3
son la mitad
de las estimaciones de los efectos de los
factores correspondientes:
2 1 2 1
2
67 . 1
2
5
2
33 . 8
5 . 27 x x x x y
|
.
|

\
|
+
|
.
|

\
|

+
|
.
|

\
|
+ =
Codificacin de las variables:
( )
( )
( )
( ) 2 /
2 /
2 /
2 /
2
1
baja alta
alta baja
baja alta
alta baja
r Catalizado r Catalizado
r Catalizado r Catalizado r Catalizado
x
ion Concentrac ion Concentrac
ion Concentrac ion Concentrac ion Concentrac
x

+
=

+
=
La relacin entre las variables naturales la
concentracin del reactivo y la cantidad del
catalizador y las variables codificadas es:
( )
( )
( )
( ) 5 . 0
5 . 1
2 / 1 2
2 / 2 1
5
20
2 / 15 25
2 / 25 15
2
1

+
=

+
=
r Catalizado r Catalizado
x
ion Concentrac ion Concentrac
x
De-codificando las variables:
5 . 0
5 . 1
5
20
2
1

=
r Catalizado
x
ion Concentrac
x
La relacin entre las variables naturales la
concentracin del reactivo y la cantidad del
catalizador y las variables codificadas es:
5 . 1 5 . 0
20 5
2
1
+ =
+ =
x r Catalizado
x ion Concentrac
Diseo del Experimento en Minitab
En Minitab Seleccionar: Stat->DOE->Factorial->Create Factorial
Design
Activar opcin de: 2 Level Factorial (default generators)
Seleccionar en Number of Factors: 2
Seleccionar la opcin de Designs.


Diseo del Experimento en Minitab
Seleccionar la opcin de diseo Full Factorial
Colocar 3 replicas del experimento y seleccionar OK
Seleccionar la opcin de Factor
Colocar los nombres de los factores y dejar los niveles
codificados
Seleccionar OK

Diseo del Experimento en Minitab
Seleccionar Options
Dejar activada la opcin de Randomize Runs
Colocar como base generadora de datos aleatorios el 1
Dar OK hasta que se genere el diseo

Diseo del Experimento en Minitab
Se deber generar una tabla de datos como se muestra a
continuacin:

Anlisis en Minitab
Abrir el Archivo Ejercicio 1 Rendimiento de Proceso Qumico
Seleccionar Stat->DOE->Factorial->Analize Factorial Design
Colocar Rendimiento como la variable de respuesta a analizar

Anlisis en Minitab
Seleccionar Graphs y activar la opcin del grafico de los
residuales (Four in one)
Seleccionar Storage y activar la opcin de guardar residuales y
ajustes.
Seleccin OK hasta que se haga el anlisis

Anlisis de Residuales
Para la prueba de Normalidad haremos el grafico de probabilidad
normal para comprobar que los residuales sean normales.
Para la prueba de Varianza Constante u Homocedasticidad
haremos una prueba de igualdad de varianzas.
Podemos observar claramente que no existe un problema con los
residuales con respecto al tiempo.
Prueba de Normalidad
Seleccionar Graph->Probability Plot
Seleccionar la opcin de Single y OK
Colocar RES1 como variable a graficar
Prueba de Varianza Constante
Seleccionar Stat->Anova->Test for Equal Variance
Seleccionar RES1 como la variable de respuesta
Seleccionar FITS1 como Factors
Anlisis Tabla ANOVA
Estimated Effects and Coefficients for Rendimiento (coded units)

Term Effect Coef SE Coef T P
Constant 27.500 0.5713 48.14 0.000
Concentracion 8.333 4.167 0.5713 7.29 0.000
Catalizador -5.000 -2.500 0.5713 -4.38 0.002
Concentracion*Catalizador 1.667 0.833 0.5713 1.46 0.183


S = 1.97906 R-Sq = 90.30% R-Sq(adj) = 86.66%


Analysis of Variance for Rendimiento (coded units)

Source DF Seq SS Adj SS Adj MS F P
Main Effects 2 283.333 283.333 141.667 36.17 0.000
2-Way Interactions 1 8.333 8.333 8.333 2.13 0.183
Residual Error 8 31.333 31.333 3.917
Pure Error 8 31.333 31.333 3.917
Total 11 323.000

P-Values
Calculo de Porcentajes de Contribucin
Seleccionar Stat->Anova->General Linear Model
Seleccionar Rendimiento como la respuesta a analizar
Colocar los factores e interacciones a estudiar
Nota: Se pueden colocar los factores e interacciones
manualmente. Tambin se pueden colocar los factores separados
por el smbolo | esto indicara que haga el modelo factorial
completo.
Calculo de Porcentajes de Contribucin
Analysis of Variance for Rendimiento, using Adjusted SS for Tests

Source DF Seq SS Adj SS Adj MS F P
Concentracion 1 208.333 208.333 208.333 53.19 0.000
Catalizador 1 75.000 75.000 75.000 19.15 0.002
Concentracion*Catalizador 1 8.333 8.333 8.333 2.13 0.183
Error 8 31.333 31.333 3.917
Total 11 323.000


S = 1.97906 R-Sq = 90.30% R-Sq(adj) = 86.66

Optimizacin de la Respuesta
Minitab me proporciona una herramienta
poderosa con la cual puedo hacer la
optimizacin de la variable de respuesta:
Maximizar
Minimizar
Llevar a un objetivo
Esta herramienta me puede hacer la
optimizacin simultanea de mltiples variables
de respuesta en caso que as fuese el
problema a analizar.
Optimizacin de la Variable de Respuesta
Seleccionar Stat->DOE->Factorial->Response Optimizer
Seleccionar Rendimiento como la respuesta a analizar
Seleccionar Setup
Optimizacin de la Variable de Respuesta
Podemos seleccionar la opcin deseada en Goal.
Para este problema vamos a colocar los siguientes datos:
Goal: Target
Target: 30
Lower: 25
Upper: 35
Optimizacin de la Variable de Respuesta
Eficiencia de
alcanzar el objetivo
Valor esperado de
la respuesta
Ajuste de mis
factores de entrada
Diseo General 2
K
:
Los mtodos de anlisis que se han presentado
pueden generalizarse para el caso de un diseo
factorial 2
K
, es decir, un diseo con k factores que
tienen dos niveles cada uno. Para un diseo 2
K
el
modelo completo obtendr 2
K
-1 efectos.

En general el enfoque para este tipo de diseos
2
K
se resume en:



Diseo General 2
K
:
Estimar los efectos de los factores
Formar el modelo inicial
Realizar las pruebas estadsticas
Refinar el modelo
Analizar los residuales
Interpretar los resultados

Al estimar los efectos de los factores, sus signos y
sus magnitudes obtenemos informacin preliminar
respecto a los factores y las interacciones. As
mismo podemos determinar las direcciones de
ajuste de estos factores para mejorar la respuesta


Diseo General 2
K
:
Para formar el modelo inicial del experimento, por
lo general se elige el modelo completo, todos los
efectos principales y sus interacciones, siempre y
cuando se haya hecho al menos una replica.

En las pruebas estadsticas se hace el ANOVA
para probar formalmente la significacin de los
efectos principales y sus interacciones.

Al hacer el refinamiento del modelo, se suele
eliminar las variables no significativas del modelo
completo.


Diseo General 2
K
:
En el anlisis residual se utiliza para verificar la
adecuacin del modelo y que los supuestos se
cumplan. En caso contrario se tendr que hacer
una refinacin del modelo.

La interpretacin de los resultados, consiste
generalmente en el anlisis grafico: graficas de los
efectos principales o las interacciones, superficie
de respuesta y graficas de contorno.


Impacto de la eleccin de niveles:
Entonces como debo seleccionar los niveles de los factores?
Deben estar lo mas separado posibles uno del otro, tanto como
nos lo permita el proceso sin caer en una zona de peligro para el
proceso o para el operador.
Ejemplo 2: Resistencia a la compresin
Los datos siguientes representan una sola rplica de
un diseo 25 que se utiliza en un experimento para
estudiar la resistencia a la compresin del concreto.
Los factores son la mezcla (A), el tiempo (B), el
laboratorio (C), la temperatura (D) y el tiempo de
secado (E).
Anlisis en Minitab
Abrir el archivo Ejercicio 2 Resistencia a la compresin
Hacer el anlisis normal:
Stat->DOE->Factorial->Analize Factorial Design
Colocar Resistencia Compresin como respuesta
Seleccionar OK para hacer el anlisis

Analysis of Variance for Resistencia Compresin (coded units)

Source DF Seq SS Adj SS Adj MS F P
Main Effects 5 121812500 121812500 24362500 * *
2-Way Interactions 10 11345000 11345000 1134500 * *
3-Way Interactions 10 807500 807500 80750 * *
4-Way Interactions 5 333750 333750 66750 * *
5-Way Interactions 1 80000 80000 80000 * *
Residual Error 0 * * *
Total 31 134378750
Una sola replica del diseo 2
K
:
Incluso para un numero moderado de factores, el
numero total de combinaciones de tratamientos en
un diseo factorial 2
K
es grande. Debido a que por
lo general los recursos son limitados, el numero de
replicas que el experimentador pueda emplear
estar restringido. Con frecuencia, los recursos
disponibles permiten hacer solo una replica del
diseo.

Un riesgo obvio con los experimentos con una sola
corrida es que el modelo puede ajustarse al ruido.
Es decir, si la respuesta tiene mucha variabilidad
se pueden tener conclusiones engaosas.
Impacto de la eleccin de niveles:
Como se observa en las graficas si la variacin es
grande y los niveles son pequeos, puede existir
una gran probabilidad de obtener una conclusin
errnea. Ahora bien si la variabilidad es pequea
en la respuesta, la situacin de un error ser
menor.

Para asegurarnos que se obtienen estimaciones
confiables de los efectos es incrementar la
distancia entre los niveles bajo (-) y alto (+) del
factor.
Una sola replica del diseo 2
K
:
El uso de la estrategia de una sola replica es
comn en los experimentos de exploracin cuando
se tiene un numero 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 practica en
este tipo de experimentos es separar los niveles
de los factores de una manera mas agresiva.

Cuando se tiene una sola replica en el
experimento se le llama diseo factorial no
replicado. Con una sola replica NO se cuenta con
ninguna estimacin interna del error.
Una sola replica del diseo 2
K
:
Una formar de realizar este anlisis cuando se
trata de un diseo factorial no replicado, consiste
en suponer que algunas interacciones de orden
superior son insignificantes y combinar sus medios
cuadrados 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.
Una sola replica del diseo 2
K
:
Cuando se analizan los datos de diseos
factoriales no replicados, ocasionalmente ocurren
interacciones de orden superior. 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 alterno que se sugiere es examinar el
grafico de probabilidad normal de las estimaciones
de los efectos.

Los efectos que son insignificantes siguen una
distribucin normal con media cero y varianza o
2
, y
tendern a localizarse sobre una lnea recta.
Anlisis en Minitab
Abrir el archivo Ejercicio 2 Resistencia a la compresin
Stat->DOE->Factorial->Analize Factorial Design
Colocar Resistencia Compresin como respuesta
Seleccionar la opcin de Graphs y activar los grficos de efectos
normales y de pareto con nivel del significanca del 10%
Grafico de Efectos Normal
Grafico de Efectos Pareto
Depurando el modelo
De cualquiera de los dos grficos anteriores, podemos observar
que nicamente los factores que estarn afectando al proceso
son:
B: Tiempo
A: Mezcla
AB
E: Tiempo de Secado
D: Temperatura
ABD
ACDE
DE
Estos son las fuentes de variacin que dejare en mi modelo de
anlisis
Depurando el modelo
Seleccionar Ctrl-E o Stat->DOE->Factorial->Analize Factorial
Design
Seleccionar la opcin de Terms
Dejar nicamente los factores anteriormente encontrados: B, A,
AB, E, D, ABD, ACDE y DE
Activa grafico de residuales
Guarda residuales y ajustes

Grafico de Residuales
Cuales son tus conclusiones?

Anlisis de Efectos
Cuales son tus conclusiones?

Estimated Effects and Coefficients for Resistencia Compresin (coded units)

Term Effect Coef SE Coef T P
Constant 2906.25 32.45 89.56 0.000
Mezcla 1425.00 712.50 32.45 21.96 0.000
Tiempo 3575.00 1787.50 32.45 55.09 0.000
Laboratorio -100.00 -50.00 32.45 -1.54 0.138
Temperatura 437.50 218.75 32.45 6.74 0.000
Tiempo de Secado 462.50 231.25 32.45 7.13 0.000
Mezcla*Tiempo 1162.50 581.25 32.45 17.91 0.000
Temperatura*Tiempo de Secado 187.50 93.75 32.45 2.89 0.009
Mezcla*Tiempo*Temperatura 237.50 118.75 32.45 3.66 0.001
Mezcla*Laboratorio*Temperatura* 187.50 93.75 32.45 2.89 0.009
Tiempo de Secado


S = 183.557 R-Sq = 99.45% R-Sq(adj) = 99.22%

Anlisis Tabla ANOVA
Cuales son tus conclusiones?

Analysis of Variance for Resistencia Compresin (coded units)

Source DF Seq SS Adj SS Adj MS F P
Main Effects 5 121812500 121812500 24362500 723.07 0.000
2-Way Interactions 2 11092500 11092500 5546250 164.61 0.000
3-Way Interactions 1 451250 451250 451250 13.39 0.001
4-Way Interactions 1 281250 281250 281250 8.35 0.009
Residual Error 22 741250 741250 33693
Total 31 134378750


Grafico de Efectos Principales
Cuales son tus conclusiones?

Grafico de Interacciones
Cuales son tus conclusiones?

Optimizacin de la Respuesta
Cul es el modelo que se elige para la
optimizacin?
Minitab tomara el ultimo modelo analizado en la
tabla ANOVA en este caso ser el modelo filtrado o
depurado.
Stat->DOE->Factorial->Response Optimizer
Colocar Resistencia Compresin como
variable de respuesta y seleccionar Setup
Para caso de estudio queremos encontrar un
valor de resistencia de 2500 +/- 500

Optimizacin de la Respuesta
Tarea 1: Enunciado
Se usa una maquina para hace ranuras de localizacin en una tarjeta de
circuitos impresos. El nivel de vibracin en la superficie de la tarjeta
cuando se hacen las ranuras se considera una fuente principal de
variacin dimensional de las ranuras. Se piensa que dos factores
influyen en la vibracin: el tamao de las ranuras (A) y la velocidad de
corte (B). Los niveles seleccionados para el factor A son 1/16 y 1/8 de
pulgada. Los niveles seleccionados para el factor B son 40 y 90 rpm.
Obtenga el diseo de experimentos efectue el anlisis en cuanto a:
1.- Factores que influyen y que tanto influyen. Obtenga el diagrama de
pareto de los factores.
2.- Obtenga el modelo y diga que porcentaje de ajuste tiene dicho
modelo. Si se puede mejorar, mejrelo.
3.- Analice la suposicin de normalidad de los residuales.
4.- Analice si la varianza para la respuesta es la misma en todos los
niveles de los tratamientos.
5.- Obtenga las grficas de los efectos principales y las interacciones.

De sus conclusiones y recomendaciones.
Datos Tarea 1
Tarea 2: Enunciado
Un ingeniero est interesado en el efecto de la velocidad de corte (A),la
dureza del metal (B) y el ngulo de corte (C) sobre la duracin de una
herramienta de corte. Para ello se eligen dos niveles para cada factor y
se corren dos rplicas del diseo factorial 2
3
. La tabla siguiente presenta
los datos de tiempo de duracin (en horas) de la herramienta.

Obtenga el diseo de experimentos efectue el anlisis en cuanto a:

1.- Factores que influyen y que tanto influyen. Obtenga el diagrama de
pareto de los factores.
2.- Obtenga el modelo y diga que porcentaje de ajuste tiene dicho
modelo. Ya es un modelo reducido? Si no lo es, redzcalo y vuelva a
correr el anlisis..
3.- Analice la suposicin de normalidad de los residuales. Cumplen los
residuales con los supuestos?

4.- Analice si la varianza para la respuesta es la misma en todos los
niveles de los tratamientos.
5.- Obtenga las grficas de los efectos principales y las interacciones.

De sus conclusiones y recomendaciones.

Datos Tarea 2
Rplica
Combinacin de tratamientos I I I
(1) 221 311
a 325 435
b 354 348
ab 552 472
c 440 453
ac 406 377
bc 605 500
abc 392 419