Dise Experj

INTRODUCCIN AL DISEO DE EXPERIMENTOS
INTRODUCCIN AL
DISEO DE EXPERIMENTOS
Dr. Primitivo Reyes Aguilar

Abril, 2001
Pg. 1 de 67
CONTENIDO
1. FUNDAMENTOS DEL DISEO DE EXPERIMENTOS
2. DISEOS FACTORIALES Y OTROS MTODOS
DE MEJORA DE PROCESOS
Pg. 2 de 67
1. FUNDAMENTOS DEL DISEO DE EXPERIMENTOS

En muchas industrias el uso efectivo del diseo de experimentos es la
clave para obtener altos rendimientos, reducir la variabilidad, reducir los
tiempos de entrega, mejorar los productos, reducir los tiempos de desarrollo de
nuevos productos y tener clientes ms satisfechos.
1.1 QU ES EL DISEO DE EXPERIMENTOS (DOE)?
Un diseo de experimentos es una prueba o serie de pruebas en las
cuales se hacen cambios a propsito en las variables de entrada de un
proceso, de tal forma que se puedan observar e identificar cambioos en la
respuesta de salida. Un proceso de manufactura es una combinacin de
personas, mtodos y mquinas que transforman materias primas en productos
terminados. Los productos resultantes tienen una o ms caractersticas de
calidad observables o respuestas (Crticas para la calidad si el cliente reclama
por su no cumplimiento CTQs). Algunas de las variables del proceso X1, X2,
X3,, Xp son controlables o factores de control, mientras que otras Z1, Z2,
Z3, .., Zq no son controlables (a pesar de que pueden ser controladas
durante el desarrollo de las pruebas), y se denominan factores de ruido. Los
objetivos del diseo de experimentos pueden incluir:
1. Determinar cules variables tienen ms influencia en la respuesta, y.
2. Determinar en donde ajustar las variables de influencia xs, de tal forma que
y se acerque al requerimiento nominal.
3. Determinar donde ajustar las variables de influencia xs de tal forma que la
variabilidad en y sea pequea.
4. Determinar donde ajustar las variables de influencia xs de tal forma que los
efectos de las variables z desean minimizados.
Por lo anterior, los mtodos de diseo de experimentos pueden utilizarse
ya sea para el desarrollo o la mejora de los procesos, para mejorar el
Pg. 3 de 67
desempeo o para obtener un proceso que sea robusto o insensible a fuentes

externas de variabilidad.
El control estadstico de procesos (CEP) y el diseo de experimentos
estn muy relacionados. Si un proceso est en control estadstico pero no tiene
la suficiente capacidad, para reducir su variabilidad ser necesario optimizarlo
a travs del diseo de experimentos. El CEP es un mtodo estadstico pasivo,
donde se observa el proceso y se espera que ocurra una seal que nos oriente
hacia un cambio til, sin embargo, si el proceso est en control, la observacin
pasiva no producir mucha informacin til. Por otra parte, el diseo de
experimentos es un mtodo estadstico activo, donde, se realizan una serie de
pruebas en el proceso haciendo cambios en las entradas y observando los
cambios correspondientes en las salidas, esto genera informacin que puede
guiar hacia la mejora del proceso.
Los mtodos de diseo de experimentos tambin pueden ser tiles para
estabilizar un proceso. Asumiendo que la carta de control muestre un proceso
fuera de control, y que el proceso tenga muchas variables de entrada
controlables, a menos que se conozca cules variables de entrada son las ms
importantes, puede ser difcil llevar el proceso a control. Los mtodos de diseo
de experimentos pueden ser usados para identificar las variables de proceso
que tienen ms influencia.
El diseo de experimentos es una herramienta de ingeniera importante
para la mejora de un proceso de manufactura. Tiene tambin una palicacin
extensa en el desarrollo de nuevos procesos. La aplicacin de estas tcnicas
durante el desarrollo de los procesos puede resultar en:
1. Rendimiento mejorado.
2. Variabilidad reducida y comportamineto cercano al valor nominal.
3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.
Pg. 4 de 67
Los mtodos de diseo de experimentos pueden tambin jugar un paple

mayor en las actividades de ingeniera de desarrollo de nuevos productos o
mejora de los productos actuales. Algunas aplicaciones del diseo de
experimentos incluyen:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Determinacin de parmetros clave de diseo con impacto en el desempeo.
El uso del diseo de experimentos en estas reas puede resultar en una
fabricacin mejorada del producto, mejor desempeo y confiabilidad en el
campo, balos costos del producto, y tiempos de desarrollo del producto ms
cortos.
1.2 GUAS PARA EL DISEO DE EXPERIMENTOS
Para tener xito en el diseo de experimentos, es necesario que todos
los involucrados en el experimento tengan una idea clara del objetivo del
experimento, de los factores a ser estudiados, como se realizar el
experimento y al menos una idea cualitativa de cmo se analizarn los datos.
El procedimiento recomendado por Montgomery tiene los pasos siguientes:
1. Reconocimiento y establecimiento del problema.
2. Seleccin de factores y niveles.
3. Seleccin de la variable de respuesta.
4. Seleccin del diseo experimental.
5. Realizacin del experimento.
6. Anlisis de los datos.
7 Conclusiones y recomendaciones.
1.3 EJEMPLOS DE APLICACIN DEL DISEO DE EXPERIMENTOS
A continuacin se presentan varios ejemplos que ilustran la aplicacin
del diseo de experimentos para mejorar la calidad de productos y procesos.
Pg. 5 de 67
A. CARACTERIZANDO UN PROCESO
Con la aplicacin del control estadstico de proceso, se ha reducido el
nmero de soldaduras falsas en un panel de circuito impreso hasta un 1% para
retrabajo, esto an es demasiado, sin embargo el proceso est en control
estadstico.
La mquina de soldar y el flujo de soldadura tienen varias variables que
se pueden controlar, que incluyen:
1. Temperatura de soldado.
2. Temperatura de pre calentamiento.
3. Velocidad del transportador.
4. Tipo de Fundente.
5. Gravedad especfica del fundente.
6. Altura de la ola de soldadura.
7. ngulo del transportador.
Adems de los factores controlables, se tienen otros factores que no son
controlables fcilmente durante la manufactura, a pesar de que pueden
controlarse a nivel de prueba, y son los siguientes:
1. Espesor del circuito impreso.
2. Tipos de componentes usados en los pneles.
3. Distribucin de los componentes en los pneles.
4. Operador.
5. Tasa de produccin.
Bajo esta situacin, caracterizar el proceso significa encontrar los
factores (controlables y no controlables) que generan la ocurrencia de defectos
de soldaduras falsas en los circuitos impresos. Para lo cul es necesario
realizar un diseo de experimentos que nos permita estimar la magnitud y
direccin de los efectos de los factores. Es decir, cunto cambia la variable de
respuesta (defectos por unidad) al cambiar cada factor, o cunto cambia al
Pg. 6 de 67
cambiar todos los factores a la vez, algunas veces estos experimentos se

denominan experimentos de separacin de variables.
.
La informacin de los experimentos se usa para identificar los factores
crticos del proceso y determinar la direccin de ajuste de estos factores

crticos para reducir el nmero de defectos por unidad. El diseo de
experimentos tambin se usa para obtener informacin sobre los factores que
deben ser controlados ms de cerca con cartas de control (CEP), durante la
fabricacin para prevenir un comportamiento errtico del proceso.
Con el
tiempo si el proceso se mejora lo suficiente, es posible controlar el proceso a

travs de sus variables crticas de entrada en vez de usar cartas de control
para controlar las salidas o el producto terminado.
B. OPTIMIZANDO UN PROCESO
Despus de caracterizar el proceso, el paso lgico siguiente es optimizar
el proceso, es decir determinar la regin a donde han guiado los factores
importantes a la mejor respuesta. Por ejemplo, si la respuesta es rendimineto,
se buscar la zona de mximo rendiemiento, y si la respuesta es vasriabilidad
en una dimensin crtica de producto, se puede buscar la regin de varibalidad
mnima.
Suponiendo que se desea mejorar el rendimiento de un proceso
qumico. Suponiendo que despus de un experimento de caracterizacin se
identificaron como variables de influencia la Temperatura de operacin y el
Tiempo de reaccin. El proceso normalmente opera en 155 F y 1.7 h de
tiempo de reaccin, con un rendimiento del 75%. Asumiendo que el proceso
tenga el comportamiento siguiente.
Te
mp 200F
erat
ura
95%
180F
90%
Pg. 7 de 67

80%
Hacia un mejor rendimiento
160F
Condiciones de operacin
actuales
75%
150F
69%
56%
0.5
1.0
1.5
2.0
2.5
Tiempo (horas)
Fig. 1.1 Grfica de contornos de rendimiento en

funcin de la temperatura y el tiempo de reaccin
Para localizar el punto ptimo es necesario realizar un experimento que

vare el tiempo y la temperatura al mismo tiempo. Este tipo de experimento se
le denomina un experimento factorial, en este caso se usan dos niveles. La
respuesta observada en las cuatro esquinas del cuadrado indican hacia donde
se deben mover los factores para incrementar el rendimiento. Con unos pocos
movimientos adicionales se puede llegar al punto de mximo rendimiento.
1.4 EXPERIMENTOS CON UN FACTOR
Este mtodo es el ms sencillo, se mostrar con un ejemplo.
Un fabricante de papel de bolsas de mandado est interesado en
mejorar la resistencia a la tensin de las bolsas. Con un 10% de concentracin
de viruta de maderas duras en la pulpa el papel tiene una resistencia de
aproximadamente 15 psi. El proceso se encuentra en control estadstico (CEP).
Se sospecha que la resistencia a la tensin de la bolsa debe aumentar
conforme aumenta la concentracin de viruta, por razones econmicas del
proceso no se debe sobrepasar de entre 5 a 20%. Se deciden investigar cuatro
niveles de viruta, 5, 10, 15 y 20%, con seis muestras de cada nivel de
Pg. 8 de 67
concentracin, usando una planta piloto. Las 24 muestras se prueban en el

probador de tensin del laboratorio, en orden aleatorio. Los datos se muestrabn
a continuacin:
Tabla 1.1 Resistencia a la traccin del papel (psi)
Observaciones
Concentracin (%) 1
Total Promedio
15
11
10
60
10.00
10
12
17
13
18
19
15
94
15.67
15
14
18
19
17
16
18
102
17.00
20
19
25
22
23
18
20
127
21.17
383
21.17
Este es un ejemplo de un experimento completamente aleatorizado de

un solo factor. Cada nivel del factor tiene seis observaciones o rplicas. Al
aleatorizar las 24 pruebas, se balancea el efecto que pueda tener cualquier
variable extraa que pueda impactar la resistencia a la tensin observada. Por
ejemplo, suponiendo que hubiera un efecto de calentamiento en el probador de
resistencia a la tensin conforme pasa el tiempo, si las pruebas se hicieran
primero con la concentracin del 5% despus con la del 10% y as
sucesivamente, se podra decir que el aumento en resistencia se podra deber
al efecto del calentamiento del equipo.
Comparando las medianas de las cuatro concentraciones (9.5, 16, 16.5,
21) en grficas de caja, se observa que efectivamente cambiando la
concentracin de viruta, produce una resistencia a la tensin ms alta con
variabilidad casi simtrica.
25
20
15
10
Pg. 9 de 67
5%
10%
15%
20%
Fig. 1.2 Grficas de caja de los datos

concentracin de viruta de maderas duras
de
Las grficas de caja muestran la variabilidad de las observaciones

dentro de un nivel especfico del factor y la variabilidad entre los niveles del
factor. Se analiza ahora como se puede analizar el experimento completamente
aleatorizado.
ANLISIS DE VARIANZA (ANOVA)
Suponiendo que se tengan a diferentes niveles de un factor que se
desean comparar. La respuesta obervada en cada uno de esos niveles de los
factores es una variable aleatoria.
Tabla 1.2 Datos tpicos para un Experimento de un Factor
Observaciones
Nivel del factor
1
2
Total Promedio
y11
y21
ya1
y12
y22
ya2
y13
y23
ya3
y14
y24
ya4
y1n
y2n
yan
y1.
y2.
ya.
y..
y1
y2
ya
y..
Se puede describir una observacin Yij como:

y ij i j
i = 1, 2, ., a;
j = 1, 2, , n
(1.1)
Donde, es la media general, i es el efecto del factor i, y ij es un componete

de error aleatorio. Se asume que la distribucin de los errores es normal e
independientemente distribuida con media cero y varianza 2 , la cul se
Pg. 10 de 67
asume que es constante durante todos los niveles del factor. En forma tpica los
componentes del error se deben a error de mediciones, variables no incluidas
en el modelo, variacin aleatoria del proceso, etc.
Los datos de la fig. 1.2 muestran el arreglo de un anlisis de varianza
(ANOVA) de una direccin, para un solo factor sus efectos fijos i se definen
como desviaciones de la media general como sigue:
a
i 1
i 0
(1.2)
Se trata de probar la hiptesis siguiente:

Ho:
1 = 2 = .. = a = 0
H1:
i 0 para al menos una i.
(1.3)
El procedimiento de prueba para las hiptesis anteriores se denomina

Anlisis de varianza (ANOVA), donde se particionan la variabilidad total en
sus partes componentes.
La suma total de cuadrados es:
a
SST j 1 ( y ij y..)
n
(1.4)
i 1
a
SST j 1 ( y ij y..) ni 1 ( y i. y..) 2 j 1 ( y ij y i .)

n
i 1
(1.5)
i 1
En la ecuacin anterior, la variacin total se ha dividido en dos

variaciones como sigue:
SST = Suma de cuadrados total de las desviaciones de cada punto
respecto a la media general.
SSF = Suma de cuadrados de las desviaciones de cada una de
las medias de los diferentes niveles respecto a la media general.
SSE = Suma de cuadrados de las desviaciones entre cada punto y la
media del nivel correspondiente.
Pg. 11 de 67
Para facilitar los clculos se tienen las frmulas siguientes:

a
SST j 1 y ij
n
i 1
a
SS F
i 1
y ..2
an
(1.6)
y i2. y ..2
n an
(1.7)
SS E SST SS FACTOR
(1.8)
Al comparar la magnitud de la suma de cuadrados del factor SS F con la
suma de cuadrados del error, SS e, se puede determinar cuanta variabilidad es
debida a los cambios en el factor y cuanta es debida al error, para facilitar la
comparacin, convertimos la escala dividiendo ambos trminos entre sus
grados de libertad. Como hay an = N observaciones, SST tiene N-1 grados de
libertad. Hay a niveles del factor, por tanto SS F tiene (a 1) grados de libertad.
Finalmente, dentro de cualquier nivel hay n rplicas, dando (n-1) grados de
libertad con lo que estimamos el error experimental. Como hay a niveles del
factor, se tiene a(n-1) = an a = N a grados de libertad para el error. La
divisin de las sumas de cuadrados entre los grados de libertad se denominan
cuadrados medios; como sigue:
MS F
SS F
a 1
(1.9)
MS E
SS E
a ( n 1)
(1.10)
Puede demostrarse que el cuadrado medio del error MSe estima la

varianza del error experimental 2. Adems MSF estima la varianza slo si
todas las medias de los niveles del factor son iguales, pero si son diferentes,
MSF ser mucho mayor que la varianza 2. Para probar lo anterior se usa la
prueba F de varianzas.
Pg. 12 de 67
Fo
MS F
MS E
(1.11)
Si Fo F , a 1, a ( n a ) , se puede concluir que las medias de los niveles del factor

son diferentes. Si se hace el anlisis en computadora, tambin se peude
concluir observando el valor de P. A continuacin se muestra la tabla de
Anlisis de Varianza (ANOVA).
Tabla 1.3 Anlisis de varianza (ANOVA) para un experimento
de un factor
Fuente de
variacin
Suma de
Grados de Cuadrado
cuadrados libertad
medio
Fo
Entre
niveles
del factor
SSF
a-1
MSF
Fo = MSF / MSe
Error
(dentro de
niveles de
factores)
SSe
a(n-1)
MSe
Total
SST
an 1
Ejemplo 1.1 Considerando el experimento de la resistencia a

la tensin para las bolsas de papel se tiene: Utilizando la
funcin de Excel de Anlisis de varianza (ANOVA)
de Anlisis de Datos se tiene:
Pg. 13 de 67
del men
Anova: Single Factor

SUMMARY
Groups
Row 1
Row 2
Row 3
Row 4
Count
ANOVA
Source of
Variation
Between Groups
6
6
6
6
SS
Sum Average Variance

60
10
8
94
15.67
7.87
102
17
3.2
127
21.17
6.97
df
382.79
MS
Fc
Conc. 5%
Conc.10%
Conc. 15%
Conc. 20%
P-value
3 127.597 19.6052 3.59E-6
F crit
3.0983
Concentraciones
Within Groups
130.17
20 6.50833
Total
512.99
23
Como Fcalc > Fcrtica (0.05, 3, 20) = 3.09, se concluye que

las medias de los niveles de los factores, son diferentes.
Anlisis Residual
El anlisis de varianza (ANOVA) asume que las observaciones son
normales e independientemente distribuidos con la misma varianza en cada
nivel del factor. Esto puede verificarse por inspeccin de los residuos. En este
caso el residuo es
eij y ij y i ,
o sea la diferencia entre una observacin y la
media correspondiente al nivel del factor. Los residuos correspondientes a los

datos del ejemplo se muestran en la tabla 1.4.
La suposicin de normalidad se checa al graficar los residuos en papel
de probabilidad normal. Para checar el supuesto de igual varianza en cada
nivel del factor, graficar los residuos contra los niveles del factor y comparar la
dispersin de los residuos.
Es til graficar los residuos contra y i (valor
ajustado), la variabilidad de los residuos debe ser aleatoria. Si aparece un

patrn en las grficas de los residuos, indica que es necesaria una
Pg. 14 de 67
transformacin de los datos. Por ejemplo si la variabilidad de los residuos se

incrementa con y i , entonces es necesaria una transformacin log( y ) o
El supuesto de independencia se puede checar graficando los residuos

contra el orden de realizacin de los experimentos, si se presenta un patrn, tal
como secuencias positivas o negativas, puede indicar que las observaciones
no son independientes. Indicando que el orden de corrida de los experimentos
es importante.
Tabla 1.4 Resistencia a la traccin del papel (psi)

Residuos
Conc. (%)
-3.00
-2.00
5.00
1.00
1.00
0.00
10
-3.37
1.33
-2.67
2.33
-3.33
0.67
15
-3.00
1.00
2.00
0.00
-1.00
1.00
20
-2.17
3.83
0.83
1.83
-3.17
-1.17
Las grficas de los residuos no muestran que el modelo sea inadecuado para
el anlisis.
4
Valor residual
0
10
15
20
Resistencia media a la tensin
-4
Fig. 1.3 Grfica de los residuos versus Yi. promedio
Comparacin de las medias individuales
Observando las medias en la tabla de ANOVA anterior se puede ver que
la resistencia aumenta conforme aumenta la concentracin de pulpa de
maderas duras. Si se conoce el valor de cualquier media de nivel del factor
tendr una desviacin estndar
. Si todas medias de los niveles del factor
Pg. 15 de 67
fueran iguales, se comportaran como si se hubieran extrado de la misma

distribucin normal con desviacin estndar
Se puede hacer una comparacin mltiple utilizando una distribucin t

deslizante sobre la figura 1.3 usando el factor de escala
MSE
6.51
1.04
6
y graficndolo contra el valor de la ordenada de t en ese punto. Se puede

construir a ojo y visualizar que tanto cubre la distribucin en relacin con la
posicin de las medias de los niveles. En este caso el promedio del 20%
definitivamente no puede ser cubierto por la distribucin al tratar de cubrir los
otros puntos.
El intervalo de confianza para las medias de los niveles se puede
obtener con la frmula y i. t / 2, a ( n 1) MSE .
Componentes del modelo de varianza

La varianza total del proceso tiene como componentes la varianza del error y
la varianza de las medias de los niveles del factor, o sea:
2 MS E
MS F MS E
2
n
(1.12)
Y la desviacin estndar del proceso se determina con:

y2 2 2
(1.13)
Teniendo la desviacin estndar del proceso y su media se puede estimar la

capacidad del proceso en funcin de los lmites de especificacin.
Ejemplo 1.2 Se tiene inters en investigar la variabilidad
que existe en la resistencia a la tensin del hilo, entre
varios telares en la empresa. Para el estudio se toman 4
Pg. 16 de 67
muestras de cada uno de los 4 telares, con las siguientes

resultados:
Tabla 1.5 Datos de resistencia del ejemplo
Observaciones
Telar
Total
Promedio
98
97
99
96
390
97.5
91
90
93
92
366
91.5
96
95
97
95
383
95.8
95
96
99
98
388
97.0
1527
95.4
El anlisis de varianza arroj los siguientes resultados:

Tabla 1.6 ANOVA de la resistencia a la tensin
Fuente de
variacin
Suma de
Grados de
cuadrados libertad
Cuadrado
medio
Telar
89.19
29.73
Error
22.75
12
1.90
Total
111.94
15
Fc
15.68
.
Los componentes de la varianza son:

2 1.90
29.73 1.90
2
6.96
4
y2 1.90 6.96 8.86
Asumiendo que la resistencia est normalmente distribuida,

tendr una media de 95.4 psi y una desviacin estndar de
2.98 psi.
Si el lmite inferior de especificacin es 90
psi, el proceso no tiene capacidad para producir dentro de

especificaciones, causado por la variabilidad excesiva en
los telares. Para cumplir con el cliente la desviacin
estndar debera reducirse a 1.30 psi.
Pg. 17 de 67
Defectivos
LIE= 90
LIE=90
Fig. 1.4 Variacin del proceso

1.5 BLOQUEO Y FACTORES EXTRAOS
En muchos casos es necesario disear el experimento de tal forma que
la variabilidad que surge de variables extraas pueda ser controlado. El
procedimiento general para el diseo de bloques totalmente aleatorizado
consiste en seleccionar b bloques y correr una rplica completa de
experimentos en cada uno de los bloques. Habr a observaciones (una por
cada nivel del factor) en cada bloque, y el orden de realizacin de los
experimentos
ser
aleatoriamente
asignada
dentro
del
bloque.
Las
observaciones pueden ser representadas por el modelo:

y ij i j ij
i = 1, 2, , a; j =1, 2, ., b
(1.14)
Donde:
= Media general
i = Efecto del nivel i-simo del factor. La suma de sus desviaciones respecto a
la media general es cero.
j = Efecto del bloque j-simo. La suma de sus desviaciones respecto a la
media general es cero.
ij = NID(o, 2) Es el trmino de error.
Se trata de probar la Hiptesis de igualdad de efectos del factor, o sea:
H 0 : 1 2 ... a 0
H 1: : i 0, para.al .menos.una.i
Pg. 18 de 67
(1.15)
La suma de cuadrados total de donde se pueden desglosar las sumas de

cuadrados de los factores, bloques y error es:
a
SST j 1 ( y ij y..) bi 1 ( y i. y..) 2 a j 1 ( y y..) 2 j 1 ( y ij y . j y i . y..)

b
.j
i 1
i 1
(1.16)
Simblicamente se tiene:
SST SS FACTOR SS BLOQUE SS E
(1.17)
Con los siguientes grados de libertad correspondientes:

ab 1 ( a 1) (b 1) ( a 1)(b 1)
(1.18)
La Hiptesis nula de que no hay diferencia entre los niveles del factor se
prueba con la prueba F = MSFactor / MSError.
Ejemplo 1.3 Se trata de determinar el efecto de cuatro
diferentes qumicos sobre la resistencia de una fibra. Los
qumicos
se
utilizan
como
parte
del
proceso
final
de
planchado permanente. Se seleccionaron cinco muestras de

fibras, y se corri un diseo por bloques aleatorizado,
probando cada tipo de qumico una vez en orden aleatorio
sobre
cada
muestra
de
fibra,
obtenindose
los
datos
siguientes:
Tabla 1.7 Datos de resistencia de la fibra Diseo en
bloques
Tipo de
Muestras de fibra
Total Promedio
Yi.
Yi. media
1.3
1.6
0.5
1.2
1.1
5.7
1.14
2.2
2.4
0.4
2.0
1.8
8.8
1.76
1.8
1.7
0.6
1.5
1.3
6.9
1.38
3.9
4.4
2.0
4.1
3.4
17.8 3.56
Qumico
Total col. Y.j 9.2 10.1 3.5 8.8 7.6 39.2 1.96
Promedio
2.30 2.53 0.88 2.20 1.90 Y.. Y.. media
Pg. 19 de 67
Tabla 1.8 Anlisis de varianza (ANOVA) del experimento por

bloques aleatorizados.
Anova: Two-Factor Without Replication
SUMMARY Count
Row 1
5
Row 2
5
Row 3
5
Row 4
5
Column 1
Column 2
Column 3
Column 4
Column 5
4
4
4
4
4
Sum
5.7
8.8
6.9
17.8
Average Variance
1.14
0.163
1.76
0.628
1.38
0.227
3.56
0.893
9.2
10.1
3.5
8.8
7.6
2.3
2.525
0.875
2.2
1.9
1.27333
1.68916
0.56916
1.71333
1.08666
Fibra 1
Fibra 2
Fibra 3
Fibra 4
Fibra 5
ANOVA
Source of
Variation
Rows
Qumicos
Columns
Fibras
Error
18.044
6.014667 75.8948 4.52E-8
3.4903
6.693
1.67325 21.1135 2.32E-5
3.2591
0.951
12
Total
25.688
19
SS
df
MS
P-value
F crit
0.07925
Por ser Fc > Fcrtica para los tipos de qumicos, sus

medias
difieren
entre
s.
Dems
tambin
se
observa
diferencias entre las fibras.

Se puede usar el mtodo de la distribucin t con escala
MSE 0.08 0.13 . Si se antepone esta a las medias, se

b
5
observa que la media del qumico 4 difiere mucho de las
otras medias. El 95% de intervalo de confianza para la
media 4 es (3.29, 3.83).
Pg. 20 de 67
Los residuos se calculan como la diferencia entre el valor

observado y el valor estimado (respuesta media cuando se
aplica el tratamiento i-simo en el bloque j-simo, sea:
^
eij yij y ij
(1.19)
y ij y i. y . j y..
La tabla de los residuos se muestra a continuacin:
Tabla 1.9 Residuos del Diseo aleatorizado en bloques
Tipo de
Qumico
1
La
Muestras de fibra
2
3
-0.11
0.44
1
-0.18
4
-0.18
.
0.02
0.10
0.07
-0.27
0.00
0.10
0.08
-0.24
0.30
-0.12
-0.02
0.00
0.27
-0.48
0.30
-0.10
grfica
normalidad.
en
A
variabilidad
variabilidad.
papel
pesar
en
normal
de
que
de
el
residuos
qumico
resistencia,
Sern necesarios
los
tambin
mostr
mostrmayor
indica
otros experimentos
afinar la solucin.
Pg. 21 de 67
mayor
para
2.
DISEOS
DE
EXPERIMENTOS
FACTORIALES
FRACCIONALES
Muchos experimentos para mejoramiento involucran varias variables,
existen diversos diseos para esas situaciones. A continuacin se tratarn
algunos.
2.1 EXPERIMENTOS FACTORIALES
Se utilizan cuando hay varios factores de inters en un experimento. En
los experimentos factoriales se deben utilizar en cada rplica, todas las
combinaciones de los factores que se estna investigando. Si se tienen dos
factores A y B con niveles a y b respectivamente, cada rplica contendr todas
las posibles combinaciones ab.
El efecto de un factor se define como el cambio en la respuesta como
resultado de un cambio en el nivel del factor. A esto se denomina efecto
principal ya que se refiere a los factores primarios del estudio. Por ejemplo:
B2
20
40
B1
10
30
A1
A2
Fig. 2.1 Un experimento factorial con dos factores A y B

En la figura 2.1 ambos factores A y B tienen dos niveles indicados por 1 o 2
o por + y -, denominados alto y bajo respectivamente. El efecto principal
del factor A es la diferecnia entre la media de la respuesta cuando est en nivel
alto y la media de la respuesta cuando est en nivel bajo. El efecto del factor B
y de la interaccin AB se calculan de la misma forma, o sea:
Pg. 22 de 67
30 40 10 20
20
2
2
20 40 10 30
B y B 2 y B1
10
2
2
10 40 30 20
AB y AB 2 y AB1
0
2
2
A y A 2 y A1
Respuesta
B2
B2
B1
A1
B1
A2
A1
a) Sin interaccin
A2
b) Con interaccin
Fig. 2.2 Tipos de experimentos factoriales

En algunos casos el efecto de la interaccin puede enmascarar el efecto
de los efectos principales si es muy grande, observndose poco efecto de los
efectos principales.
Una alternativa mal utilizada por los ingenieros es el experimentar
variando un factor a un tiempo, aunque esto puede alejar del ptimo, analizar el
siguiente ejemplo.
Pg. 23 de 67
Rendimiento (%)
80
70
60
F
140
155
170
Fig. 2.3 Rendimiento versus temperatura con tiempo de

reaccin de 1.7 hr.
Temperatura (F)
180
170
90%
160
80%
150
140
60% 70%
Tiempo (hr.)
0.5 1.0 1.5
2.0
Fig. 2.4 Optimizando al variar un factor a un tiempo

En la figura 2.4 si se fija el tiempo en 1.7 hrs. y se empieza a variar la
temperatura se encontrar un mximo en 155 F, sin embargo existen otras
zonas de mayor rendimiento mayores de 70% que nunca podrn ser
alcanzadas.
Para el caso de experimentos con dos factores la suma de cuadrados
ahora se va a formar de la suma de cuadrados del factor A, la suma de
cuadrados del factor B, la suma de cuadrados de la interaccin AB y la suma
de cuadrados del error, como sigue:
Pg. 24 de 67
SST SS A SS B SS AB SS E
(2.1)
La tabla de Anlisis de varianza (ANOVA) queda como sigue:

Tabla 2.1 Tabla de ANOVA
Fuente de
variacin
Suma de
Grados de Cuadrado
cuadrados libertad
medio
Fo
Factor A
Factor B
Interaccin
AB
Error
Total
SSA
SSB
SSAB
a-1
b-1
(a-1)(b-1)
MSA
MSB
MSAB
Fo = MSA / MSe
Fo = MSB / MSe
Fo = MSAB / MSe
SSe
SSt
ab(n-1)
abn 1
MSe
Ejemplo 2.1
La pintura
de Primer
a las
superficies de
aluminio de un avin se aplican por dos mtodos imersin

y aspersin, el propsito es mejorar la adhesin de la
pintura. Se tiene inters en probar si tres diferentes
tipos
de
Primer
aplicados
por
los
los
dos
diferentes
mtodos tienen efecto en la adhesin de la pintura. Se

pintaron tres muestras con cada tipo de Primer usando cada
uno de los mtodos de aplicacin, se aplic pintura de
acabado y se hizo una prueba para medir la adhesin. Los 18
experimentos se realizaron en un orden aleatorio, con los
resultados siguientes:
Mtodo de aplicacin
Tipo
Imersin
Aspersin .
4.0, 4.5, 4.3
5.4, 4.9, 5.6
5.6, 4.9, 5.4
5.8, 6.1, 6.3
3.8, 3.7, 4.0
5.5, 5.0, 5.0
La tabla de Anlisis de varianza (ANOVA) queda como sigue:

Fuente de Suma de
Grados de Cuadrado
variacin cuadrados libertad medio
Pg. 25 de 67
Fo
Factor A
4.58
2.29
Fo = 28.63
Factor B
4.91
4.91
Fo = 61.38
Interaccin
AB
0.24
0.12
Fo = 1.5
Error
0.99
12
0.08
Total
10.72
17
Como la Fcrtica (0.05, 2, 12) = 3.89 y Fcrtica (0.05, 1,

12) = 4.75, concluimos que el tipo de primer y el mtodo de
aplicacin afectan la fuerza de adherencia de la pintura,
adems de que no existe interaccin entre estos factores.
Los residuos corresponden a las diferencias entre cada
valor observado y su promedio correspondiente en cada
celda, si se grafican en papel normal casi forman una
recta, indicando normalidad.
2.2.1 EL DISEO FACTORIAL 2K
Un diseo muy comn es el que considera varios factores (K) en dos
niveles (alto y bajo), el diseo ms simple es el diseo 2 k .
El diseo 22
Este el diseo ms simple, usa dos factores A y B, cada uno en dos
niveles. Requiere la realizacin de 4 experimentos que pueden replicarse n
veces, tomando las sumas de los resultados de las rplicas se tiene:
Pg. 26 de 67
b
(1)
A = -, B = -
(a)
A = +, B = -
(b)
A = -, B = +
(ab)
A = +, B = +
ab
-+
++
B
(1) - -
+- a
A
Figura 2.5 Diseo 22

Los efectos de inters en el diseo son los efectos principales de A y B y
los efectos de la interaccin AB, se denominan contrastes calculados como
sigue:
A
a ab b (1)
1
(a ab b (1))
2n
2n
2n
b ab a (1)
1
(b ab a (1))
2n
2n
2n
AB
(2.2)
ab (1) a b
1
(ab (1) a b)
2n
2n
2n
Las cantidades entre parntesis
se denominan contrastes, aqu los
coeficientes siempre son +1 o 1. Tambin se pueden determinar usando una

tabla de signos como sigue:
Tabla 2.2 Signos para los efectos en el diseo 22
Efectos factoriales
Corrida
AB
(1)
ANOVA
Fo = SST / SSE
glSST = 4n - 1
ab
gl.SSE = 4(n-1)
Para obtener la suma de cuadrados de A, B, y AB se usa:
Pg. 27 de 67
SS
(contraste) 2
n (coeficientes.de.contrastes ) 2
(2.3)
Por tanto la suma de cuadrados para A, B y AB son:
SSA
1
( a ab b (1)) 2
4n
SSB
1
(b ab a (1)) 2
4n
SSAB
(2.4)
1
( ab (1) a b) 2
4n
Ejemplo 2.2 Se trata de reducir la variabilidad en las

orillas
del
corte
de
placas
de
circuito
impreso.
Se
hicieron varios experimentos considerando dos factores A y

B. Se probaron cuatro circuitos impresos en cada una de las
cuatro corridas de experimentos o rplicas, con los valores
siguientes.
Tabla 2.3 Datos del experimento
Efectos factoriales
Corrida
Vibracin
Total
18.2 18.9 12.9 14.4
64.4
27.2 24.0 22.4 22.5
96.1
15.9 14.5 15.1 14.2
59.7
41.0 43.9 36.3 39.9
161.7
Calculando los efectos estimados de cada factor se tiene:

A = (96.1+161.1-59-7-64.4) / 2(4) = 16.64
B = (59.7 + 161.1 59.7 64.4) /2(4) = 7.54
AB = (161.1 + 64.4 96.1 59.7) / 2(4) = 8.71
Pg. 28 de 67
Como efecto de los factores, si se cambia A de su nivel

bajo
su
nivel
alto,
aumenta
la
respuesta
en
16.64
unidades. Calculando la sumas de cuadrados, se obtiene la

siguiente tabla ANOVA:
Tabla 2.4 Anlisis de varianza del experimento
Fuente de
de variacin
A
Suma de
Grados
cuadrados libertad
1107.326
1
Cuadrado
medio
1107.226
Fo
185.25
227.256
227.256
38.03
AB
303.631
303.631
50.80
Error
71.723
12
Total
1709.836
15
5.977
.
Como se puede observar ambos factores son significativos y

tambin la interaccin es significativa.
Anlisis Residual
Para obtener los residuos se utiliza la ecuacin de regresin siguiente,
donde los factores A y B se representan por X 1 y X2 y la interaccin AB por
X1X2. Los niveles alto y bajo de cada factor se asignan a los valores +1 y 1
respectivamente, el modelo de ajuste es:
16.64
7.54
8.71
x1
x1
x1 x 2 (2.5)
2
2
2
y 0 1 x1 2 x 2 3 x1 x 2 23.83
El valor de la interseccin 0 se calcula como el promedio de las 16

observaciones y cada coeficiente de regresin es la mitad del efecto estimado
del factor correspondiente, dado que los coeficientes de regresin miden el
efecto de una unidad de cambio en Xi sobre la media de Y, y el estimado del
efecto se basa en dos unidades de cambio de (X 1 = -1 a X2 = 1).
Pg. 29 de 67
Dado que la interaccin es significativa, para obtener la menor respuesta

de vibracin, se analizan las respuestas en todas las combinaciones de A y B
como sigue:
Vibracin
B+
B-
A-
A+
Fig. 2.5 Grfica de interaccin de A y B

Como se puede observar los mejores resultados se obtienen poniendo en
niveles bajos a A y en nivel alto a B.
El modelo de la ecuacin 2.5 permite predecir valores del nivel de

vibracin en cualquier punto de la regin de experimentacin, incluyendo los
cuatro puntos del diseo, por ejemplo si (X1 = -1 y X2 = -1), el nivel de
vibracin de prediccin es 16.1
Los residuos pueden calcularse como la diferencia entre los valores
reales observados y los estimados por la ecuacin. En relacin con la
respuesta, los primeros cuatro residuos son:
e1 = 18.2 16.1 = 2.1
e3 = 12.9 16.1 = -3.2
e2 = 18.9 16.1 = 2.8
e4 = 14.4 16.1 = -1.7
Los residuos restantes para las otras tres corridas pueden calcularse en
forma similar. Posteriormente se grafican para su anlisis de normalidad, la
cual mostr ser satisfactoria.
Pg. 30 de 67
2.2.2 DISEO 2K PARA MAS DE DOS FACTORES

El diseo de 3 factores es un cubo con ocho combinaciones factoriales,
permite estimar tres efectos principales (A, B, y C), tres interacciones de dos
factores (AB, BC, y AC) y una interaccin de tres factores (ABC). Considerando
que las letras minsculas representan la suma de las n replicas de cada uno de
los ocho experimentos, se tiene:
1
(a ab ac abc b c bc (1))
4n
1
B
(b ab bc abc a c ac (1))
4n
1
C
(c ac bc abc a b ab (1))
4n
1
AB
( ab (1) abc c b a bc ac)
4n
1
AC
( ac (1) abc b a c ab bc)
4n
1
BC
(bc (1) abc a b c ab ac)
4n
1
ABC
(abc bc ac c ab b a (1))
4n
A
(2.6)
Las cantidades entre parntesis se denominan contrastes de las ocho

combinaciones de niveles y factores. Tambin pueden obtenerse de la tabla
siguiente:
Pg. 31 de 67

Combinacin del
Tratamiento
I
1
+
A
-
Efectos factoriales
B
AB
C
AC
BC
+
+
+
ABC
-
Propiedades de la tabla:
1. Excepto por la columna identidad I, cada columna tiene
un nmero igual de signos positivo y negativo.
2. La suma de productos de los signos con cualquier par de
columnas
es
cero,
sea
que
se
trata
de
una
tabla
ortogonal.
3. Al multiplicar cualquier columna por la columna I se
obtiene
la
misma
columna,
entonces
es
el
elemento
identidad.
4. El producto de cualquier par de columnas resulta en otra
columna en la tabla, AxB = AB, ABxABC = A2B2C = C dado que
una
columna
multiplicada
por
si
misma
da
la
columna
identidad.
El estimado de cualquier efecto principal o interaccin se determina como
sigue:
Efecto
Contraste
n 2 k 1
(2.7)
Pg. 32 de 67
La suma de cuadrados de cualquier efecto es:

(contraste) 2
SS
n2 k
(2.8)
Ejemplo 2.3 Se realiz un experimento para investigar el

acabado superficial de una parte de metal. El experimento
es un diseo factorial 23 con los factores Velocidad de
ataque (A), profundidad de corte (B) y ngulo de corte (C),
con n = 2 rplicas. En la tabla siguiente se observan los
resultados del acabado superficial.
Tabla 2.6 Datos del experimento
Factores de Diseo Acabado
Experimento A
Superficial
Total
(1)
-1
-1
-1
9,7
16
+1
-1
-1
10,12
22
-1
+1
-1
9,11
20
ab
+1
+1
-1
12,15
27
-1
-1
+1
11,10
21
ac
+1
-1
+1
10,13
23
bc
-1
+1
+1
10,8
18
abc
+1
+1
+1
16,14
30
Los efectos principales se calculan como sigue, por ejemplo

para el factor A:
A
=(22 + 27 +23 + 30 20 21 18 16) / 4(2) = 3.375
De la misma forma
B
= 1.625
= 1.375
AB = 1.375
AC = 0.125
BC = -0.625
Pg. 33 de 67
ABC = 1.125
Por observacin directa el factor dominante es el A seguido
por el B y la interaccin AB.
Calculando la suma de cuadrados como sigue:
SSA = (contraste A)2 / 2 (8) = (27)2 / 16 = 45.5625
gl.SSA = 1
De la misma forma para los dems factores, se tiene:
SSB = 10.5625
todos con gl. = 1
SSC = 3.065
SSAB = 7.5625
SSAC = 0.0625
SSBC = 1.5625
SSABC = 5.5625
SSErr = 19.500 con (16 7 ) = 8 gl.
SST = 92.9375
MSE = 2.4375
con 15 gl.
Formando la tabla ANOVA y calculando los valores de Fc para

cada factor se tiene (Fcrtica (0.1, 1, 8) = 3.45):
Fuente
Fc
18.69
4.33
1.26
AB
3.1
AC
0.03
BC
0.64
ABC
2.08
Por tanto slo son significativos los factores A y B por

ser Fc > Fcrtica.
Pg. 34 de 67
Para probar normalidad se puede utilizar la ecuacin de

regresin anterior para las dos variables A y B, con sus
niveles codificados en (-1, +1), tomando la media general y
los estimados de los efectos de los factores A y B y de su
interaccin, se tiene:
3.375
1.625
1.375
x1
x2
x1 x 2
2
2
2
y 0 1 x1 2 x 2 3 x1 x 2 11.0625
Con esta ecuacin se pueden evaluar los residuos, que

se calculan para cada combinacin de las dos variables A y
B ya que la C no fue relevante. Por ejemplo para el caso de
A = -1 y B = -1 se tiene:
Yest = 9.25
Los valores observados para A = -1, B = -1 y
C = -1, corresponden a las respuestas 7 y 9. Obteniendo los
residuos contra el valor estimado de 9.25 se tiene:
r1 = 9 9.25 = - 0.25
r2 = 7 9.25 = - 2.25
Graficando estos residuos en papel normal no se observan
anormalidades mayores.
Como el menor valor se obtiene al tener A y B en nivel
bajo, esta es la solucin que se recomienda.
SUPERFICIES DE RESPUESTA
Del modelo anterior de regresin, si no se toma en cuenta el trmino de
interaccin, lo cual no afecta ya que el diseo 2k es ortogonal, se tiene:
Pg. 35 de 67
y 0 1 x1 2 x 2 11.0625 1.6875 x1 0.8125 x 2
La ecuacin anterior representa una superficie de respuesta de Y que se

obtiene al variar X1 y X2.
Pg. 36 de 67
Superficie de
Respuesta
1
de primer orden
-1 x2 - Profundidad
-1
x1
Velocidad de alimentacin
Fig. 2.6 Superficie de respuesta (primer orden)
Respuesta Y
10
11
12
13
+1
9.5
X1
8.5
Prof.
-1
-1
+1
X2 Velocidad de alimentacin
Fig. 2.7 Contornos de igual respuesta (primer orden)
Para el caso de que la interaccin se incluya en el modelo, torcer al
plano de la superficie de respuesta, es decir le agregar una curvatura, y en el
caso de los contornos de respuesta constante, en lugar de tener rectas, tendr
curvas, tal como se muestra en las figuras siguientes. En caso de haber
componentes de segundo o tercer orden, la superficie de respuesta mostrar
una curvatura.
Pg. 37 de 67
Superficie de
Respuesta
con interaccin
X2
X1
Fig. 2.8 Superficie de respuesta (con interaccin)
X1
X2
Fig. 2.9 Contornos de respuesta (con interaccin)
La inspeccin de una superficie de respuesta simplifica la interpretacin
de los resultados de un experimento. Por ejemplo, de la figura 2.6, si queremos
minimizar la respuesta, debemos poner a X1 y X2 en sus niveles bajos o cerca
de ellos. La grfica de contornos permite reducir los costos al poder seleccionar
diferentes combinaciones de valores de X1 y X2 para obtener la misma
respuesta.
Lo anterior reafirma que el objetivo de un experimento es el de
contar con un modelo cuantitativo del proceso.
Pg. 38 de 67
2.2.3 UNA SLA RPLICA DEL DISEO 2K

Conforme el nmero de factores en un diseo factorial se incrementa,
tambin se incrementa el nmero de efectos que pueden ser estimados. Por
ejemplo un diseo experimental 24 tiene 4 efectos proncipales, 6 interacciones
de dos factores, 4 interacciones de tres factores y 1 interaccin de cuatro
factores. En muchas situaciones se aplica el principio de escasez de efectos
donde el sistema es dominado por los efectos principales y las interacciones de
bajo orden, por tanto las interacciones de tercer o mayor, son normalmente
insignificantes.
Por
lo
anterior,
cuando
el
nmero
de
factores
es
moderadamente grande, k >= 4, es prctica comn correr slo una rplica del
diseo y juntar o combinar las interacciones de alto orden como una estimacin
del error.
Ejemplo 2.4 En la fabricacin de circuitos integrados, un
parmetro
importante
material
base,
se
es
la
busca
velocidad
maximizar
de
grabado
en
la
velocidad.
el
Se
identificaron 4 factores para correr el experimento:

Factores de diseo
Gap
Presin
Flujo
Potencia
Nivel
Bajo (-)
0.80
450
125
275
Alto (+)
1.20
550
200
325
La tabla siguiente tiene los 16 experimentos del diseo.

tomando los signos positivo y negativo, se pueden estimar
los
efectos
de
los
factores.
estimacin de los factores es 8.
Pg. 39 de 67
El
divisor
para
cada
Tabla 2.7 Diseo de experimentos 24

Experimento A
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
B
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
C
-1
-1
-1
-1
+1
+1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
D
-1
-1
-1
-1
-1
-1
-1
-1
+1
+1
+1
+1
+1
+1
+1
+1
Vel. grabado
550
669
604
650
633
642
601
635
1037
749
1052
868
1075
860
1063
729
Por ejemplo, la estimacin del efecto del factor A es:

A = (a + ab + ac + abc + ad + abd + acd + abcd (1) b
- c d bd cd bcd ) / 8
A = (669+650+642+635+749+868+860+729-550-604-633-601-10371052-1075-1063) = - 101.625
Lo anterior indica que cambiando el gap de 0.80 a 1.20 cm,
se reduce la velocidad en 101.625 unidades.
La tabla completa de la estimacin de los efectos de los
factores es:
A
B
AB
C
AC
BC
ABC
D
=
=
=
=
=
=
=
=
-101.625
-1.625
-7.875
7.375
-24.875
-43.875
-15.625
306.125
AD
BD
ABD
CD
ACD
BCD
ABCD
=
=
=
=
=
=
=
-153.625
-0.625
4.125
-2.125
5.625
-25.375
-40.125
Se puede hacer una grfica de probabilidad normal con los

estimados de
los efectos,
significativo, entonces
si ninguno
se comportarn
Pg. 40 de 67
de os
efectos es
como una
muestra
normal aleatoria con distribucin normal con media cero y

los efectos se agruparn a lo largo de la lnea recta. Los
efectos que salen de la lnea recta si son significativos.
Si alguna interaccin se muestra como significativa, no
debe incluirse en el grupo de trminos de error.
En este caso el factor A, D y su interaccin AD fueron
significativos. El anlisis de varianza (ANOVA) confirma
esta hiptesis.
Probabilidad
Normal
*D
*
*
*
*
*
*A
*AD
Efectos
En la velocidad de grabado
Fig. 2.10 Grfica en papel normal de los efectos
601
635
642
633
C
604
550
+
1063
1075
B
669
1052
1037
729
860
B
749
Fig. 2.11 Diseo del experimento, la respuesta en cada caso

se muestra en los vrtices de cada cubo
A continuacin se muestra la tabla de anlisis de varianza
para este ejemplo.
Tabla 2.8 ANOVA del Diseo de experimentos

Pg. 41 de 67
Fuente de
Variacin
A
Suma
de cuadrados
41,310.563
gl.
1
Cuadrado
medio
41,310.563
Fc
20.28
10.563
10.563
<1
217.563
217.563
<1
374,850.063
374,850.063
183.99
AB
248.063
248.063
AC
2,475.063
2,475.063
AD
94,402.563
94,402.563
BC
7,700.063
7,700.063
BD
1.563
1.5632
<1
CD
18.063
18.063
<1
Error
10,186.815
2,037.363
Total
531,420.938
<1
1.21
48.79
3.78
Para la formacin del trmino de error se agruparon las

sumas de cuadrados de las interacciones de tres y cuatro
factores.
Investigando
las
respuestas
con
las
diferentes
combinaciones de A y D se tiene:
Punto ptimo (A-, D+)
Velocidad
de grabado
D+
D-
AA+
Fig. 2.12 Anlisis de los efectos de la interaccin A - D
Considerando slo las variables A, D y su interaccin AD,
el modelo del proceso usando la ecuacin de regresin es el
siguiente:
y 0 1 x1 4 x 4 3 x1 x 4
Pg. 42 de 67
101.625
306.125
153.625
x1
x4
x1 x 4
2
2
2
y 776.0625
Por ejemplo para A = -1 y D = -1, el valor de prediccin Y

es:
yest = 597
Y los cuatro residuos del experimento en estas condiciones
son:
e1 = 550 597 = -47
e2 = 604 597 = 7
e3 = 638 597 = 36
e4 = 601 597 = 4
De al misma forma se pueden calcular los residuos de las
otras tres combinaciones de A y D. Al graficar los resiudos
en una grafica de probabilidad normal, es satisfactoria.
2.2.4 ADICIN DE PUNTOS CENTRALES AL DISEO 2K
Una preocupacin al usar estos modelos, es que se asume que los
efectos de los factores son casi lineales, sin embargo si la curvatura es mucha,
debe complementarse el modelo con trminos de segundo orden.
Para el caso de k = 2, un modelo que incluye efectos de segundo orden
es el siguiente:
y 0 1 x1 2 x 2 12 x1 x 2 11 x12 22 x 22
(2.9)
La ecuacin anterior se denomina modelo de superficie de respuesta

de segundo orden, y los coeficientes 11 , 22 miden los efectos cuadrticos
puros. Para ajustar el modelo se requieren tres niveles en todos los factores,
siendo importante determinar si los trminos cuadrticos puros son requeridos.
Pg. 43 de 67
Existe un mtodo de agregar un punto central al diseo factorial 2K para

determinar si son necesarios los trminos cuadrticos. Adems si este punto es
replicado, se puede obtener una estimacin independiente del error
experimental. Los puntos centrales consisten de nc rplicas de experimentos
realizados en x i 0, (i 1,2,...., k ) . Al agregar puntos centrales, no se tiene
impacto en la estimacin de los efectos de los factores. Se asume que los k
factores son cuantitativos, de otra forma el punto central no existira.
Para el caso de un diseo de 2 factores en 2 niveles y n c observaciones
en los puntos centrales (0,0), si y F es el promedio de los cuatro experimentos
en los cuatro puntos factoriales y y C el promedio de los nc experimentos con
los puntos centrales. Si su diferencia es pequea, entonces los puntos se
encuentran cerca del plano que pasa por los puntos factoriales y no hay
curvatura. Si la diferencias es grande, entonces se tiene una curvatura. La
suma de cuadrados de la curvatura cuadrtica pura con un grado de libertad es
la siguiente:
SS cuadrtic . puro
n F nc ( y F y C ) 2
n F nC
(2.10)
Donde en general nF es el numero de puntos factoriales del diseo. Esta

cantidad puede ser comparada a la media cuadrtica del error para probar la
curvatura.
Ejemplo
2.5
En
el
experimento
de
la
fabricacin
de
circuitos integrados anterior, si se agregan nc = 4 puntos

centrales se obtuvieron los resultados siguientes:
Tabla 2.9 Diseo de experimentos 24 con puntos centrales
Experimento A
1
2
3
4
5
(1)
a
b
ab
c
-1
+1
-1
+1
-1
B
-1
-1
+1
+1
-1
C
-1
-1
-1
-1
+1
Pg. 44 de 67
D
-1
-1
-1
-1
-1
Vel. grabado
550
669
604
650
633
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
0
0
0
0
+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
0
0
0
0
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
0
0
0
0
+1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
0
0
0
0
-1
-1
-1
+1
+1
+1
+1
+1
+1
+1
+1
0
0
0
0
642
601
635
1037
749
1052
868
1075
860
1063
729
706
764
780
761
La media de los puntos centrales Yc = 752.75 y la media de

los 16 puntos factoriales es Yf = 776.0625. La suma de
cusdrados de curvatura se calcula como sigue:
SSpc = (16x4x(776.0625 757.75)^2 / (16 + 4) = 1739.1
Adems se puede calcular el error experimental estimado por
medio de la varianza de las muestras de los cuatro puntos
centrales como sigue:
20
( y i 752.75)
i 17
3127.7
Los grados de libertad del error estimado son nc 1 = 3

grados
de
libertad.
La
tabla
de
anlisis
de
varianza
obtenida por computadora es la siguiente:

Tabla 2.10 ANOVA del Diseo de experimentos
Fuente de
Variacin
Modelo
Suma
de cuadrados
521,234.1
gl.
10
Cuadrado
medio
521,234.1
Fc
31.330
1.045
Curvatura
1,739.1
1,739.1
Residual
13,309.6
1,663.7
Pg. 45 de 67
Falta de
10,186.8
2,037.4
3,122.7
1,040.9
1.957
ajuste
Error Puro
Total
La
536,282.8
suma
de
realmente
19
cuadrados
la
suma
de
de
la
Falta
cuadrados
de
de
ajuste
los
de
es
las
interacciones de tres y cuatro factores, la prueba F de

falta de ajuste se calcual como sigue:
Fc = MSlf / MS pe = 2037.4 / 1040.9 = 1.957
Lo
cual
requieren
no
es
los
significativo,
trminos
de
indicando
interaccin
de
que
no
se
alto
orden.
Probando la suma de cuadrados de curvatura versus el

error residual se tiene:
Fc = MScurv. / MS residual = 1739.1 / 1663.7 = 1.045
Indica
que
no
hay
evidencia
de
curvatura
cuadrtica
pura.
La prueba de significancia del modelo se prueba con:
Fc = MS modelo / MS residual = 31.33
Indicando
que
el
modelo
es
siginificativo,
con
los
principales efectos de A, D y AD.

2.2.5 BLOQUEO Y CONFUSIN EN EL DISEO 2K
Es a veces imposible correr una rplica completa de un diseo de
experimentos
factorial
en
condiciones
constantes
homogneas
de
experimentacin. Por ejemplo, podra no ser posible realizar todas las pruebas
Pg. 46 de 67
en un turno, o usar materiales de un solo lote. Cuando ocurre este problema, el

bloqueo es una tcnica excelente para eliminar las variaciones indeseables
que pudieran ser causadas por las condiciones no homogneas. Si el diseo es
replicado y el bloque es de tamao suficiente, se puede realizar cada rplica
en un bloque (ya que las condiciones se mantienen homogneas dentro del
bloque).
Por ejemplo, si cada experimento toma una hora en un diseo 2 2,
entonces realizando una rplica de 8 experimentos en un da y otra rplica en
otro da, se eliminar cualquier efecto del tiempo, o diferencia en los mtodos
de trabajo entre esos das. Los dos das son los dos bloques del diseo. La
diferencia entre los promedios de las respuestas de los dos das es el efecto
del bloque.
En algunas ocasiones no se puede realizar la rplica completa de un
diseo factorial bajo condiciones homogneas de experimentacin, entonces
se puede utilizar la tcnica de La confusin
para correr experimentos en
bloques, donde el tamao del bloque (p) es ms pequea que el nmero

completo de experimentos de la rplica (k). Esta tcnica causa que ciertas
interacciones sean indistiguiobles o estn confundidas con los bloques. A
continuacin se muestra un ejemplo.
Suponiendo que cada uno de los experimentos de un diseo 2 2 = 4,
requiere 4 horas de anlisis de laboratorio, al final se requerirn dos das para
completar el experimento. Si se consideran a los das como bloques, se
pueden asignar dos de los cuatro experimentos cada da.
b
ab
Bloque 1
(1)
Bloque 2
(1)
ab
a) Vista geomtrica
b) Asignacin de experimentos
Pg. 47 de 67
Fig. 2.13 Un diseo 22 en bloques

Si al bloque 1 se le asignan los experimentos (1) y ab y al bloque 2 se le
asignan los experimentos a y b. Los contrastes para estimar los efectos de A y
B son:
Contraste A = ab + a b (1)
Contraste B = ab + b a (1)
Contraste AB = ab + (1) a - b
Notar que estos contrastes no se afectan por el bloqueo, puesto que en
cada contraste se tienen un experimento con signo positivo y otra con signo
negativo, esto es que cualquier diferencia entre el bloque 1 y el 2 se cancelar.
En el caso de la interaccin, como los 2 experimentos en que AB tiene signo
positivo se asignan a un bloque, y 2 que tienen el signo negativo en AB se
asignan al otro bloque, su efecto es idntico al de los bloques por lo que estar
confundida con estos.
Para el caso de un diseo 23 se puede asignar todos los experimentos
que tengan signo negativo en ABC a un bloque y los que tengan signo positivo
en ABC asignarlos a otro bloque. Este procedimiento en general se puede
generalizar a los diseos 2K.
Bloque 1
Bloque 2
(1)
ab
ac
bc
abc
Fig. 2.14 Un diseo 23 en bloques
Pg. 48 de 67
2.3 REPLICACIN FACTORIAL DEL DISEO 2K

Conforme el nmero de factores se incrementa, el nmero de
experimentos requeridos tambin se incrementa rpidamente. Por ejemplo un
diseo 25 requiere 32 experimentos. En este diseo slo 5 grados de libertad
corresponden a los efectos principales y 10 grados de libertad corresponden a
las interacciones de dos factores. Si se puede asumir que ciertas interacciones
de alto orden son insignificantes, entonces es posible utilizar un diseo factorial
de menor orden que el de 2K para obtener informacin de los efectos
principales y las interacciones de bajo orden.
2.3.1 LA MITAD FRACCIONARIA DEL DISEO 2K
La mitad fraccionaria contiene 2 K-1 experimentos. Por ejemplo para el
diseo 23-1, contiene la mitad de experimentos del arreglo 2 3.
Combinacin del
Tratamiento
I
1
+
A
-
Efectos factoriales
B
AB
C
AC
BC
+
+
+
ABC
-
El diseo 23-1 puede formarse al seleccionar aquellos experimentos que

tengan un signo positivo en el efectro ABC. De esta forma ABC se denomina el
generador de esta fraccin particular, como el elemento I tiene tambin los
signos positivos, se puede definir I = ABC como la relacin de definicin del
diseo.
Pg. 49 de 67
Los experimentos para el diseo tiene tres grados de libertad asociados

con los efectos principales. La estimacin de los efectos es:
A = [a b c + abc]
B = [- a + b c + abc]
C = [- a - b + c + abc]
Los estimados de los efectos de las interacciones son:
BC = [a b c + abc]
AC = [- a + b c + abc]
AB = [- a - b + c + abc
De esta forma la combinacin lineal de observaciones en la columna A, por
decir lA, estima A + BC. En forma similar lB, estima B + AC y lC estima C + AB.
Dos o ms efectos que tienen esta propiedad se llaman alias. De esta forma
son alias A y BC, B y AC, y C y AB. Este fenmeno es resultado directo de la
replicacin fraccional. En muchos casos es posible seleccionar la fraccin de
tal forma que los efectos principales sean alias de interacciones de orden alto
(cuyo efecto probablemente es insignificante).
La estructura de Alias para este diseo se encuentra al definir la relacin
I = ABC, multiplicando cualquier efecto por la relacin de definicin se obtienen
los alias para el efecto. Por ejemplo A = A* ABC = A*A*BC = BC por ser A*A = I.
Si se selecciona en el diseo 23 la fraccin donde ABC tenga los signos
negativos, la relacin de definicin en este caso es I = - ABC. Los alias son A =
-BC, B = -AC, C = -AB. De esta forma los efectos A, B, y C realmente estiman A
BC, B AC, y C AB. En la prctica no importa que fraccin se seleccione.
La fraccin con los signos positivos en la relacin de definicin se denomina
fraccin principal, y las otras fracciones se denominan fracciones alternas.
En algunas ocasiones se usan secuencias de diseos fraccionales para
estimar los efectos, por ejemplo primero se usa la fraccin principal para
Pg. 50 de 67
estimar los efectos principales si la interaccin es insignificante. Sin embargo si

se tiene duda de que las interacciones sean significativas, es posible estimarla
por medio de los experimentos de la fraccin alterna.
Ejemplo 2.6 Del ejemplo anterior, suponiendo que se decida
usar un diseo 24-1 con I = ABCD para investigar los 4
factores A, B, C y D. Este diseo puede ser construido por
medio de un diseo 23 en los factores A, B, C y haciendo D
= ABC.
EL diseo se muestra a continuacin:
Tabla 2.12 Diseo 24-1 con la relacin de definicn I = ABCD
I
+
Efectos factoriales
A
B
C
D = ABC
-
Vel. Grabado
550
749
1052
650
1075
642
601
729
Experimento
1
En este diseo los efectos principales son alias de la

interaccin de tres factores, como sigue:
A*I = A* ABCD
A = ABC
B*I = B* ABCD
B = ABC
C*I = C* ABCD
C = ABC
D*I = D* ABCD
D = ABC
Las interacciones de dos factores son alias entre ellas.

Por ejemplo el alias de AB es CD.
AB*I = AB*ABCD
-> AB = CD
AC = BD
Pg. 51 de 67
AD = BC
Los estimados de los efectos principales y sus alias, se
calculan usando las 4 columnas de signos en la tabla. Por
ejemplo para la columna A se tiene:
lA = A + BCD = (-550+7491052+6501075+642601+729) = -127
lB = B + ACD = 4
lC = C + ABD = 11.5
lD = D + ABC = 290.51
Claramente se observa que los efectos de A y D son grandes
y afectan significativamente los resultados de la velocidad
de
granado,
esto
es
vlido
si
consideramos
que
la
interaccin ANC es insignificante.

Las interacciones son estimadas al formar las columnas AB,
AC, y CD agregndolas a la tabla. Los signos de la columna
AB son +, -, -, +, +, -, -, +, y esta columna produce el
estimado
lAB = AB + CD = (550-749-1052+650+1075-942-601+729) = - 10
lAC = AC + BD = - 25.50
lAD = AD + BD = - 197.50
La ltima interaccin tiene un efecto grande, tal y como se
haba observado en otros ejemplos anteriores.
Si se sospecha que dos o tres factores son los importantes, algunas
veces las fracciones experimentales se usan para identificar los factores
significativos de entre un nmero grande de factores, denominndose
experimentos de seleccin.
RESOLUCIN DEL DISEO
Pg. 52 de 67
Los experimentos fraccionales se clasifican de acuerdo a los alias que generan,

entre las categoras ms importantes se encuentran:
1. Diseos de resolucin III. En estos diseos no hay alias entre efectos
principales, sin embargo si hay alias entre los efectos principales y con los de
las interacciones de dos factores, asimismo puede haber alias entre estas. El
diseo 23-1 con I = ABC es de resolucin III. A veces se indica con 2 3III1 .
2. Diseos de Resolucin IV. En estos diseo, ningun efecto principal tiene
alias con otro bi con las interacciones de dos factores, las cuales si pueden
tener alias entre elaas. Como ejemplo se tiene el diseo 2 4-1 con I = ABCD,
4 1
indicado como 2 IV .
Estos dos son los ms comunes como experimentos de seleccin de factores

relevantes, el de resolucin IV es particularmente til porque proporciona
buena informacin sobre los efectos principales y sobre los efectos de las
interacciones de dos factores.
Pg. 53 de 67
3. OPTIMIZACIN DE PROCESOS CON DISEO DE EXPERIMENTOS

En la seccin anterior se trataron los diseos de experimentos
factoriales y fraccionales, muy tiles para hacer una seleccin de factores
es decir que sirven para identificar cuales son los factores ms relevantes
que afectan el desempeo del proceso. A veces a este proceso se le
denomina caracterizacin del proceso. Una vez que se ha identificado al
subconjunto de variables relevantes del proceso, el paso siguiente es la
optimizacin del proceso, o la bsqueda de las condiciones de operacin
para las variables del proceso que resulten en el mejor desempeo del
proceso.
Las tcnicas de optimizacin del proceso datan de los aos 1950s
cuando se aplicaron a la industria qumica y de proceso continuo. Hoy en
da su aplicacin se encuentra muy extendida a muchas industrias y son
incluidas en la mayora de los paquetes estadsticos de software para su
fcil aplicacin.
3.1 MTODOS Y DISEOS DE SUPERFICIES DE RESPUESTA (RSM)

Los RSM son un grupo de mtodos tiles para modelar y analizar
aplicaciones donde la respuesta de inters es influenciada por diversas
variables y el objetivo es optimizar esta respuesta. Supngase que se desea
obtener el mximo rendimiento en un proceso (y) que tiene como variables
relevantes la temperatura de reaccin (x1) y el tiempo de reaccin (x2). La
funcin de rendimiento est en funcin de temperatura y tiempo, o sea:
y f ( x1 , x 2 )
Donde el trmino representa el ruido o error observado en la respuesta Y. Si

el valor esperado de la respuesta se denota por E(y) = f(x1, x2), la superficie
representada por esta ecuacin se denomina superficie de respuesta. Se
peude representar grficamente esta funcin en coordenadas tridimensionales.
Pg. 54 de 67
Regin ptima
Rendimiento
esperado (%)
Tiempo de reaccin (min.)
Temperatura (C)
Fig. 3.1 Superficie de respuesta tridimensional,
muestra
el
rendimiento
esperado
en
funcin
de
la
temperatura y tiempo
Para ayudar a visualizar la forma de la superficie de respuesta es conveniente

graficar los contornos de igual rendimiento de la superficie de respuesta como
se muestra en la siguiente figura.
Rendimiento (%)
30
25
70 75 80
85
90
Tiempo de
Reaccin
20
(min.)
Condiciones de operacin actuales

15
60 65
100
110
120
130
140
Temperatura (C)
Fig. 3.2 Grfica de contornos del rendimiento de la
superficie de respuesta
En muchos problemas de RSM, la forma de la relacin entre la superficie
de respuesta y las variables independientes se desconoce. As, el primer paso
Pg. 55 de 67
es hallar una aproximacin adecuada de la superficie, para lo cual se emplea

un polinomio de bajo orden en alguna regin de las variables independientes.
Si la respuesta es modelada adecuadamente por una funcin lineal de las
variables independientes, entonces la funcin de aproximacin es el modelo
de primer orden, por ejemplo:
y 0 1 x1 2 x 2 ... k x k
(3.1)
Si hay curvatura en el sistema, entonces se requiere un polinomio de mayor
orden por ejemplo, el modelo de segundo orden,
k
k 1
i 1
i 1
i 1
Y 0 i X i ii X i2
j 2
ij
XiX j
(3.2)
Muchos problemas de RSM utilizan uno o ambos de estos polinomios de

aproximacin muy validos para la regin de inters, no necesariamente para
toda la superficie. Los coeficientes beta en las ecuaciones son estimados por
mnimos cuadrados. Despus se hace el anlisis de la superficie en trminos
del modelo de la superficie, si este modelo es adecuado , entonces el anlisis
ser ms real.
El RSM es un proceso secuencial, frecuentemente cuando se esta
lejos del punto ptimo ( tal como en las condiciones de operacin actuales),
hay poca curvatura y el modelo de primer orden ser apropiado, el primer paso
es acercarse en forma rpida al punto ptimo, una vez cerca se puede emplear
un modelo de segundo orden para localizar el punto ptimo. En la figura de la
superficie de respuesta se trata de llegar a su mximo.
3.1 .1 EL MTODO DE ASCENSO RPIDO

Frecuentemente el estimado inicial de las condiciones ptimas de
operacin, se encuentran lejos del verdadero ptimo. En tal circunstancia el
Pg. 56 de 67
objetivo es moverse rpidamente a la vecindad del ptimo verdadero, en forma

econmica. En estas condiciones se utiliza un modelo de primer orden.
El mtodo de ascenso rpido es un procedimiento para moverse
secuencialmente por la trayectoria de ascenso rpido, o sea, en la direccin del
mximo incremento de la respuesta. Por supuesto, si lo que se busca es la
minimizacin, entonces se utiliza el mtodo de descenso rpido. El modelo
ajustadop de primer orden es:
^ ^ k^
y 0 i xi
(3.3)
i1
Para este modelo de superficie de respuesta de primer orden, los contornos de

^
y
son una serie de lneas rectas paralelas como se muestra en la siguiente
figura:
y =50
^
y =40
Trayectoria de
ascenso rpido
Regin de la
superficie de respuesta
y =30
^
y =20
ajustada de 1 orden
Fig. 3.3 Superficie de respuesta

trayectoria de ascenso rpido
Pg. 57 de 67
de
primer
orden
La direccin de ascenso rpido es la direccin en la cual
se
incrementa ms rpido, esta direccin es normal a los contornos de la

superficie de respuesta ajustada. Normalmente se toma como trayectoria de
ascenso rpido, la lnea que pasa al centro de la regin de inters y normal a
los contornos de la superficie ajustada. De esta forma, los pasos a lo largo de
la trayectoria son proporcionales a los coeficientes de regresin {
}. El
experimentador determina la cantidad real de movimiento a lo largo de esta

trayectoria en base a su conocimiento del proceso u otras consideraciones
prcticas.
Los experimentos se realizan a lo largo de la trayectoria de ascenso
rpido hasta que ya no se observa incremento en la respuesta o hasta que la
regin de la respuesta deseada se alcanza. Entonces se usa un nuevo modelo
de primer orden, se determina la direccin de una nueva trayectoria de ascenso
rpido y de ser necesario, se realizan experimentos adicionales en esa
direccin hasta que el experimentador sienta que est cerca del ptimo.
Ejemplo 3.1 En el problema de la velocidad de grabado,
donde se investigaron 4 factores. Se encontr que el gap
(x1) y la potencia (x4) afectaban en forma significativa la
velocidad de granado. El modelo que se utiliz utilizando
los efectos principales fue el siguiente:
y 776.0625 50.8125 x1 153.0625 x 4
A continuacin se muestra la grfica de contornos de este

modelo, en la regin original de experimentacin: gap entre
0.8 y 1.2 cm y potencia entre 275 y 325 W. Dentro de esta
regin con el modelo en (x1 =1 y X4 =1) la mxima velocidad
que puede obtenerse es aproximadamente 980 Angstroms / m,
los ingenieros creen que podra operarse en la zona de 1100
1150 A / m. Por tanto es necesario optimizar el proceso.
Pg. 58 de 67
375
* C (1163)
350
B (1074)*
Trayectoria de ascenso
rpido
+1
A (955)
920
325
Regin original
de experimentacin
850
X4 0
Potencia
300
780
710
640
-1
275
0.80
1.0
-1
1.2
0
X1 Gap
1.4
+1
Fig. 3.4 Experimento de ascenso rpido del eejmplo

De la figura se observa que si hay movimiento desde el
origen (0,0) donde la respuesta es de 776.0625, a travs de
la trayectoria de ascenso rpido (TAR), podramos movernos
50.8125
unidades
en
la
direccin
X1
por
cada
153.0625
unidades en la direccin X4.

De esta forma la TAR que pasa por el punto (0,0) tiene
pendiente 153.0625 / 50.8125 = 3. Se decide utilizar 25 W
de potencia como el paso bsico de movimiento. Por tanto,
25 W de potencia es equivalente a un paso en la variable
codificada X4 de X4 = 1.
Por
tanto,
los
pasos
lo
largo
de
la
trayectoria
de
ascenso rpido son X4 =1 y X1=X4/3=0.33. Un cambio de

X1 = 0.33 en la variable codificada X1 es equivalente a un
cambio de 0.067 cm en la variable original de gap.
Pg. 59 de 67
Por lo anterior el ingeniero se mover en la trayectoria de

ascenso rpido incrementando la potencia en 25
W y el gap
en 0.067 cm. Se har una observacin real al operar el

proceso en cada uno de los puntos.
En la figura se muestran tres puntos a lo largo de la
trayectoria y los resultados de los experimentos obtenidos.
En los puntos A, B y C, las respuestas o velocidades de
grabado se incrementan en forma estable. En el punto C se
obtuvo una respuesta de 1163 A /m cercana al objetivo. Por
tanto la TAR terminar en 375 W de potencia y gap de 1.2
cm. Esta regin esta muy cercana a la operacin deseada del
proceso.
3.1.2 ANLISIS DE UNA SUPERFICIE DE RESPUESTA DE SEGUNDO

ORDEN
Cuando el experimentador est relativamente cerca del ptimo, se utiliza
normalmente un modelo de segundo orden para aproximar la respuesta dada la
curvatura de su superficie. El modelo de ajuste de segundo orden es:
^ ^ k ^ k ^ k1 k ^
2
0 i i i i ij i j
i1 i1 i1 j2
y X X X
Donde
denota el estimador de mnimos cuadrados de . A
continuacin se mostrar con un ejemplo como se aplica el modelo.

Pg. 60 de 67
Continuacin del problema.

Ya se haba encontrado como punto cercano al ptimo, un gap
de 1.2 cm y una potencia de 375 W, las que aparentemente
daban velocidades cercanas al objetivo de 1100 a 1150. El
experimentado desea explorar la regin ms de cerca usando
un modelo de segundo orden.
El modelo propuesto consiste de un diseo factorial 2 2 con
cuatro puntos centrales y cuatro experimentos a lo largo de
los ejes coordenados denominados experimentos axiales. El
diseo resultante se denomina diseo central compuesto, y
es
ampliamente
utilizado
para
el
ajuste
de
modelos
de
segundo orden.
+2
X4
(0, 1.414)
(-1,1)
(-, 0)
(-1.414,0)
(1,1)
(,0) Exp. Axiales
(1.414,0)
X1
-2
(0,0)
(-1,-1)
+2
(1,-1)
(0,-1.414)
-2
Fig. 3.5 Diseo Central
codificadas del ejemplo
Compuesto
en
las
variables
Se midieron dos variables de respuesta: la velocidad de

grabado
la
uniformidad
del
grabado
(variabilidad
del
grabado). a continuacin se muestra la tabla de los datos.
Pg. 61 de 67
Tabla
Compuesto
3.1
Gap
Uniform
Observ.
Datos
.
Potencia
del
Diseo
Var. codificadas
Central
Vel
grab.
(cm)
(W)
X1
X2
Y1
1.000
350
-1.000
-1.000
1054
1.400
117.8
350
1.000
-1.000
936
1.000
114.4
400
-1.000
1.000
1179
1.400
118.3
400
1.000
1.000
1417
0.917
102.6
375
-1.414
0.000
1049
1.483
113.9
375
1.414
0.000
1287
1.200
339.6
0.000
-1.414
927
1.200
125.4
410.4
0.000
1.414
1345
1.200
102.5
375
0.000
0.000
1151
10
1.200
104.5
375
0.000
0.000
1150
11
1.200
113.5
375
0.000
0.000
1177
12
1.200
108.4
375
0.000
0.000
1196
1
96.9
El
experimentador
puede
ser
encontr
modelada
con
el
que
la
modelo
interaccin:
Pg. 62 de 67
velocidad
de
primer
de
Y2
95.9
grabado
orden
con
y 1 1155.7 57.1x1 149.7 x4 89 x1 x4

La grfica de contornos de respuesta constante para este
modelo se muestra a continuacin, se observa que hay muchas
combinaciones de X1 y X4 que den el nivel de la respuesta
deseada de 1100 a 1150 A / m.
410.4
398.6
Potencia
(W)
386.8
375.0
363.2
351.4
0.9 1.0 1.1 1.2 1.3 1.39
Gap (cm)
Fig. 3.6 Contornos de velocidad constante pronosticada

Los experimentadores usaron un modelo cuadrtico para la
uniformidad de respuesta (variabilidad). Sus grficas de
superficie de respuesta son tridimensionales y la grfica
de contornos se muestra a continuacin.
La grfica de contornos
muestran a continuacin:
superficie
410
120
398
115
386
110
105
375
100
Potencia
Pg. 63 de 67
de
respuesta
se
363
351
95
90
339
0.9
1.0
1.1
1.2
1.3
a) Grfica de contornos
Pg. 64 de 67
1.39
126
Respuesta
100
1.48
88
410
Gap
339
0.9
382
Potencia
b) Superficie de respuesta tridimensional

Fig. 3.7
de respuesta
Superficie de respuesta para la uniformidad
Como en muchos problemas, el experimentador tiene objetivos

conflictivos
en
relacin
con
las
dos
respuestas.
Un
objetivo fue el mantener la velocidad dentro de 1100 y

1150,
pero
al
mismo
tiempo
minimizar
la
uniformidad
variabilidad, que no debe exceder y2 = 110 para evitar

desperdicio. Cuando hay pocas variables independientes, una
forma fcil de resolver este problema es traslapar las
superficies
de
respuesta
para
encontrar
el
ptimo.
continuacin se muestra el diagrama de contornos de igual

respuesta traslapado.
398
386
Potencia (W)
375
Vel. 1150
Uniformidad 110
Vel. 1100
363
351
1.0 1.1 1.2 1.3 1.39
Fig. 3.8 Traslape de superficies de respuesta
Pg. 65 de 67
Las soluciones no factibles se pueden observar para los

valores
de
uniformidad
gap
mayor
potencia
a
110.
que
Sin
sobrepasen
embargo
la
existen
curva
de
diversas
combinaciones que nos pueden proporcionar la solucin a

ambos compromisos, el de velocidad y el de uniformidad.
DISEO CENTRAL COMPUESTO (CCD)
Este diseo se utiliza para ajustar el modelo de segundo orden, en forma
prctica y eficiente con respecto al nmero de experimentos requeridos. En
general un diseo CCD en k factores requiere 2K experimentos factoriales,
adems de 2K experimentos axiales y al menos 3 a 5 puntos centrales
replicados.
El diseo CCD puede hacerse rotable seleccionando adecuadamente el
espaciamiento axial en la figura 3.5. Si el diseo es rotable, entonces la
desviacin estndar de la respuesta de prediccin es constante en todos los
puntos que tienen la misma distancia desde el centro del diseo. Para
rotabilidad, seleccionar = (F)1/4, donde F es el nmero de puntos en la parte
factorial del diseo (normalmente F = 2K). Para el caso de k = 2 factores, =
(22)1/4 = 1.414, tal como se utiliz en el diseo del ejemplo. .
A continuacin se presenta un modelo para la desviacin estndar de la
prediccin para el modelo cuadrtico usado para la uniformidad de respuesta.
Notar que los contornos son crculos concntricos, implicando que la
uniformidad es pronosticada con igual precisin para todos los puntos que se
encuentran a la misma distancia desde el centro del diseo. Tambin observar
que la precisin de la estimacin de la respuesta decrece al incrementar la
distancia desde el centro del diseo.
Pg. 66 de 67
410
398
Potencia
386
(W)
375
2.5
363
351
2.5
339
3.0
3.5
0.9 1.0 1.1 1.2 1.3 1.39 1.48
Gap (cm)
Fig.
3.9
Grfica
de
contornos
de
desviacin
estndar
constante para Y est.
Superficie de respuesta
Cncava
para
la
desv.
est.
Fig. 3.10 Grfica de superficie de respuesta

respuesta de la uniformidad pronosticada (y2)
Pg. 67 de 67
para
la

Dise Experj

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Dise Experj

Încărcat de

Drepturi de autor:

Formate disponibile

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Dr. Primitivo Reyes Aguilar

INTRODUCCIN AL DISEO DE EXPERIMENTOS

INTRODUCCIN AL DISEO DE EXPERIMENTOS

1. FUNDAMENTOS DEL DISEO DE EXPERIMENTOS

INTRODUCCIN AL DISEO DE EXPERIMENTOS

desempeo o para obtener un proceso que sea robusto o insensible a fuentes

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Los mtodos de diseo de experimentos pueden tambin jugar un paple

INTRODUCCIN AL DISEO DE EXPERIMENTOS

INTRODUCCIN AL DISEO DE EXPERIMENTOS

cambiar todos los factores a la vez, algunas veces estos experimentos se

La informacin de los experimentos se usa para identificar los factores

crticos del proceso y determinar la direccin de ajuste de estos factores

tiempo si el proceso se mejora lo suficiente, es posible controlar el proceso a

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Hacia un mejor rendimiento

Fig. 1.1 Grfica de contornos de rendimiento en

Para localizar el punto ptimo es necesario realizar un experimento que

INTRODUCCIN AL DISEO DE EXPERIMENTOS

concentracin, usando una planta piloto. Las 24 muestras se prueban en el

Este es un ejemplo de un experimento completamente aleatorizado de

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Fig. 1.2 Grficas de caja de los datos

Las grficas de caja muestran la variabilidad de las observaciones

Se puede describir una observacin Yij como:

Donde, es la media general, i es el efecto del factor i, y ij es un componete

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Se trata de probar la hiptesis siguiente:

i 0 para al menos una i.

El procedimiento de prueba para las hiptesis anteriores se denomina

SST j 1 ( y ij y..) ni 1 ( y i. y..) 2 j 1 ( y ij y i .)

En la ecuacin anterior, la variacin total se ha dividido en dos

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Para facilitar los clculos se tienen las frmulas siguientes:

Puede demostrarse que el cuadrado medio del error MSe estima la

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Si Fo F , a 1, a ( n a ) , se puede concluir que las medias de los niveles del factor

Ejemplo 1.1 Considerando el experimento de la resistencia a

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Anova: Single Factor

Sum Average Variance

3 127.597 19.6052 3.59E-6

Como Fcalc > Fcrtica (0.05, 3, 20) = 3.09, se concluye que

o sea la diferencia entre una observacin y la

media correspondiente al nivel del factor. Los residuos correspondientes a los

Es til graficar los residuos contra y i (valor

ajustado), la variabilidad de los residuos debe ser aleatoria. Si aparece un

INTRODUCCIN AL DISEO DE EXPERIMENTOS

transformacin de los datos. Por ejemplo si la variabilidad de los residuos se

El supuesto de independencia se puede checar graficando los residuos

Tabla 1.4 Resistencia a la traccin del papel (psi)

Resistencia media a la tensin

. Si todas medias de los niveles del factor

INTRODUCCIN AL DISEO DE EXPERIMENTOS

fueran iguales, se comportaran como si se hubieran extrado de la misma

Se puede hacer una comparacin mltiple utilizando una distribucin t

y graficndolo contra el valor de la ordenada de t en ese punto. Se puede

Componentes del modelo de varianza

Y la desviacin estndar del proceso se determina con:

Teniendo la desviacin estndar del proceso y su media se puede estimar la

INTRODUCCIN AL DISEO DE EXPERIMENTOS

muestras de cada uno de los 4 telares, con las siguientes

El anlisis de varianza arroj los siguientes resultados: