Documente Academic
Documente Profesional
Documente Cultură
Tema
Mdulo 1
Una relacin funcional, en general a travs de una ecuacin que aproxime la relacin entre las
variables (x, y), de tal forma que y = f(x) y algn indicador que nos muestra qu tan ajustada es la
aproximacin del modelo con el proceso fsico.
b.
En este proceso diferentes autores presentan etapas a seguir para realizar el diseo experimental, la
metrologa necesaria para recabar datos que nos den informacin relevante y el proceso de experimentacin,
propiamente dicho.
Las variables escogidas para realizar el experimento deben ser significativas; esto es, tomar en cuenta las
variables que son relevantes en el fenmeno en cuestin: hay que tomar en cuenta que estas variables son
muy probablemente la causa de la variabilidad del proceso:
Variables de control (de entrada al proceso)
Variables del proceso
[Escriba aqu]
Pg. 1 de 101
Diseo de Experimentos
Tema
Mdulo 1
Variables aleatorias externas al proceso, que interfieren con el resultado esperado y que no son
controlables al 100%; por ejemplo, aspectos ambientales como la temperatura, la humedad, el ruido,
etc.
1.2 Definiciones elementales
Diseo de experimentos: Se refiere al proceso de planear el experimento de tal forma que se recaben datos
adecuados que puedan analizarse con mtodos estadsticos que llevarn a conclusiones vlidas y objetivas
(Montgomery, 2005).
Esta planeacin ha de tener tambin las siguientes caractersticas:
1.
2.
3.
Experimento: Es un cambio en las condiciones de operacin de un sistema o proceso, que se hace con el
objetivo de medir el efecto del cambio sobre una o varias propiedades del producto o resultado (Gutirrez,
2008).
Proceso (estocstico): aquel que es influido por variables (de entrada y salida), factores (que influyen en el
estudio) y perturbaciones aleatorios.
Unidad experimental: es el conjunto de elementos de muestra, los equipos para tomar dicha muestra y la
metodologa que se sigue para que los resultados sean confiables.
Variables
De entrada
De salida
[Escriba aqu]
Pg. 2 de 101
Diseo de Experimentos
Tema
Mdulo 1
Factores:
Controlables
Mensurando
Perturbaciones:
Ruido
Interferencia
Distorsin
Factores:
Niveles:
Son los coeficientes que acompaan a cada variable
o factor involucrado en el proceso, y que va ser
estudiado en un diseo experimental.
ejemplo, si tenemos los elementos del proceso
compuesto de las variables v1 y v2 y los factores f1
y f2, cada uno de ellos puede ser acompaado de
un factor a, b, c o d, quedando las variables: av1 y
bv2 y los factores cf1 y df2.
[Escriba aqu]
Tratamientos:
Una combinacin de niveles de todos los factores.
ejemplo, si el proceso est determinado por la
funcin y = f(x), y es una funcin lineal, entonces la
combinacin de variables y factores puede quedar
como y = av1 + bv2 + cf1 + df2
Pg. 3 de 101
Diseo de Experimentos
Tema
Mdulo 1
Ejemplo: determinar las variables y factores, a diversos niveles, que intervienen en el proceso de la extrusin
del plstico:
Factor controlable
Factor de ruido
Nivel
SI
NO
SI
NO
Presin en el molde
SI
NO
Color
SI
NO
NO
SI
Temperatura ambiental
NO
SI
Humedad ambiental
NO
SI
Sin control
Los factores a diversos niveles, qu efecto tienen sobre las variables de salida?
Al utilizar varios factores, se van a comparar entre s?
Coinciden el valor mximo o mnimo del modelo con los valores del proceso?
Se desea redisear el modelo?
Se desea controlar factores, no ruido?
[Escriba aqu]
Pg. 4 de 101
Diseo de Experimentos
Tema
Mdulo 1
Comparaciones simples:
Comparaciones simples
Cierre: Todo anlisis y diseo est fundamentado en la aplicacin que va a tener una teora bien fundamentada. Es
por esto que debemos tener claros los conceptos involucrados en nuestro experimento, a travs del cual se
pretende probar una o varias hiptesis.
Igualmente, si pretendemos generar o analizar un modelo, debemos definir una serie de trminos y variables que
nos ayuden a caminar por el proceso de experimentacin.
Referencias bibliogrficas
Gutirrez, H. y De la Vara, R. (2008). Anlisis y diseo de experimentos (2 ed.). Mxico: McGraw Hill.
[Escriba aqu]
Pg. 5 de 101
Diseo de Experimentos
Tema
Mdulo 1
2.1 Metrologa: etapas del diseo experimental (7 etapas): Montgomery (2012) propone 7 etapas para el
diseo de experimentos:
Etapa 1. Reconocer y establecer el problema
Etapa 1
Etapa 2,
3
Ante una situacin de mantenimiento o mejora de un proceso, el primer paso que debe dar el
experimentador es identificar una serie de problemas a resolver para lograr los objetivos
propuestos. De entre ellos hay que elegir aquel problema que ms impacte en el
mantenimiento o la mejora del proceso
Etapa 2. Seleccin de factores, niveles y rangos
Etapa 3. Seleccin de la variable de respuesta
Como en el paso anterior, el experimentador identifica las variables de salida del proceso para
elegir aquella o aquellas que sean ms significativas.
Una vez identificadas las variables se procede a la seleccin de los factores que influyan a las
variables; a continuacin se han de asignar los niveles y rangos que deben tener los factores.
Etapa 4. Seleccin del diseo experimental
Una vez que se termina la planeacin previa al experimento, hay que determinar:
Etapa 4
a.
Tamao de la muestra
b.
Orden de ejecucin
c.
Restricciones
El diseo experimental tambin puede ser realizado utilizando algn paquete estadstico, que
decidir el mejor diseo en funcin de datos de entrada como son los factores, niveles y
rangos
Etapa 5. Realizar el experimento
Etapa 5
Etapa 6
Como en la etapa 4, para realizar el anlisis estadstico de los datos el diseo experimental
puede utilizar algn paquete estadstico, que realizar clculos y grficas de forma automtica
Etapa 7. Conclusiones y recomendaciones
Etapa 7
[Escriba aqu]
Pg. 6 de 101
Diseo de Experimentos
Tema
Mdulo 1
Las primeras tres etapas son en realidad una planeacin previa al experimento.
Las etapas 2 y 3 pueden realizarse simultneamente o en orden inverso (primero la etapa 3 y despus la
etapa 2).
Cualquier cosa observada se aprecia con variabilidad, as lo que se observa una vez no
puede ser observado de la misma manera en una segunda o tercera vez.
Para conseguir la independencia de los errores, el proceso de aleatorizacin se debe
seguir en las corridas, materiales y equipos utilizados en el experimento.
Repeticin:
Bloqueo:
Ya seleccionados los factores que se relacionan con la variable de salida, hay que controlar
los niveles de ellos, desde el mnimo nivel de cero (la anulacin del factor) hasta el mximo
nivel.
[Escriba aqu]
Pg. 7 de 101
Diseo de Experimentos
Tema
Mdulo 1
1.
Una relacin funcional, en general a travs de una ecuacin que aproxime la relacin entre las
variables (x, y), de tal forma que y = f(x) y algn indicador que nos muestra qu tan ajustada es la
aproximacin del modelo con el proceso fsico.
2.
As que, tomando en cuenta los conceptos anteriormente expuestos, un diseo estadstico de experimentos
se refiere al proceso que hay que seguir para determinar las relaciones entre el modelo supuesto y el
fenmeno fsico real.
En este proceso diferentes autores presentan etapas a seguir para realizar el diseo experimental, la
metrologa necesaria para recabar datos que nos den informacin relevante y el proceso de experimentacin,
propiamente dicho.
Las variables escogidas para realizar el experimento deben ser significativas; esto es, tomar en cuenta las
variables que son relevantes en el fenmeno en cuestin: hay que tomar en cuenta que estas variables son
muy probablemente la causa de la variabilidad del proceso:
1.
2.
3.
Cierre: Es necesario seguir etapas bien definidas para llevar a cabo un experimento: las primeras etapas para
realizar una planeacin previa al experimento; y las etapas subsecuentes para llevarlo a cabo. Terminando con las
conclusiones y recomendaciones pertinentes al proceso llevado, siempre cuidando que durante todo el proceso de
experimentacin se respeten los principios bsicos del diseo experimental.
Referencias bibliogrficas:
Gutirrez, H. y De la Vara, R. (2008). Anlisis y diseo de experimentos (2 ed.). Mxico: McGraw Hill.
[Escriba aqu]
Pg. 8 de 101
Diseo de Experimentos
Tema
Mdulo 1
Si por ejemplo en una escuela quieres saber si existe un buen nivel de lectura y redaccin en el grupo de quinto de
primaria, puedes calcular la media y compararla con la media del nivel de lectura y redaccin de otras escuelas.
Estadsticos ms especializados se repasarn a lo largo del curso.
Checkpoint: Las caractersticas que deben tener los parmetros del muestreo. La representacin grfica de los
diferentes tipos de distribuciones muestrales.
Media o
valor
esperado:
Varianza:
equivale a la
media del
error
cuadrtico; el
error
cuadrtico de
cada i-simo
valor est
dado por (xi)2.
Desviacin
[Escriba aqu]
Pg. 9 de 101
Diseo de Experimentos
estndar:
Tema
Mdulo 1
varianza.
Histograma: es una grfica en forma de barras, en la que el rea de cada barra es proporcional a la
frecuencia con que se repite una variable (Ver el ejemplo).
Distribucin de probabilidad continua: dado que una variable continua tiene infinidad de valores posibles,
no se puede deducir la probabilidad de un valor especfico de la variable. Es por esto que la probabilidad se
calcula a partir del intervalo dentro de la distribucin de probabilidad (ver el siguiente Ejemplo).
Grfica de caja: es una grfica, dividida en cuarteles. Al rectngulo se le llama caja y a los dos brazos se les
llama bigotes. El valor central es la mediana (ver el Ejemplo 1).
Durante 10 das, se tomaron 200 muestras (20 por da) del denier de rafia de polipropileno
producido por una mquina extrusora de plstico.
Notas:
1 denier = 1 gramo por 9.000 metros
Rafia (los hilos que salen del proceso de extrusin)
Obtener:
a.
b.
c.
d.
[Escriba aqu]
N*
media
Desv.Est. Mnimo
Q1|
Mediana
Pg. 10 de 101
Diseo de Experimentos
Denier
Denier
Tema
200
2499.7
Mdulo 1
3.79
53.6
2400
2456.0
2503.0
3.2 Muestreo
Muestreo aleatorio: de acuerdo a Montgomery, D. (2012), se le llama al proceso en el cual una muestra de
tamao n puede ser sacada de una poblacin de tamao N con un nmero de combinaciones sin repeticin:
[Escriba aqu]
Pg. 11 de 101
Diseo de Experimentos
Tema
Mdulo 1
Media
o
esperado:
valor
Equivale a la media del error cuadrtico; el error cuadrtico de cada i-simo valor
est dado por (xi - )2
Varianza:
Para un conjunto de datos discretos x1, x2, ..., xn, se calcula como la suma de todos
los errores respecto a la media muestral , dividida entre n - 1 grados de libertad
(donde n es el nmero de datos):
Desviacin
estndar: es la raz
cuadrada de la
varianza:
S= 2
10 11 12 13 14 15 16 17 18 19 20
y 28 33 26 26 27 27 28 28 30 25 32 26 25 30 29 27 32 27 31 31
Utilizando Excel, obtenemos = 28.4 y S = 2.458
[Escriba aqu]
Pg. 12 de 101
Diseo de Experimentos
Tema
Mdulo 1
Los nmeros aleatorios generados con una hoja de clculo (en este ejemplo con
Excel)
[Escriba aqu]
Pg. 13 de 101
Diseo de Experimentos
b.
Tema
Mdulo 1
b.
c.
d.
e.
f.
g.
, con la
[Escriba aqu]
Pg. 14 de 101
Diseo de Experimentos
Tema
Mdulo 1
Observamos los resultados: la distribucin de los 300 nmeros x tiene un Acuadrado = 4.44, por lo tanto se aleja de la normalidad; la distribucin de los 100
nmeros z tiene un A-cuadrado = 0.23, por lo tanto se acerca a la normalidad.
La distribucin Ji cuadrada (
): La siguiente, segn Montgomery, D. (2012), es expresin de la distribucin
Ji cuadrada para una muestra de tamao n: x1, x2, ..., xn
Generamos en una hoja de datos una columna con 100 muestras aleatorias
=10*ALEATORIO()
b.
c.
[Escriba aqu]
Pg. 15 de 101
Diseo de Experimentos
d.
e.
Tema
Mdulo 1
Obtenemos la suma
, con lo datos de la segunda columna
utilizando la funcin: = SUMA (nmero 1: nmero 100) = 668.9
Calculamos el valor de
, con la frmula
= 223
b.
c.
d.
e.
f.
g.
[Escriba aqu]
Pg. 16 de 101
Diseo de Experimentos
Tema
Mdulo 1
= 0.7968.
Cierre: Aunque, como se indic en la introduccin, los estadsticos necesarios para cada tema se repasarn a lo
largo del curso, aqu se presentaron los estadsticos ms utilizados para el diseo de experimentos. Hay que
familiarizarse con algn programa de probabilidad y estadstica que nos ayude a resolver los problemas y que nos
presente resultados en forma de tablas o grficas. Adems es una herramienta bsica para comprobar resultados.
Referencia bibliogrfica: Montgomery, D. (2012). Diseo de experimentos (2a ed.). Mxico: Limusa Wiley.
[Escriba aqu]
Pg. 17 de 101
Diseo de Experimentos
Tema
Mdulo 1
Una prueba estadstica para verificar con mejor precisin la relacin que existe entre las dos poblaciones
desde las cuales se extrajeron las muestras, puede ser la verificacin respecto a la diferencia de ambas
medias:
Llamamos la hiptesis nula a la igualdad entre las medias en estudio: 1 = 2
Llamamos la hiptesis alterna o alternativa a la desigualdad entre las medias en estudio.
Puede ser de tres tipos de hiptesis:
Cuando suponemos que son simplemente diferentes
Cuando suponemos que una de ellas es mayor que la otra
Cuando suponemos que una de ellas es menor que la otra
Despus hay que fijar un criterio para aceptar o rechazar la hiptesis nula. Si aceptamos la hiptesis nula
significa que rechazamos la alterativa, y si rechazamos la hiptesis nula significa que aceptamos la alternativa.
(no tiene error y si tiene error)
[Escriba aqu]
Pg. 18 de 101
Diseo de Experimentos
Tema
Mdulo 1
Se acepta la hipostesis
Se rechaza la hiptesis
Intervalo de confianza: Segn Montgomery (2012) un intervalo de confianza se fija de acuerdo al coeficiente
de confianza (1 - ). Si tomamos una muestra aleatoria de tamao n, con media de una poblacin con
varianza conocida 2, entonces el intervalo de confianza est dado por la expresin:
H0:
H1:
= 0
[Escriba aqu]
Criterio de rechazo
Pg. 19 de 101
Diseo de Experimentos
Tema
Mdulo 1
> 0
< 0
H0:
H1:
1 2
1 = 2
1 > 2
Ejempl
o
Criterio de rechazo
1 < 2
Probar la hiptesis de que H0: 1 = 2 y H1: 1 > 2 respecto a dos poblaciones de varianzas
conocidas 12 = 8.4 y 22 = 7.2.
1.
2.
3.
Se calcula:
4.
Se determina:
5.
Se realiza la comparacin:
= 102.5 y
= 99.6
Soluci
n
[Escriba aqu]
para
= 0.05
>
Pg. 20 de 101
Diseo de Experimentos
Tema
Mdulo 1
4.3 Pruebas de hiptesis sobre dos medias con varianza desconocida: Para Montgomery (2012) el
estadstico de prueba sobre una media poblacional , con varianza desconocida respecto a otra media , de
tamao n, se representa con la siguiente frmula:
H0:
H1:
1 (dos colas)
Criterio de rechazo
2 (una cola)
= 0
> 0
3 (una cola)
< 0
El estadstico de prueba, sobre una muestra de media 1, de tamao n1 y con varianza S12, respecto a otra
muestra de media 2, de tamao n2 y con varianza, S22, representa los grados de libertad.
[Escriba aqu]
H0:
H1:
Criterio de rechazo
Pg. 21 de 101
Diseo de Experimentos
1
Tema
1 < 2
1 = 2
Mdulo 1
1 > 2
Si en el caso anterior S12 = S22 = S el estadstico de prueba, sobre una muestra de media 1, de tamao
n1 respecto a otra muestra de media 2, de tamao n2, representa los grados de libertad.
= n1 + n2 - 2
Esta frmula se utiliza en la siguiente prueba:
Prueba sobre dos medias
Prueba
H0:
H1:
1 = 2
1 2
Ejemplo
Criterio de rechazo
Probar la hiptesis de que H0: 1 = 2 y H1: 1 > 2 respecto a dos poblaciones de varianzas
desconocidas.
1.
2.
3.
4.
Se calcula:
5.
Se determina:
6.
Se realiza la comparacin:
= 102.5 y
= 99.6
Soluci
n
[Escriba aqu]
para
= 0.05
<-
Pg. 22 de 101
Diseo de Experimentos
Tema
Mdulo 1
Cierre: Al tener clasificadas las diversas pruebas de hiptesis, se tomarn decisiones con mayor certeza al
seleccionar la prueba que ms convenga para el caso en estudio. De aqu que hay que tener a la mano la variedad
de pruebas que pueden ser realizadas. De acuerdo al proceso en estudio, se extraen las variables que se desean
verificar.
Referencia bibliogrfica: Montgomery, D. (2012). Diseo de experimentos (2a ed.). Mxico: Limusa Wiley.
5.1 Pruebas de hiptesis sobre una varianza: De acuerdo a Montgomery, D. (2012), el estadstico de prueba,
sobre una varianza poblacional (02 )conocida, respecto a otra varianza S2, obtenida de una muestra de tamao
n:
H0:
H1:
2 = 02
02
[Escriba aqu]
Criterio de rechazo
2 > 02
Pg. 23 de 101
Diseo de Experimentos
Tema
Ejemplo
Soluci
n:
Mdulo 1
2 < 02
Probar la hiptesis de que H0: 2 = 02 y H1: 2 > 02 respecto a una poblacin con distribucin
normal con varianza 2 = 2.4 si 02 = 1.3.
1.
2.
3.
Se calcula:
4.
Se determina:
9 de libertad y
=
para
Se realiza la comparacin:
5.2 Pruebas de hiptesis sobre dos varianzas: Para Montgomery, D. (2012) el estadstico de prueba, sobre
una varianza S12, obtenida de una muestra de tamao n1, respecto a otra varianza S22, obtenida de una muestra
de tamao n2 es:
H0:
H1:
Criterio de rechazo
[Escriba aqu]
Pg. 24 de 101
Diseo de Experimentos
Tema
Mdulo 1
2
3
Ejemplo
Probar la hiptesis de que H0: 12 = 22 y H1: 12 > 22 respecto a dos poblaciones con distribucin
normal.
Soluci
n:
1.
2.
3.
Se calcula
4.
Se determina
5.
Se realiza la comparacin
para
= 0.05
5.3 Prueba de hiptesis sobre dos poblaciones: El objetivo de este tema tiene dos partes:
1.
Recapitular, en forma de diagramas de flujo, las pruebas de hiptesis estudiadas en los temas
anteriores.
2.
Parte 1.
[Escriba aqu]
Pg. 25 de 101
Diseo de Experimentos
Tema
Mdulo 1
Diagramas
de flujo de
las pruebas
de hiptesis
(medias
varianzas
conocidas,
distribucin
normal)
Parte 2.
Reflexionar
sobre la
dependencia
e
independenc
a.
b.
[Escriba aqu]
Pg. 26 de 101
Diseo de Experimentos
En la que
ia de las
variables,
as como de
su
correspondie
nte intervalo
de
confianza:
Tema
Mdulo 1
Donde
Cierre: Adems de las pruebas mostradas en el apartado anterior, aqu se presentaron diversas pruebas de
hiptesis para la toma de decisiones, tambin con mayor certeza al seleccionarla para prueba que ms convenga
para el caso en estudio.
As pues, con estas pruebas se ampla el elenco necesario de pruebas que pueden ser realizadas y que hay que
tener a la mano cuando, de acuerdo al proceso en estudio, se desee probar la variabilidad de alguna de sus
variables.
Referencias bibliogrficas
Juan,
A.
(s.
f.).
Contraste
de
hiptesis
de
dos
poblaciones.
Recuperado
de
http://www.uoc.edu/in3/emath/docs/CH_2Pob.pdf
[Escriba aqu]
Pg. 27 de 101
Diseo de Experimentos
Tema
Mdulo 1
La asignacin de los tratamientos completamente al azar a las muestras del experimento, ya sean
elementos individuales o grupos de individuos (de animales, plantas, tornillos o parmetros mtricos).
observacin, factor de efectos fijos balanceados, estimacin puntual y estimacin por intervalo.
6.1 Caractersticas de diseo y notacin
Caractersticas: Como se describi en el mdulo anterior, Montgomery (2012) presenta siete etapas para el
diseo de experimentos.
A su vez, Gutirrez y De la Vara (2008) incluyen bsicamente las siete etapas mencionadas, sin embargo, al
dividir el proceso en once etapas, presenta con un mayor detalle las caractersticas de cada una de ellas, como
se presenta a continuacin:
Seccin 1: Planeacin y
diseo
[Escriba aqu]
a.
b.
c.
d.
Elegir las variables de respuesta que sern medidas en cada punto del
diseo, y verificar que se miden de manera confiable.
e.
f.
g.
Realizar el experimento.
Pg. 28 de 101
Diseo de Experimentos
Seccin 2: Anlisis e
interpretacin
Seccin 3: Conclusiones
finales
Tema
Mdulo 1
h.
i.
Interpretar resultados.
j.
k.
Notacin
Al considerar varios tratamientos, la representacin de las variables, los factores, los estadsticos, de manera
abreviada y no con toda la extensin de la palabra, tiene una representacin especial.
Existe un tipo de notacin consistente en colocar en el subndice un punto. En este tipo de notacin, el punto
significa que se est realizando la suma sobre la variable mostrada en el mismo subndice.
Algunas de estas representaciones son las siguientes:
i es el nmero del tratamiento que se est realizando de entre k tratamientos y puede tener el valor: i
= 1, 2, , k.
j es el nmero de observacin que se est tomando de entre las n i observaciones a llevar a cabo
dentro de cada uno de los k tratamientos; esto es, estamos dentro del i-simo tratamiento, y puede tener
el valor: j = 1, 2, , ni.
es la media de las observaciones del i-simo tratamiento, y se calcula con la frmula siguiente:
[Escriba aqu]
Pg. 29 de 101
Diseo de Experimentos
Tema
Mdulo 1
es la media global o promedio de todas las observaciones, y se calcula con la frmula siguiente:
Ejemplo
Para realizar un experimento, se toman 3 tratamientos. Para cada tratamiento existen las observaciones
mostradas en la siguiente tabla:
Tratamiento
Observaciones
10
7, 1, 3, 5, 8, 2, 3, 5, 6, 1
12
4, 4, 3, 2, 1, 5, 7, 1, 1, 8, 2, 5
1, 6, 8, 4, 4, 2, 3, 1
Tabla 1. Tratamientos y observaciones
1.
Qu valor tiene k?
2.
3.
4.
Solucin:
1.
2.
3.
4.
[Escriba aqu]
Pg. 30 de 101
Diseo de Experimentos
As, cuando las observaciones
Tema
, que siguen el modelo
Mdulo 1
(dependen de la media poblacional
de los tratamientos,
y del error,
debido a la medicin), se observan despus de utilizar todos los
tratamientos posibles, decimos que se trata de un modelo de efectos fijos.
Este modelo se utiliza cuando son pocos los tratamientos, de tal forma que se puedan utilizar todos ellos. Al
utilizar todos los tratamientos, los parmetros de nuestra ecuacin se ajustarn mejor a la realidad.
Notacin
SSTr es la varianza del error entre tratamientos, y se
obtiene con la expresin:
SSE es la varianza del error dentro de los
tratamientos, y se obtiene con la expresin:
SST = SSTr + SSE
MSTr = SSTr / (a - 1) donde a - 1 son los grados de libertad.
MSE = SSE / (N - a) donde N - a son los grados de libertad.
Ejemplo:
Una empresa productora de bolsas de plstico est interesada en probar si una nueva cantidad
de carbonato de calcio (CaCO3) para una nueva aplicacin hace que aumente la dureza
(Mohs) de las bolsas. En pruebas anteriores se ha observado que la modificacin en la cantidad
de carbonato hace variar la dureza, y se sospecha que a mayor cantidad de carbonato, la dureza
aumenta. Por la experiencia se sabe que para el tipo de bolsa realizada hasta el momento
(PEAN-APM) una cantidad del 8% al 15% es suficiente, pero para el nuevo tipo de bolsa (PEBDL)
aumentar la dureza de 14 al 20%.
Solucin:
Tres pruebas n = 3, para cada uno de los cuatro niveles, a*n = 12.
3.
Esto nos da que hay que realizar 12 corridas, a*n = 12, como se muestra en las columnas
2, 3 y 4 de la Tabla 2.
4.
[Escriba aqu]
Pg. 31 de 101
Diseo de Experimentos
Tema
Mdulo 1
corrida experimental 12 ser la primera en ser realizada, despus ser la corrida 6, etc., y al
final la corrida 11.
La generacin de nmeros aleatorios se realiz utilizando Minitab: Calc > Datos aleatorios >
Muestreo por columnas.
% de CaCO3
14
16
18
20
Corrida Experimental
Orden de ejecucin (aleatorio)
1
2
3
3
5
7
4
5
6
11
8
2
7
8
9
4
9
6
10
11
12
10
12
1
Tabla 2. Corridas experimentales
Prueba
1 2 3 Total Promedio
14
9 10 4
23
7.667
16
8 3 12 23
7.667
18
5 16 3
24
8
20
9 4 11 24
8
Suma:
94
7.834
Tabla 3. Resultados
% de CaCO3
2.
La desviacin estndar, cuyo smbolo es la letra griega s, o en su caso por la varianza, cuyo smbolo es
la letra griega
3.
Sin embargo, es frecuente que, ante un proceso industrial, estos parmetros sean desconocidos; lo que
dificulta la toma de decisiones.
La alternativa es realizar una estimacin de estos estadsticos, para lo cual se cuenta con dos
procedimientos.
[Escriba aqu]
Pg. 32 de 101
Diseo de Experimentos
Tema
Mdulo 1
Se estiman los parmetros por medio de una muestra de tamao n, siguiendo los
siguientes procedimientos:
1.
Estimaci
n puntual
2.
Estimaci
n por
intervalo
de elementos defectuosos
.
Ejemplo: se cuenta con una mquina de empaquetado de caf en bolsas de 1 kg, pero no
se conocen los parmetros estadsticos, por lo que se desea realizar un experimento para
conocerlos.
Solucin:
Para conocer los datos estadsticos de la mquina de empaquetado automtico de caf, se
sigui el siguiente procedimiento:
a.
Se registr el peso de 100 paquetes de caf: n = 100.
b.
c.
d.
[Escriba aqu]
Pg. 33 de 101
Diseo de Experimentos
Tema
Mdulo 1
) %, y determinar dos valores (L y U), de tal forma que la
Cierre: Aunque se tengan los escalones de la escalera de la experimentacin perfectamente ensamblados, no todo
experimento se resuelve en forma automtica. Existe el riesgo de querer subir de dos en dos y saltar escalones
intermedios.
Diversos autores nos han presentado una ruta a seguir para proceder al anlisis y diseo de experimentos. Sin
embargo, si no se tiene bien planteado el problema a analizar, adems de las variables involucradas y los factores
de mayor impacto con todos sus niveles, va a ser muy deficiente el planteamiento del diseo experimental y, por lo
tanto, su solucin. Al dar mal el primer paso va a ser muy difcil corregir una vez avanzado el proceso.
Adems, hay que tener a la mano los conceptos estadsticos para realizar un correcto anlisis y una acertada
interpretacin.
Referencias bibliogrficas:
[Escriba aqu]
Pg. 34 de 101
Diseo de Experimentos
Tema
Mdulo 1
Adems de presentar los resultados del anlisis en una tabla o por medio de una grfica, es posible
representarlos con un modelo, una ecuacin que relacione los resultados. Por ejemplo, se toma una muestra
y, y se presenta en la siguiente tabla:
x
16
Se analizan los datos y se determina que y es una funcin de x dada por la ecuacin y=0.5 (2x), la cual puede
ser representada con la siguiente grfica:
Si queremos relacionar la ij_sima observacin yij con la media obtenida en el tratamiento i y con la muestra
j, la forma ms sencilla de realizar esta relacin est dada por medio de la siguiente ecuacin:
Ecuacin lineal 1
En la que
[Escriba aqu]
Pg. 35 de 101
Diseo de Experimentos
Tema
Mdulo 1
Tomando esto en consideracin, otra forma lineal y, por lo tanto, la forma ms sencilla de realizar esta
relacin est dada con la siguiente ecuacin:
Ecuacin lineal 2
Dado que en estas ecuaciones lineales, 1 y 2, la variable dependiente yij depende de una sola variable
independiente (desde el punto de vista de la definicin de una funcin), ya sea el error aleatorio, para la
primera ecuacin, o del efecto del i_simo tratamiento, para la segunda ecuacin, son llamadas como anlisis
de varianza de un solo factor (tratamiento) o de una sola va.
En estos modelos observamos dos parmetros:
1.
La media
2.
El error aleatorio
de la medicin
Como se va a ver en los siguientes temas, el anlisis de varianza (ANOVA) es el mtodo ms utilizado en el
anlisis experimental. Est basado en el estadstico F, que viene a ser la relacin entre dos variables aleatorias
ji cuadradas divididas entre sus correspondientes grados de libertad. A su vez, el estadstico ji cuadrado
depende de un solo parmetro: sus grados de libertad. Por lo que se concluye que ANOVA simplifica mucho
las decisiones.
7.2 Diagrama de cajas
Los datos pueden ser de tres formas: mtricos, ordenados por rango y categricos. Esto lo podemos ver
ejemplificado durante una competencia deportiva de carreras:
[Escriba aqu]
Pg. 36 de 101
Diseo de Experimentos
Tema
Mdulo 1
Pero lo que interesa al final de cuentas es ver quien lleg en primer lugar, quin en segundo, hasta ver
quin lleg al ltimo (datos ordenados por rango).
Al final de cuentas, lo que importa es si subiste o no al podio, y si fue medalla de oro, de plata o de
cobre (datos categricos).
La media y la varianza para una observacin se obtienen sobre datos mtricos. Las distribuciones de
probabilidad, en sus diversas formas, y las grficas de medias se obtienen a partir de este tipo de datos.
2.
Las proporciones para una observacin se obtienen sobre datos categricos. Claro que una
observacin puede ser mtrica y ms adelante organizarla por categoras. Pasando por un histograma, se
puede aproximar este tipo de datos a algn tipo de distribucin de probabilidad.
3.
La mediana y los cuartiles para una observacin se obtienen sobre datos ordenados por rango.
Igual que en el caso anterior, una observacin puede ser mtrica y ms adelante ordenarla por rangos y,
posiblemente, ms adelante por categoras.
Un diagrama de caja es una forma grfica de representar la mediana, los cuarteles y los extremos de los
datos. La distancia entre la media y los cuarteles se representan por un rectngulo o caja, y la distancia entre
los cuarteles y los valores extremos se representan por lneas rectas que se conocen como bigotes por la
apariencia
que
da
en
los
diagramas.
Ejemplo:
Realiza el diagrama de caja, con los datos de los tres tratamientos del ejemplo de la seccin 6.1 de este curso,
registrados en la Tabla 1 (Tratamientos y observaciones).
Solucin:
Sobre una tabla:
1.
2.
3.
[Escriba aqu]
Pg. 37 de 101
Diseo de Experimentos
Tema
Mdulo 1
4.
5.
6.
7.
8.
Comprobamos los resultados: Estadsticas > Estadsticas bsicas > Mostrar estadsticas descriptivas.
9.
Tratamiento
Datos
Q1
Q2: Mediana
Q3
Mximo
135823561
11233 | 55678 =
1.75
6.25
443215711825
1.25
3.5
16844231
11 | 23 | 44 | 68
1.25
3.5
11.
Diagrama de caja:
[Escriba aqu]
Pg. 38 de 101
Diseo de Experimentos
Tema
Mdulo 1
Grfica de caja
7.3 Grficas de medias
Adems de presentar los datos mtricos en una tabla o por medio de una frmula lineal, existen otras
opciones que pueden ser muy significativas.
La grfica de intervalos: se utiliza para graficar medias e intervalos de confianza o barras de error para una
o ms variables. Una grfica de intervalo ilustra una medida de la tendencia central y la variabilidad de los
datos.
Nota: por opcin predeterminada, Minitab muestra intervalos de confianza de 95%. Para cambiar el tipo de
presentacin o la configuracin de una grfica especfica, utilice Editor > Editar barra de intervalo > Opciones.
Para cambiar el tipo de presentacin o la configuracin de todas las grficas de intervalo futuras, utilice
Herramientas > Opciones > Grficas individuales > Grficas de intervalo.
Tambin se pueden generar con las instrucciones: Estadsticas > ANOVA > Grficas de intervalo.
Grfica > Grfica de intervalos.
[Escriba aqu]
Pg. 39 de 101
Diseo de Experimentos
Tema
Mdulo 1
Grfica de intervalos
La grfica de valores individuales: se utiliza para evaluar y comparar las distribuciones de muestra, al
graficar valores individuales para cada variable o grupo en una columna vertical, con lo cual resulta ms fcil
detectar valores atpicos y ver la distribucin (ayuda de Minitab).
Nota: si varios puntos tienen el mismo valor, por opcin predeterminada Minitab los desplaza simtricamente
desde el centro, de modo que cada punto idntico se pueda ver.
Grfica > Grfica de valores individuales.
[Escriba aqu]
Pg. 40 de 101
Diseo de Experimentos
Tema
Mdulo 1
[Escriba aqu]
Pg. 41 de 101
Diseo de Experimentos
[Escriba aqu]
Tema
Mdulo 1
Pg. 42 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Explicacin
Para los ejemplos de los subtemas 8.1, 8.2 y 8.3, utilizaremos las siguientes tablas:
Tratamiento
Error
Total
Suma de
Grados de
Cuadrados
cuadrados
libertad
medios
SSTr =62
3
20.6667
SSE = 92.6667
8
11.5833
SST =154.667
11
Tabla 1. Resultados del ANOVA
Estadstico F0
1.7841727
En la que:
a.
SSTr es la varianza del error entre tratamientos, y se obtiene con la frmula:
b.
SSE es la varianza del error dentro de los tratamientos, y se obtiene con la frmula:
c.
SST = SSTr + SSE es la varianza del error total, y se obtiene con la frmula:
SST = SSTr + SSE
i=
[Escriba aqu]
j=
1
14
2
17
n=
3
12
Promedio
14.3333
Suma
43
Pg. 43 de 101
Diseo de Experimentos
a=
2
3
4
Tema 8
B
C
D
10
10
10
19
17
18
Tabla 2. Clculos previos
Mdulo 2
16
10
19
12
13
18
36
39
54
8.1 Pruebas de comparaciones mltiples (LSD least significant difference / diferencia mnima
significativa) O PRUEBA DE FISHER
La prueba de comparaciones mltiples tambin conocida como mtodo Fisher de diferencia mnima
significativa (Least Significant Difference) consiste en probar que las medias de dos poblaciones con a
tratamientos son significativamente diferentes. De tal forma que la hiptesis nula se plantea con la expresin
siguiente:
Realizamos una prueba de una cola, de tal forma que la hiptesis alterna se plantea con la expresin
siguiente:
3.
Obtener
4.
Calcular MSE.
5.
Si el diseo no est balanceado, es decir, para muestras de tamao diferente n1 y n2, calculamos el
estadstico LSD con la siguiente frmula:
[Escriba aqu]
Pg. 44 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
6.
A continuacin realizamos una tabla con el valor absoluto de las diferencias entre tratamientos:
7.
Ejemplo
Probar que las medias de dos poblaciones con 4 tratamientos son significativamente diferentes si ya
disponemos de las medias
(Resultados del ANOVA).
Tratamient
o
Error
Total
Suma de
cuadrados
Grados de
libertad
SSTr =62
SSE = 92.6667
SST =154.667
3
8
11
Cuadrados
medios
Estadstico
F0
20.6667
1.7841727
11.5833
Solucin:
1.
Tabla del modelo de un factor de efectos fijos balanceados con N = a*n = 12: Ver Tabla 2 (Clculos
previos).
j=
i=
a=
1
2
3
4
A
B
C
D
1
14
10
10
17
n=
2.
Definimos que
3.
4.
MSE = 11.5833.
5.
[Escriba aqu]
Promed
3
io
Suma
12 14.3333 43
16
12
36
10
13
39
19
18
54
2
17
10
19
18
, por lo tanto
.
.
Pg. 45 de 101
Diseo de Experimentos
6.
Tema 8
Mdulo 2
Tabla con el valor absoluto de las diferencias entre tratamientos (sin repeticin):
| 12 13 |
< 9.526
Se acepta
| 12 14 |
< 9.526
Se acepta
| 12 18 |
< 9.526
Se acepta
| 13 14 |
< 9.526
Se acepta
| 13 18 |
< 9.526
Se acepta
| 14 18 |
< 9.526
Se acepta
Realizamos una prueba de dos colas, de tal forma que la hiptesis alterna se plantea con la expresin
siguiente:
[Escriba aqu]
Pg. 46 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
6.
A continuacin realizamos una tabla con el valor absoluto de las diferencias entre tratamientos:
7.
Ejemplo
Probar que las medias de dos poblaciones con 4 tratamientos son significativamente diferentes si ya
disponemos de las medias
de los 4 tratamientos realizados en un experimento anterior; ver Tabla 1
(resultados del ANOVA).
Solucin:
1.
Tabla del modelo de un factor de efectos fijos balanceados con N = a*n = 12: Tabla 2. (clculos
previos).
2.
Definimos que:
.
3.
De la Tabla VIII obtenemos que
.
4.
MSE = 11.5833
5.
6.
.
Tabla con el valor absoluto de las diferencias entre tratamientos:
| 12 13 |
1
< 8.91
Se acepta
| 12 14 |
2
< 8.91
Se acepta
| 12 18 |
2
< 8.91
Se acepta
| 13 14 |
1
< 8.91
Se acepta
| 13 18 |
5
< 8.91
Se acepta
| 14 18 |
4
< 8.91
Se acepta
Tabla 4. Tabla de Resultados
7.
[Escriba aqu]
Pg. 47 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
La prueba de rangos de Duncan consiste en probar que las medias de dos poblaciones con a tratamientos
son significativamente diferentes a travs de los rangos mnimos significativos (LSR, Least Significant Ranges).
El procedimiento para realizar la prueba es el siguiente:
1.
Una vez obtenidos los datos en la tabla del modelo de un factor de efectos fijos balanceados (ver tema
6.2).
2.
3.
Se calcula MSE.
4.
5.
6.
7.
8.
Obtener
(2012).
, para p = 2,3,,a partir de una tabla. Por ejemplo, la Tabla VII de Montgomery
9.
Rechazamos la hiptesis nula y, por lo tanto, aceptamos la hiptesis alterna si existen diferencia
significativas:
Ejemplo
Probar que las medias de dos poblaciones con 4 tratamientos son significativamente diferentes si ya
disponemos de las medias
de los 4 tratamientos realizados en un experimento anterior; ver Tabla 1
(resultados del ANOVA).
Solucin:
1.
Tabla del modelo de un factor de efectos fijos balanceados con N = a*n = 12; ver la Tabla 2. (Clculos
previos).
2.
Se ordenan por rango (de menor a mayor); ver la Tabla 5 (clculos).
Paso 2:
Paso 6:
[Escriba aqu]
Paso 7: LSRs
Pg. 48 de 101
Diseo de Experimentos
Tema 8
R0.05(2,8) =
3.26
R0.05(3,8) =
3.39
R0.05(4,8) =
3.47
R2 = 3.26*1.965 =
6.41
R3 = 3.39*1.965 =
6.67
R4 = 3.47*1.965 =
6.82
Mdulo 2
4 vs.3: 18-14.34=
4.34 < 6.41
4 vs.3: 18-13=
5.34 < 6.67
4 vs.1: 18-12=
6 < 6.82
3 vs.2: 14.34-3=
1.34 < 6.41
3 vs.1: 14.34-12=
2.34 < 6.67
2 vs.1: 13-12=
1 <6.41
Tabla 5. Clculos
3.
4.
Calcular:
5.
Definimos que
6.
A partir de la Tabla VII de Montgomery obtenemos los rangos significativos. Ver la Tabla 3 (clculos).
7.
8.
.
.
Cierre
Al realizar la comparacin entre pares de medias de tratamientos con cualquiera de las tres pruebas estudiadas, hay que
efectuar los procedimientos con mucho cuidado para poder tomar la mejor decisin posible.
De tal suerte que las pruebas de hiptesis que se realicen sean significativamente diferentes, y as lleguen a ser aceptadas
o rechazadas con toda certeza.
Por ejemplo: para probar que la eficiencia de una gasolina con dos aditivos A y B son significativamente diferentes,
podemos hacer uso de las pruebas sobre la diferencia de medias con comparaciones mltiples (LSD), Tukey o rangos de
Duncan.
Referencias bibliogrficas
Walpole, R., Myers, R. y Myers, S. (2012). Probabilidad y estadstica para ingeniera y ciencias (9 ed.). Mxico:
Pearson.
[Escriba aqu]
Pg. 49 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Que la expresin
2.
3.
?:
nos describa a cada una de las observaciones.
tengan una Distribucin Normal con media cero y varianza constante,
.
Las pruebas estudiadas, de diferencia entre las medias, no son procedimientos exactos al aplicar el anlisis de
varianza. Qu se puede hacer en este caso?
Dado que por lo general no se cumplen estos supuestos, NID (Normal, Independent Distribution), se realiza un
anlisis sobre los residuos.
Checkpoint: Los conceptos de normalidad e independencia, residuos y la condicin
Anderson-Darling y la prueba de Bartlett.
. El coeficiente de
9.1 Normalidad
De acuerdo a Montgomery (2012), para verificar si nuestros residuos siguen el supuesto de normalidad
podemos realizar dos acciones:
1.
2.
Para realizar una prueba para saber si los datos de una muestra provienen de una distribucin especfica se
utiliza la prueba de Anderson-Darling. Esta es una prueba no paramtrica que se obtiene con la frmula:
[Escriba aqu]
Pg. 50 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
El valor de AD se puede obtener fcilmente desde algn software como Minitab, como veremos en el siguiente
ejemplo:
La grfica 1 nos presenta un histograma de los residuos de 166 observaciones respecto a su media, con una
aproximacin a la normal
y varianza constante
[Escriba aqu]
Pg. 51 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
2.
3.
Calcular b, el valor de una variable aleatoria B (con distribucin de Bartlett) con la frmula:
4.
[Escriba aqu]
Pg. 52 de 101
Diseo de Experimentos
5.
Tema 8
Comparar
Mdulo 2
Si tenemos que existen 4 tratamientos, A, B, C y D, cada uno con n1 = n2 = n3 = n4 =3 elementos, de tal forma
que N = n1 + n2 + n3 + n4 = 12; ver columnas 1 a 6 de la Tabla 1 (Datos y resultados parciales):
a=
n=
i=
j=
1
2
3
1
A
14
17
12
2
B
10
10
16
3
C
10
19
10
4
D
17
18
19
Tabla 1. Datos y resultados parciales
Paso 1
s2
6.34
12
27
1
1.
Calcular la varianza de cada tratamiento, ver la columna 7 de la Tabla 1 (Datos y resultados parciales).
2.
3.
4.
5.
Dado que b = 0.2277 < b4 = 0.8317, rechazamos H0 y aceptamos H1; los cuatro tratamientos no son
significativamente diferentes.
9.3 Residuos
Para ilustrar un posible anlisis de residuos, lo iremos haciendo a travs de un ejemplo directamente:
1.
Tomamos los datos de la seccin anterior, ver las columnas 1 a 6 de la Tabla 2 (datos y resultados
parciales).
[Escriba aqu]
Pg. 53 de 101
Diseo de Experimentos
2.
Tema 8
Mdulo 2
Calculamos la media de cada tratamiento, ver la columna 7 de la Tabla 2 (Datos y resultados parciales).
Sabiendo que MSE =11.5833
n= Paso 2:
a=
Paso 3:
ei1
ei2
Paso 4:
i=
j=
Media
ei3
di1
di2
14
17
12
10
10
16
12
-2
-2
10
19
10
13
-3
-3
17
18
19
18
-1
-0.294
di3
0.294
Calculamos los residuos (el error eij de cada elemento yij respecto a su correspondiente media):
.
Ver las columnas 8 a 10 de la Tabla 2 (Datos y resultados parciales).
[Escriba aqu]
Pg. 54 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
5.
Finalmente, podemos observar grficamente en la Grfica 4. Residuos contra valor ajustado, que no
hay alguna concentracin de residuos, lo que nos hace ver que se cumple muy probablemente la
condicin
[Escriba aqu]
Pg. 55 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
No nos dice la distribucin de probabilidad que tiene la poblacin de donde se sacaron los objetos medidos.
Por ejemplo, si la poblacin sigue una distribucin normal.
No nos dice si la poblacin tiene una varianza constante, que no se ve afectada por factores como la
temperatura, la humedad, etc.
Tampoco nos dice la cantidad de residuos, es decir, los valores que salen del promedio ni si se sigue el
concepto de independencia.
Sin embargo, con los conceptos estudiados en este tema podemos realizar varias pruebas para la adecuacin del
modelo que nos lleve a obtener la informacin y datos importantes para la toma de decisiones.
Referencia bibliogrfica
Montgomery, D. (2012). Diseo de experimentos (2 ed.). Mxico. Limusa Wiley.
[Escriba aqu]
Pg. 56 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Se ha mostrado que una vez planteadas nuestras hiptesis y recolectadas nuestras muestras podemos aceptarlas o
rechazarlas. Este proceso de aceptacin y rechazo por lo general se realiza al comparar nuestros clculos con algn
estadstico.
Pero surge la pregunta, de qu tamao deben ser las muestras?, por ejemplo, observando la figura, nos
preguntamos qu tan ajustados estn los datos tomados a la funcin propuesta?, basta un ciclo para saberlo?
Checkpoint: Los procedimientos de curvas caractersticas, desviacin estndar e intervalo de confianza. Los
conceptos de potencia de la prueba, desviacin estndar de un conjunto de muestras aleatorias y el estadstico t de
Student.
Tcnica
1
2
3
4
260
252.25
252
252.5
=
1016.75
= 254.2
5.8125
-1.9375
-2.1875
-1.6875
=45.172
[Escriba aqu]
Pg. 57 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
c) La media de las medias , obteniendo los resultados mostrados en la columna 7 de la Tabla 1 (resultados
preliminares).
Paso 3. Calculamos:
a)
b) La suma de todas ellas, obteniendo los resultados mostrados en la columna 7 de la Tabla 1 (Resultados
preliminares).
Paso 4. Suponiendo que
obtenemos que:
Y calculamos, para valores de n = 2 en adelante, aquel valor obteniendo los resultados mostrados en la
columna 2 de la Tabla 2 (Resultados finales).
n
2
2.52 1.5875
0.6
0.4
3.78 1.9442
0.29
0.71
5.04
2.245
12
0.054
0.946
6.3
2.51
16
0.032
0.968
[Escriba aqu]
Pg. 58 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Curvas 1. Operating characteristics curves for the fixed-effects model analysis of variance
Imagen obtenida de
http://www.iuma.ulpgc.es/~nunez/mastertecnologiastelecomunicacion/Tema3DisenodeExperimentos/Montgomery-Runger3rd2003Ch-13.pdf. Solo para fines educativos.
, por lo que
[Escriba aqu]
Pg. 59 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Ejemplo:
Si tomamos los datos de la resistencia de fluencia del acero A36, y calculamos el valor de suponiendo que
se desea detectar un incremento de 20%, con una probabilidad de al menos 0.90 y utilizando un nivel de
significancia
.
Solucin:
Paso 1. Realizar el experimento; ver tabla 1 del ejemplo anterior.
Paso 2. Calculamos:
a) La media de cada tratamiento.
b) La suma de todas ellas.
c) La media de las medias, - ; ver tabla 1 del ejemplo anterior.
Paso 3. Calculamos:
a)
.
b) La suma de todas ellas: Ver Tabla 1 del ejemplo anterior.
Paso 4. Suponiendo que
obtenemos que:
Y con esto calculamos valores de para n = 8, 9, 10 y 11, obteniendo los resultados mostrados en la columna
2 de la Tabla 3 (resultados finales):
n
8
9
10
11
[Escriba aqu]
1.8668
3
28
0.21
1.98
3
32
0.12
2.0871
3
36
0.083
2.189
3
40
0.053
Tabla 3. Resultados finales
0.79
0.88
0.917
0.947
Pg. 60 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Curvas 2. Operating characteristics curves for the fixed-effects model analysis of variance.
Imagen obtenida de
http://www.iuma.ulpgc.es/~nunez/mastertecnologiastelecomunicacion/Tema3DisenodeExperimentos/Montgomery-Runger3rd2003Ch-13.pdf. Solo para fines educativos.
, por lo que
[Escriba aqu]
Pg. 61 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Para utilizar esta metodologa, hay que seguir los siguientes pasos:
Paso 1. Obtener el valor del nmero de tratamientos , y asignar un valor al nivel de significancia .
Paso 2. Calcular los grados de libertad
Paso 3. Obtener de tablas, el valor de
Paso 3. Calculamos
Ejemplo:
Si tomamos los datos de la resistencia de fluencia del acero A36, calculamos el valor del intervalo
para diferentes valores de n.
Solucin:
Paso 1. Obtenemos que el valor del nmero de tratamientos
significancia
.
Paso 2. Calculamos los grados de libertad
3 (Resultados).
[Escriba aqu]
Pg. 62 de 101
Diseo de Experimentos
4
3
2
Tema 8
12
8
4
2.175
2.306
2.776
4.61
5.65
8.33
Tabla 3. Resultados
Mdulo 2
1.61
2.65
5.33
previamente
Con la desviacin estndar tambin se hace una combinacin de ecuaciones con mtodos grficos.
Con el intervalo de confianza, en la que se combinan las ecuaciones de decisin con valores en tablas.
Referencia bibliogrfica
Montgomery, D. (2012). Diseo de experimentos (2 ed.). Mxico. Limusa Wiley.
[Escriba aqu]
Pg. 63 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
El diseo de bloques completos aleatorios se utiliza cuando queremos comparar tratamientos o determinar el
efecto de un factor en especial.
La Tabla 1 nos muestra el lugar en que hay que colocar los factores para el anlisis de varianza para el diseo
de bloques completos aleatorios:
Fuente de
variacin
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
F0
Tratamientos
Bloques
Error
Total
Tabla 1. Anlisis de varianza para el diseo de bloques completos aleatorios
Cada factor de la Tabla 1 se calcula segn las frmulas descritas en la siguiente tabla (Tabla 2):
Tabla 2. Frmulas
Ejemplo: Un ingeniero desea probar el efecto de colocar cuatro diferentes tipos de capacitores en la
frecuencia de oscilacin de un oscilador, que espera sea de 100 MHz. Para la prueba, el ingeniero decide
realizar un anlisis de varianza para el diseo de bloques completos aleatorios que consiste en utilizar cada
tipo de capacitor en cinco osciladores diferentes y realizar la decisin con un nivel de significancia
.
Solucin.
Paso 1. El orden en que se elige el amplificador y su correspondiente capacitor es al azar.
[Escriba aqu]
Pg. 64 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
En la siguiente tabla (Tabla 3) se muestra la frecuencia de oscilacin (en MHz) de los cinco amplificadores con
los cuatro capacitores:
Amplificador
Capacit
1
2
3
4
5
or
1
98.9
97.3 102.6 104.1 103.2
2
104.0
103.4 100.5 97.0
98.0
3
98.3
101.3 101.2 95.5 100.9
4
104.4
101.5 98.7 101.8 97.0
Tabla 3. Frecuencia de oscilacin (en MHz)
Paso 2. Para simplificar el procedimiento le restamos 100 a cada valor medido y calculamos
Capacitor
(b=4)
1
2
3
4
1
-1.1
4.0
-1.7
4.4
5.6
31.5
Amplificador (a=5)
2
3
4
(Tabla 4).
-2.7
2.6
4.1
3.2
3.4
0.5
-3.0
-2.0
1.3
1.2
-4.5
0.9
1.5
-1.3
1.8
-3.0
3.5
3.1
-1.6
-0.9
12.3
9.3
2.6
0.81
Tabla 4. Frecuencias relativas a 100 MHz
6.2
2.9
-2.8
3.4
38.36
8.17
7.77
11.71
66.0
56.51
Paso 3. Realizamos los clculos utilizando las frmulas de las tablas 1 y 2. Las operaciones y los resultados se
muestran en la siguiente tabla (Tabla 5):
Fuente de
variacin
Suma de cuadrados
Grados de
libertad
Cuadrados medios
F0
Tratamien
tos
Bloques
Error
[Escriba aqu]
Pg. 65 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Total
Tabla 5. Operaciones y resultados
Paso 4. Dado que
es mayor que
no afectan a la frecuencia de oscilacin.
) llamados de
5X5
[Escriba aqu]
Suma de cuadrados
Grados de
libertad
Cuadrados
medios
Pg. 66 de 101
F0
Diseo de Experimentos
Tema 8
Mdulo 2
Tratamient
os (Letras
latinas)
Renglones
Columnas
Error
Total
Tabla 6. Anlisis de varianza para el diseo de cuadro latino
Ejemplo: para el ejemplo de la seccin anterior, el ingeniero desea probar el efecto de colocar cuatro
diferentes tipos de resistencias adems de los cuatro diferentes tipos de capacitores en la frecuencia de
oscilacin de un oscilador, que espera sea de 100 MHz. Para la prueba el ingeniero decide llevar a cabo un
anlisis de varianza en el diseo de cuadro latino y realizar la decisin con un nivel de significancia
.
Solucin.
Paso 1. El orden en que se elige el amplificador y su correspondiente capacitor es al azar.
En la siguiente tabla (Tabla 7) se muestra la frecuencia de oscilacin (en MHz) con los cuatro capacitores y las
cuatro resistencias:
Resistencia
Capacitor
98.17
98.04
99.40
96.11
98.81
101.42
97.57
100.53
103.33
103.96
104.29
102.59
[Escriba aqu]
Pg. 67 de 101
Diseo de Experimentos
Tema 8
95.02
Mdulo 2
101.57
107.24
96.55
Tabla 7. Frecuencia de oscilacin (en MHz) con los cuatro capacitores y las cuatro resistencias
Paso 2. En la siguiente tabla (Tabla 8), se codifican los datos, respecto a la frecuencia deseada y se asignan las
letras latinas.
Resistencia
Capacitor
k=1
k=2
k=3
k=4
i=1
-1.83
-1.96
-0.60
-3.89
i=2
-1.19
1.42
-2.43
0.53
i=3
3.33
3.96
4.29
2.59
i=4
-4.98
1.57
7.24
-3.45
que
concluimos que no hay una diferencia significativa en el uso de diferentes
marcas de resistencias y capacitores en la frecuencia obtenida de los osciladores.
11.3 Diseo de cuadro grecolatino
El diseo de cuadro grecolatino se utiliza cuando se desea comparar cuatro factores, dos de ellos (
llamados de bloque y los otros dos (
latinas
Se le llama cuadro grecolatino ya que adems de los dos factores a comparar se realiza una tercera
comparacin de acuerdo a la combinacin de letra griega y latina correspondiente.
[Escriba aqu]
Pg. 68 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
A continuacin se incluyen dos ejemplos de dicho orden (que puede ser diferente): uno para p=4: cuadro 4 X 4
y otro para p=5: cuadro 5 X 5.
4X4
5X5
Suma de cuadrados
Grados de libertad
[Escriba aqu]
Pg. 69 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
98.17
98.04
99.40
96.11
98.81
101.42
97.57
100.53
103.33
103.96
104.29
102.59
95.02
101.57
107.24
96.55
Tabla 10. Frecuencia de oscilacin (en MHz) con los cuatro capacitores y las cuatro resistencias
Paso 2. Se codifican los datos, respecto a la frecuencia deseada y se asignan las letras griegas y latinas.
Resistencia
Capacitor
k=1
k=2
k=3
k=4
i=1
-1.83
-1.96
-0.60
-3.89
i=2
-1.19
1.42
-2.43
0.53
i=3
3.33
3.96
4.29
2.59
i=4
-4.98
1.57
7.24
-3.45
que
concluimos que no hay una diferencia significativa en el uso de diversos
procedimientos de ensamble y de las diferentes marcas de resistencias y capacitores en la frecuencia
obtenida de los osciladores.
Cierre
[Escriba aqu]
Pg. 70 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Al utilizar los bloques completos, disponemos de una buena variedad de mtodos: de inicio el diseo de bloques
completos y en general para determinar la relacin que dos factores tienen con la variable de respuesta.
Si deseamos aumentar un factor, podemos utilizar los diseos de cuadro latino y basados en los bloques completos
incluimos en ellos un nuevo parmetro, indicado a base de letras latinas.
Y si deseamos aumentar un factor ms, podemos utilizar los diseos de cuadro grecolatino, que basados en los
diseos de cuadro latino incluimos en ellos un nuevo parmetro, indicado a base de letras griegas.
Es el diseo ms eficiente para los experimentos en los que se desea estudiar los efectos de dos o ms
factores.
2.
En cada ensayo o rplica completa del experimento se investigan todas las combinaciones posibles de
los niveles de los factores.
3.
Factores cruzados, s el factor A tiene a niveles y el factor B tiene b niveles, entonces cada rplica
contiene ab combinaciones.
4.
Efecto principal, se le llama al cambio en la respuesta producido por un cambio en el nivel del factor.
Por ejemplo, el experimento de la Figura 12.1 tiene dos factores y cada factor con dos niveles: bajo (-) y alto
(+).
El efecto principal del factor A se calcula como:
[Escriba aqu]
Pg. 71 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Figura 12.1 Experimento factorial de dos factores con la respuesta (y) indicada en los vrtices
[Escriba aqu]
Pg. 72 de 101
Diseo de Experimentos
6.
Tema 8
Mdulo 2
La magnitud del efecto de interaccin: Se calcula con el promedio de los dos efectos anteriores:
|A| = (- 28 -30)/2 = -29
Grficamente podemos ver en la Figura 12.3 un experimento factorial sin interaccin mientras que en las
Figura 12.4 podemos ver un experimento factorial con interaccin
[Escriba aqu]
Pg. 73 de 101
Diseo de Experimentos
8.
9.
10.
Tema 8
Mdulo 2
Factor cuantitativo, son las variables las que se les puede asignar una cantidad analgica, como a la
temperatura, presin, tiempo, etc.
Modelo de regresin, un factor cuantitativo que puede ser representado con una funcin:
Grfica de superficie de respuesta: Se le llama as a la representacin grfica de un modelo de
regresin.
[Escriba aqu]
Pg. 74 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
y al aumentar un factor,
[Escriba aqu]
Pg. 75 de 101
Diseo de Experimentos
a.
b.
c.
d.
e.
f.
Tema 8
Mdulo 2
Como se haba mencionado en el subtema 6.3, es frecuente que ante un proceso industrial, estos parmetros
sean desconocidos, lo que dificulta la toma de decisiones.
Una alternativa es realizar una estimacin puntual de estos estadsticos.
En la estimacin puntual, se evalan los parmetros por medio de una muestra de tamao, p, siguiendo los
siguientes procedimientos:
a.
b.
, dado por
, que se representa
c.
, dado por
, que se
d.
El parmetro
, se estima a travs de la media de la muestra
representa con el smbolo .
, dado por
, que se
e.
El parmetro
, se estima a travs de la media de la muestra
representa con el smbolo .
, dado por
, que se
Ejemplo: Realiza una estimacin puntual tomando como referencia los parmetros calculados en el subtema
11.2 (Diseo de cuadro latino)
Solucin:
Tomando los datos del ejemplo anterior, calculamos los parmetros deseados.
[Escriba aqu]
Pg. 76 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
[Escriba aqu]
Pg. 77 de 101
Diseo de Experimentos
4.
5.
Tema 8
Mdulo 2
Ahora sabes realizar la estimacin puntual de algunos parmetros, de modo que ya tienes las bases necesarias
para iniciar el estudio de los diseos factoriales.
Referencias bibliogrficas
Gutirrez, H. y De la Vara, R. (2008). Anlisis y diseo de experimentos (2 ed.). Mxico: McGraw Hill.
[Escriba aqu]
Pg. 78 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Notacin de Yates
AB
(1)
ab
Tabla 1. Notacin de Yates y signos para calcular los efectos en el diseo factorial 2 2
Fuente de variacin
Contraste
Efecto
Factor A
Factor B
AB
Efecto medio
[Escriba aqu]
Pg. 79 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
A
B
AB
Error
Total
Tabla 5. Tabla ANOVA para realizar la prueba de un experimento a base de diseos factoriales 2 2
Ejemplo: Se desea estudiar el efecto del dimetro de un cilindro neumtico (factor A) y la presin (factor B)
sobre la fuerza de carga del cilindro (respuesta). La prueba ser con 3 rplicas. Se utilizar para la prueba
cilindros de 20mm y 25mm y presiones de 400kPa y 600kPa.
Solucin:
Factor
Niveles
Unidad
Dimetro
20
25
mm
Presin
400
600
kPa
B: Presin
x1
X2
20mm
400kPa
-1
-1
113
104
116
333
25mm
400kPa
+1
-1
174
151
162
487
[Escriba aqu]
Fuerza, N
Total
Pg. 80 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
20mm
600kPa
-1
+1
145
169
138
452
25mm
600kPa
+1
+1
244
226
276
746
Blocks: 1
Name
Units
Type
A
B
High
Numeric
-1
Numeric
-1
A:A
B:B
R1
Continue
Responses: 1
Units
Name
R1
Introducir los datos en la columna R1:
Std
Run
[Escriba aqu]
Factor 1
Factor 2
Response 1
-1.00
-1.00
113
-1.00
-1.00
104
-1.00
-1.00
116
1.00
-1.00
174
1.00
-1.00
151
11
1.00
-1.00
162
-1.00
1.00
145
-1.00
1.00
169
10
-1.00
1.00
138
10
1.00
1.00
244
11
12
1.00
1.00
226
12
1.00
1.00
276
Pg. 81 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Contraste
Modelo
Suma de
Grados de
Cuadrados
Valor
Valor_p
cuadrados
libertad
Medios
Prob > F
40098.00
3.00
13366.00
39.07
< 0.0001
A-A
430.00
15408.33
1.00
15408.33
45.04
0.0002
B-B
526.00
23056.33
1.00
23056.33
67.40
< 0.0001
AB
140.00
1633.33
1.00
1633.33
4.77
0.0604
Error
2736.67
8.00
342.08
Total
42834.67
11.00
significant
Tabla 6. Tabla ANOVA con los resultados de la prueba del experimento a base de diseos factoriales 22
Conclusiones:
1.
2.
3.
4.
Es el proceso de los diseos factoriales 22 ms complicado que, por ejemplo, los cuadros latinos? Dado que
este tipo de problemas se resuelve a travs de un cuadro ANOVA, la complejidad viene a ser la misma.
Adems, al utilizar software como el Design Expert los clculos se simplifican muchsimo. Esto no quiere decir
que el problema no se pueda resolver con una hoja de clculo.
Sin embargo, utilizando Design Expert es posible obtener otros resultados:
1.
2.
En forma de tabla como por ejemplo, los valores para el modelo de regresin.
3.
En forma grfica como por ejemplo: la curva normal de los residuos o los residuos en funcin de los
predecibles o de contorno o en 3D para superficies de respuesta.
2.
[Escriba aqu]
Pg. 82 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Por ejemplo: la velocidad del motor del automvil depende del octanaje de la gasolina, de la chispa de las
bujas y del grado de mezcla con el aire.
De tal suerte que la combinacin de ellos estar dada por su correspondiente producto:
Como en todo sistema binario, los niveles pueden ser designados como 0 (cero) o 1 (uno), alto o bajo,
+ o -, A o B, etc.
I
AB
AC
BC
ABC
(1)
ab
ac
bc
abc
Suma de
cuadrados
Grados de
libertad
Grados medios
F0
Valor_P
A
B
C
AB
AC
BC
ABC
Error
Total
Tabla 3. Tabla ANOVA para realizar la prueba de un experimento a base de diseos factoriales 2 2
Fuente de variacin
[Escriba aqu]
Contraste
Pg. 83 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
A
B
C
AB
AC
BC
ABC
Tabla 4. Contrastes para realizar la prueba de un experimento a base de diseos factoriales 2 3
Niveles
Alto
Bajo
Unidad
1.6
2.8
Nmero de detencin
ngulo de iluminacin
90
45
Grados
Corriente
0.6
0.3
Amperes
[Escriba aqu]
Pg. 84 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
[Escriba aqu]
Pg. 85 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Tabla 7. Tabla ANOVA con los resultados de la prueba del experimento a base de diseos factoriales 23
Imagen obtenida de http://www.wiley.com/../ Solo para fines educativos
Para un anlisis ms detallado se recomienda consultar el documento original.
Para que nuestro anlisis no necesite ser remolcado por no dotarlo de los requerimientos necesarios como
un auto al que no se le puso suficiente gasolina, carga de batera, bomba de agua en buen estado, etc., es muy
recomendable seguir los pasos del anlisis en forma adecuada.
1.
Contrastes
2.
Efectos
3.
Suma de cuadrados
4.
ANOVA
Los dos primeros son responsabilidad plena del diseador y los dos ltimos pueden ser resueltos por un
buen programa de computadora, pero el diseador no se aparta de la eleccin correcta de los parmetros, de
la introduccin en orden de los datos y de la correcta interpretacin de los resultados.
13.3 Diseos factoriales
Pareciera que andar en bicicleta es solo un deporte de pista o de montaa, pero adems de lo deportivo Qu
experimentacin puede realizarse pedaleando una bicicleta?
Sera prcticamente interminable si nos ponemos a contar los factores que afectan la velocidad de una
bicicleta y por lo tanto el tiempo del recorrido.
Afortunadamente se cuenta con diseos factoriales mayores a
Este es el diseo factorial
oa
Refina el modelo
Analiza resultados
Interpreta resultados
[Escriba aqu]
Pg. 86 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
se presentan en la
Suma de cuadrados
Grados de libertad
Niveles
Bajo
Alto
40
60
Engranaje
Bajo
Alto
36
42
En contra
A favor
Unidad
psi
Pulgadas
Tabla 11. Los factores y sus niveles estn descritos en la siguiente tabla
La ecuacin de regresin obtenida con el Design Expert se muestra a continuacin:
Tiempo = 134.55 - 6.34*A 9.69*B 4.49*C 2.16*D 2.41*AB 1.52*BD
[Escriba aqu]
Pg. 87 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Grados de
Cuadrados
Valor
Prob > F
Fuente
Cuadrados
libertad
Medios
Bloque
6.5664063
6.56640625
Modelo
2674.1984
445.6997396
87.76338
< 0.0001
644.01751
644.0175063
126.8144
< 0.0001
1502.1438
1502.143806
295.7893
< 0.0001
322.83106
322.8310563
63.56913
< 0.0001
74.952306
74.95230625
14.75897
0.0049
AB
93.074256
93.07425625
18.32739
0.0027
BD
37.179506
37.17950625
7.32107
0.0268
Residuos
40.6274
5.078425
Total
2721.3922
15
significant
Tabla 12. Tabla ANOVA con los resultados de la prueba del experimento a base de diseos factoriales 24
Conclusiones: Dado que todos los valores de (Prob > F) < 0.05 se concluye que todos los factores son
significativos.
Se recomienda consultar a Kandaswamy y Selvaraj (2000) para un anlisis ms detallado de:
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
Grficas de interacciones.
11.
Tabla de factores R.
[Escriba aqu]
Pg. 88 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Cierre
As que no solo se pedalea por deporte o por diversin, tambin nos podemos detener y pedalear para el
avance de la ciencia.
Aunque en estos ejemplos se ha estado utilizando el programa Design Expert para resolver los problemas,
hay que aclarar que otros programas de cmputo tambin nos pueden servir como el Minitab o el SPSS o an
el Excel.
Despus de analizar este ejemplo de aplicacin del diseo factorial2k para k = 4, te invito a voltear a tu
derredor y ver que el mundo se presenta ya no como un todo, sino como un conjunto de componentes que
dependen de varios factores Cules identificas?
Referencias bibliogrficas
Babu, P., Katha, S., y Mar, L. (2000). An experimental design for improving the accurate classification of the
images of present and absent components in printed circuit boards when inspected by an automated visual
inspection system. Recuperado de:
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/automated_visual_inspection.doc
Gutirrez, H. y De la Vara, R. (2008). Anlisis y diseo de experimentos (2 ed.). Mxico: McGraw Hill.
Kandaswamy, P. y Selvaraj, V. (2000). Estudio de los factores que afectan el tiempo para andar en bicicleta
a travs de un experimento bicicletero. Recuperado de
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/bikes.doc
[Escriba aqu]
Pg. 89 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
Si consideramos tres niveles en cada factor y tomamos k factores en consideracin, la combinacin de ellos estar
dada por su correspondiente producto:
.
Checkpoint: Los conceptos relacionados con los diseo factoriales 3k. Los procedimientos para realizar el anlisis
del diseo factorial 32 , 33 y 3k y su solucin con el software Design Expert.
Para este tipo de diseo en la siguiente tabla se presentan los grados de libertad:
Fuente
A-A
B-B
AB
Error
Total
Grados de
libertad
2
2
4
[Escriba aqu]
Pg. 90 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
sexo. Es decir estamos hablando de un diseo factorial inter 32 donde asignamos al azar 5 sujetos a cada uno
de los 6 tratamientos.
Solucin:
Para resolver este problema se utiliz el programa SPSS siguiendo la secuencia de comandos:
Analizar modelo general lineal univariante dependientes (colocar VD) factores fijos (VI) opciones:
1.
Test de homogeneidad.
2.
Pruebas post hoc sobre los efectos principales.
3.
Medias para las 2 VI.
4.
Medias para la interaccin de las 2 VI.
Los resultados obtenidos fueron los siguientes:
Grupo 1
Grupo 2
Grupo 3
TOTAL
(control) (experimental) (experimental)
Mujeres
5.2
8.4
10.2
7.9
Hombre
3.6
3.0
1.6
2.7
s
TOTAL
4.4
5.7
5.9
Tabla 1. Resultado de Medias
Univariate Homogenity of Variance Test
Cochrans C(4;6) =
Bartlett-Box F(5;741) =
Fuente de variacin
Dentro+residuos
Grupo
Sexo
Grupo por sexo
(Modelo)
(Total)
Suma de
Grados de Cuadrados
cuadrados
libertad
medios
27,20
24
1,13
13,27
2
6,63
202,80
1
202,80
61,40
2
30,70
277,47
5
55,49
304,67
29
10,51
Tabla 3. Resultado del ANOVA
Valor_P
5,85
178,94
27,09
48,96
,009
,000
,000
,000
Conclusiones: dado que todos los valores de (Valor_P) < 0.05 se concluye que todos los factores son
significativos.
Se recomienda consultar el documento original (Pitarque, 2003), para un anlisis ms detallado.
[Escriba aqu]
Pg. 91 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
efectos.
Grados de libertad:
1.
Observamos que existen 27 combinaciones de tratamientos lo que nos da 26 grados de libertad.
2.
Cada efecto medio tiene 2 grados de libertad.
3.
Cada interaccin de dos factores tiene 4 grados de libertad.
4.
Cada interaccin de tres factores tiene 8 grados de libertad.
5.
En total existen
6.
Ejemplo: Purvis y Gallagher (2000) nos presentan el siguiente ejemplo del diseo factorial 3 3 a travs de un
diseo experimental para establecer unos valores nuevos de la potencia, la presin y la relacin de gas que
sern utilizados en un nuevo ajuste de 1.2cm.
Solucin:
Se establecen los niveles bajo, medio y alto:
Niveles
Unidad
Bajo
Medio
Alto
A
Potencia
600
750
900
W
B
Presin
300
385
470
mT
C
CF4:CHF3
1.8
2.2
2.6
Tabla 4. Los factores y sus niveles estn descritos en la siguiente tabla.
Factor
[Escriba aqu]
Pg. 92 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
4120-90
Residuos
Cor Total
95855.00
9.458E+006
Cuadrados
medios
43560.00
4.657E+006
1.674E+006
7.640E+006
242.93
87.34
398.53
4120-90
0.21
Valor_p
< 0.0001 significativo
0.0002
< 0.0001
NO
0.6624
significativo
5
19171.00
9
Tabla 5. Resultado del ANOVA
Conclusiones:
1.
Dado que (Valor_p del Modelo) < 0.01 se concluye que es significativo.
2.
Dado que (Valor_p de A) < 0.01 se concluye que es significativo.
3.
Dado que (Valor_p de B) < 0.01 se concluye que es significativo.
4.
Dado que (Valor_p de la Curvatura) > 0.01 se concluye que es no es significativo.
Se recomienda consultar el documento original (Purvis y Gallagher, 2000) para un anlisis ms detallado.
14.3 Diseos factoriales 3k
significa k factores con 3 niveles cada uno.
efectos.
Lo estudiado en los diseos 3 y 3 puede ser utilizado para el diseo factorial 3k.
2
Montgomery (2012) nos indica que en el caso de k = 4, se utiliza la notacin 0120 para la combinacin de
tratamientos con los factores A y D a los niveles bajos, B al nivel medio y C al nivel alto.
Existen
Existen
combinaciones de tratamientos.
grados de libertad entre ellos.
para k = 4.
Solucin:
[Escriba aqu]
Pg. 93 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
2.
Nmero de factores = 4
3.
Diseos:
a.
b.
Nmero de rplicas = 1
c.
Aceptar
4.
Factores:
a.
b.
Aceptar
5.
6.
Resultados
a.
b.
Aceptar
Aceptar
Resultados:
Diseo factorial de mltiples niveles
Factores: 4 Rplicas: 1
Corridas base: 81 Total de corridas: 81
Bloques base: 1 Total de bloques: 1
Nmero de niveles: 3, 3, 3, 3
Tabla de diseo (aleatorizada)
Una vez organizado el diseo se procede al anlisis de varianza, como se ha visto en los temas anteriores.
Cierre
Ahora s, a volar!, Ahora ya cuentas con las herramientas necesarias para resolver problemas de la vida cotidiana
con diseos de mltiples factores como el que se presenta en la fbrica de pasteles.
Referencias bibliogrficas
Pitarque,
A.
(2003).
Mtodos
y
diseos
de
investigacin.
Recuperado
de
http://www.uv.es/pitarque/TRANSPARENCIAS.pdf
Purvis, D. y Gallagher, M. (2000). Plasma etch tool gap distance DOE final report. Recuperado de
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/plasma_text.doc
[Escriba aqu]
Pg. 94 de 101
Diseo de Experimentos
Tema 8
Mdulo 2
2.
3.
Podemos observar que la mayora de los grados de libertad corresponden a las interacciones entre tres
factores (42), de tal forma que el diseador puede llegar a considerar que no son significativos y realizar el
diseo solo con los efectos medios y las interacciones entre dos factores; a este tipo de diseo se le conoce
como fraccin del diseo 2k
Debido a que la fraccin del diseo 2k contiene 2k-1 corridas se le conoce como diseo factorial fraccionado
2k-1.
Ejemplo: Null, Shiau, Skinner y Wee (2000) se dieron a la tarea de determinar los factores que afectan la altura
de un pastel y realizaron el anlisis que se presenta a continuacin:
Se determinaron los factores y sus niveles, mostrados en la siguiente tabla: se establecen los niveles bajo,
medio y alto.
Factor
A
[Escriba aqu]
Niveles
Bajo Medio Alto
275
350 425
Unidad
Grados
Pg. 95 de 101
Diseo de Experimentos
Tema 8
B
C
D
Mdulo 2
Levadura
1/16
1/8
1/4 Cucharadita
Leche
1/3
5/12 1/2
Taza
Harina
1/2 1 1/4
2
Cucharadita
Tabla 1. Los factores y sus niveles.
Se introducen los datos en el Design Expert considerando un diseo 24-1 (2k-1 para k = 4) con una rplica,
obteniendo el siguiente resultado:
Ecuacin de regresin
Fuente de
variacin
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
Valor_p
Efectos medios
17.523
4.381
4.13
0.099
0.155
0.052
0.05
0.984
4.244
4.003
0.241
21.922
4
1
3
11
1.061
4.003
0.080
49.92
0.006
Interacciones
dobles
Error residual
Curvatura
Error puro
Total
NO
significativo
NO
significativo
significativo
[Escriba aqu]
Pg. 96 de 101
Diseo de Experimentos
Corrida
Tema 8
A
+
+
+
+
+
+
+
+
+
+
+
+
8
9
10
11
12
13
14
15
16
Diseo Bsico
B
C
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
D
+
+
+
+
+
+
+
+
Mdulo 2
E=ABC
F=BCD
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
Merma (x10)
Funcin de regresin:
Para un anlisis ms detallado de los Efectos, Suma de Cuadrados y los dems Coeficientes de
Regresin se recomienda consultar la referencia de Montgomery (2012).
[Escriba aqu]
Pg. 97 de 101
Diseo de Experimentos
1
2
3
4
5
6
7
8
Tema 8
Mdulo 2
OP_DIFF
2
2
4
OP_PHOTO
2
2
4
OP_ETCH
2
3
5
OP_WET
2
2
4
OP_MOVE
2
35
55
Release Rate
2
18k
19k
Dispatching Rules
2
FIFO
Same Setup
Stockers Qty.
2
2
4
Tabla 3. Factores con sus correspondientes niveles.
Dado que k=8, se decide disminuir a 4 el exponente del diseo, por lo que se realizar el experimento basado
en un diseo factorial fraccionado 28-4 ( 2k-p con k=8 y p=4).
Adems se decide tomar como variables de salida:
1.
El tiempo promedio por ciclo.
2.
El rendimiento.
Se introducen los datos del experimento y se realizan los clculos, dando los siguientes resultados en las
tablas:
1.
ANOVA para el tiempo promedio por ciclo.
2.
ANOVA para el rendimiento.
Fuente de
variacin
Modelo
A
G
AG
Curvatura
Residuos
Falta de ajuste
Error puro
Total
Fuente de
variacin
Modelo
A
Suma de
cuadrados
3094696.40
2440544.15
510956.81
143195.44
852.64
7832.96
5791.66
2041.30
3103382
Grados de
Cuadrados
F
libertad
medios
3
1031565.47
2238.82
1
2040544.15
5296.75
1
510956.81
1108.94
1
143195.44
310.78
1
852.64
1.85
17
460.76
13
445.51
0.872996454
4
510.33
21
Tabla 4. ANOVA para el tiempo promedio por ciclo
Suma de
cuadrados
14050525.55
13028404.55
[Escriba aqu]
Grados de
libertad
2
1
Cuadrados
medios
7025262.77
13028404.55
Valor_p
<0.0001
<0.0001
<0.0001
<0.0001
0.1915
NO significativo
0.6215
NO significativo
Valor_p
4574.10
8482.71
<0.0001
<0.0001
significativo
significativo
Pg. 98 de 101
Diseo de Experimentos
AG
Curvatura
Residuos
Falta de ajuste
Error puro
Cor total
1022121.00
560.48
27645.79
17847.12
9798.67
14078731.82
Tema 8
1
1022121.00
665.50
1
560.48
0.36
18
1535.88
14
1274.79
0.52
4
2449.67
21
Tabla 5. ANOVA para el rendimiento
Mdulo 2
<0.0001
0.5533
NO significativo
0.8373
NO significativo
Cierre
En la competencia deportiva de pista, por lo general, se busca llegar primero.
En la competencia profesional, por lo general, se busca ser el mejor para obtener los contratos o el puesto deseado.
En la competencia matemtica, por lo general, se busca tener la metodologa correcta para resolver nuestras
ecuaciones matemticas con exactitud.
En la competencia del diseo experimental, por lo general, se busca disponer de la metodologa necesaria para
resolver nuestros diseos estadsticos dentro de un nivel significativo.
Aqu terminamos un mtodo fraccionado, pero con los conocimientos suficientes para disear y resolver casi
cualquier experimento que tengamos que realizar.
Felicidades!
Referencias bibliogrficas
Null, C., Shiau, J., Skinner, K. y Wee, C. (2000). Analysis of factors affecting cupcake heigh. Recuperado de
http://www.wiley.com/legacy/college/engin/montgomery316490/proj/cupcake_heigh.doc
[Escriba aqu]
Pg. 99 de 101
Diseo de Experimentos
[Escriba aqu]
Tema 8
Mdulo 2
Diseo de Experimentos
[Escriba aqu]
Tema 8
Mdulo 2