Documente Academic
Documente Profesional
Documente Cultură
INDICE
INTRODUCCIN..3
DISEO DE EXPERIMENTOS DE 2 O MAS FACTORES4
ALEATORIZAR5
BLOQUEAR..5
FACTORIZAR...6
DISEO DE BLOQUESALEATORIZADO......6
DISEOS CON DOS O MS FACTORES BLOQUE7
INTRODUCCIN
Los conceptos y mtodos estadsticos no son slo tiles, sino que con frecuencia
son indispensables para entender el mundo que nos rodea. Proporcionan formas de
obtener ideas nuevas del comportamiento de muchos fenmenos que se
presentarn en su campo de especializacin escogido en ingeniera o ciencia.
Todas nuestras actividades asociadas con planear y realizar estudios de
investigacin tienen implicaciones estadsticas. Los principios que se presentan en
el constituyen la base para la estructura de un estudio de investigacin; a su vez,
esa estructura define la funcin del estudio. Si la estructura es razonable, el estudio
funcionar de manera adecuada y se obtendr la informacin para la que fue
diseado. Si la estructura tiene fallas, el estudio no funcionar bien y presentar
informacin incompleta o errnea. Los principios estadsticos son los asociados con
la recoleccin de aquellas observaciones que proporcionen la mayor cantidad de
informacin para el estudio de investigacin de una manera eficiente. Incluyen el
diseo de tratamientos, el control local de la variabilidad, el nmero de rplicas, la
aleatorizacin y la eficiencia de los experimentos.
Los modelos de diseo de experimentos son modelos estadsticos clsicos cuyo
objetivo es averiguar si unos determinados factores influyen en una variable de
inters y, si existe influencia de algn factor, cuantificar dicha influencia.
Considere una situacin en la que haya inters por estudiar el efecto de dos
factores, A y B, sobre alguna respuesta. Por ejemplo, en un experimento qumico
nos gustara variar en forma simultnea la presin de reaccin y el tiempo de
reaccin, y estudiar el efecto que cada uno tiene sobre el producto.
En muchas situaciones experimentales, existen dos o ms factores que son de
inters simultneo. En conclusin, el siguiente trabajo dar una amplia gama de
informacin para investigar tales situaciones multifactoriales.
ALEATORIZAR
Aleatorizar todos los factores no controlados por el experimentador en el diseo
experimental y que pueden influir en los resultados sern asignados al azar a las
unidades experimentales.
Ventajas de aleatorizar los factores no controlados:
BLOQUEAR
Se deben dividir o particionar las unidades experimentales en grupos
llamados bloques de modo que las observaciones realizadas en cada bloque se
realicen bajo condiciones experimentales lo ms parecidas posibles.
A diferencia de lo que ocurre con los factores tratamiento, el experimentador no est
interesado en investigar las posibles diferencias de la respuesta entre los niveles de
los factores bloque.
Bloquear es una buena estrategia siempre y cuando sea posible dividir las unidades
experimentales en grupos de unidades similares.
La ventaja de bloquear un factor que se supone que tienen una clara influencia en
la respuesta, pero en el que no se est interesado, es la siguiente:
Convierte la variabilidad sistemtica no planificada en variabilidad sistemtica
planificada.
Ejemplo
Se desea investigar las posibles diferencias en la produccin de dos mquinas, cada
una de las cuales debe ser manejada por un operario.
En el planteamiento de este problema la variable respuesta es la produccin de
una mquina (en un da), el factor-tratamiento en el que se est interesado es el
tipo de mquina que tiene dos niveles y un factor nuisance es el operario que
maneja la mquina. En el diseo del experimento para realizar el estudio se pueden
utilizar dos estrategias para controlar el factor operario que maneja la mquina.
comparacin adecuada de los equipos. Para evitar este sesgo hay dos maneras de
anular el posible efecto del factor operador: la manera lgica es utilizar el mismo
operador en las cuatro mquinas; sin embargo, tal estrategia no siempre es
aconsejable, ya que utilizar al mismo sujeto elimina el efecto del factor operador,
pero restringe la validez de la comparacin con dicho operador, y es posible que el
resultado no se mantenga al utilizar a otros operadores. La otra forma de anular el
efecto operador en la comparacin consiste en que cada operador trabaje durante
el experimento con cada una de las mquinas. Esta estrategia es la ms
recomendable, ya que utilizar a todos los operadores con todas las mquinas
permite tener resultados de la comparacin que son vlidos para todos los
operadores. Esta ltima forma de nulificar el efecto de operadores, recibe el nombre
de bloqueo.
DISEOS CON DOS O MS FACTORES BLOQUE
En ocasiones hay dos (o ms) fuentes de variacin lo suficientemente importantes
como para ser designadas factores de bloqueo. En tal caso, ambos factores bloque
pueden ser cruzados o anidados. Los factores bloque estn cruzados cuando
existen unidades experimentales en todas las combinaciones posibles de los niveles
de los factores bloques.
Diseo con factores bloque cruzados. Tambin denominado diseo fila-columna, se
caracteriza porque existen unidades experimentales en todas las celdas
(intersecciones de fila y columna). El modelo matemtico de este diseo es:
Los factores bloque estn anidados si cada nivel particular de uno de los factores
bloque ocurre en un nico nivel del otro factor bloque.
Modelo matemtico
Se tiene un diseo en cuadrado latino de dos factores bloque y un factor tratamiento,
el primer factor bloque se denota por B y se coloca en filas, el segundo factor
bloque se denota por B y se coloca en columnas, el factor tratamiento se denota
por T y sus niveles se colocan segn el cuadrado latino. Por tanto, el cuadrado
latino condiciona el nivel de T que se utiliza en la casilla ij (bloque i de B y
bloque j de B ) y este nivel no se elige.
10
Donde:
DISEOS FACTORIALES
En el estudio sobre la mejora de procesos industriales (control de calidad) es usual
trabajar en problemas en los que hay muchos factores que pueden influir en la
variable de inters. La utilizacin de experimentos completos en estos problemas
tiene el gran inconveniente de necesitar un nmero elevado de observaciones,
adems puede ser una estrategia ineficaz porque, por lo general, muchos de los
factores en estudio no son influyentes y mucha informacin recogida no es
relevante. En este caso una estrategia mejor es utilizar una tcnica secuencial
11
donde se comienza por trabajar con unos pocos factores y segn los resultados que
se obtienen se eligen los factores a estudiar en la segunda etapa.
Los diseos factoriales 2k son diseos en los que se trabaja con k factores, todos
ellos con dos niveles (se suelen denotar + y -). Estos diseos son adecuados para
tratar el tipo de problemas descritos porque permiten trabajar con un nmero
elevado de factores y son vlidos para estrategias secuenciales.
Si k es grande, el nmero de observaciones que necesita un diseo factorial 2k es
muy grande (n = 2k). Por este motivo, las fracciones factoriales 2k-p son muy
utilizadas, stas son diseos con k factores a dos niveles, que mantienen la
propiedad de ortogonalidad de los factores y donde se suponen nulas las
interacciones de orden alto (se confunden con los efectos simples) por lo que para
su estudio solo se necesitan 2k-p observaciones (cuanto mayor sea p menor nmero
de observaciones se necesita, pero mayor confusin de efectos se supone).
Conceptos bsicos en diseos factoriales
El objetivo de un diseo factorial es estudiar el efecto de varios factores sobre una
o varias respuestas, cuando se tiene el mismo inters sobre todos los factores. Por
ejemplo, uno de los objetivos particulares ms importantes que en ocasiones tiene
un diseo factorial es determinar una combinacin de niveles de los factores en la
que el desempeo del proceso sea mejor.
Los factores pueden ser de tipo cualitativo (mquinas, tipos de material, operador,
la presencia o ausencia de una operacin previa, etc.), o de tipo cuantitativo
(temperatura, humedad, velocidad, presin, etc.).
As, la matriz de diseo o arreglo factorial es el conjunto de puntos experimentales
o tratamientos que pueden formarse considerando todas las posibles
combinaciones de los niveles de los factores. Por ejemplo, con k = 2 factores, ambos
con dos niveles, se forma el diseo factorial 2 2 = 22, que consiste en cuatro
combinaciones o puntos experimentales. Si ahora uno tiene tres niveles y el otro
dos, se pueden construir 3 2 combinaciones que dan lugar al diseo factorial 32.
12
Por lo que en trminos absolutos el efecto principal de B es mayor. Por otra parte,
se dice que dos factores interactan entre s o tienen un efecto de interaccin sobre
la variable de respuesta, cuando el efecto de un factor depende del nivel en que se
encuentra el otro. Por ejemplo, los factores A y B interactan si el efecto de A es
13
muy diferente en cada nivel de B, o viceversa. Ahora veamos esto con los datos de
la tabla 5.1: el efecto de A cuando B es baja est determinado por:
Efecto A (con B bajo) = 41 28 = 13
y cuando la temperatura es alta, el efecto de A es:
Efecto A (con B alto) = 45 63 = 18
Como estos dos efectos de A en funcin del nivel de B son muy diferentes,
entonces es evidencia de que la eleccin ms conveniente del nivel de A depende
del nivel en que est B, y viceversa. Es decir, eso es evidencia de que los factores
A y B interactan sobre Y. En la prctica, el clculo del efecto de A en cada nivel de
B no se hace, y ms bien se calcula el efecto global de la interaccin de los dos
factores, que es denotado por AB y se calculan como la diferencia entre la respuesta
media cuando ambos factores se encuentran en el mismo nivel: (1, 1); (1, 1), y la
respuesta media cuando los factores se encuentran en niveles opuestos: (1, 1) (1,
1). Para el ejemplo, el efecto de interaccin tiempo temperatura est dado por:
Los valores absolutos (sin importar el signo) de los efectos principales y del
efecto de interaccin son una medida de importancia de su efecto sobre la variable
de respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si
los efectos son estadsticamente significativos (diferentes de cero) se requiere el
anlisis de varianza (ANOVA).
1.
2.
3.
4.
14
correr la mitad del experimento, ste se puede realizar en dos bloques (dos
lotes), lo cual implica repartir las pruebas en los dos lotes de la manera ms
conveniente posible.
5. La interpretacin y el clculo de los efectos en los experimentos factoriales
se puede hacer con aritmtica elemental, en particular cuando cada factor se
prueba en dos niveles.
15
16
17
Estas hiptesis tambin se pueden plantear con los efectos descritos en el modelo
(5.1):
18
19
20
y al final, al restar stas del total, se obtiene la suma de cuadrados del error como:
Los niveles de prueba para cada factor, tanto en unidades originales como en
unidades codificadas, se muestran en la siguiente tabla:
21
Hiptesis de inters
El estudio factorial de tres factores (A, B y C) permite investigar los efectos: A, B,
C,AB, AC, BC y ABC, donde el nivel de desglose o detalle con el que pueden
estudiarse depende del nmero de niveles utilizado en cada factor. Por ejemplo, si
un factor se prueba en dos niveles, todo su efecto marginal (individual) es lineal, o
sea que su efecto individual no se puede descomponer; pero, si tuviera tres niveles
su efecto marginal se puede descomponer en una parte lineal y otra cuadrtica pura.
En resumen, se tienen siete efectos de inters sin considerar desglose, y con ellos
se pueden plantear las siete hiptesis nulas H0: Efecto A = 0, H0: Efecto B = 0, ,
H0: Efecto ABC=0, cada una aparejada con su correspondiente hiptesis alternativa.
El ANOVA para probar estas hiptesis se muestra en la tabla 5.6.
Al efecto cuyo valor-p sea menor al valor especificado para alfa, se declara
estadsticamente significativo o se dice que est activo. Las sumas de cuadrados
son muy similares a las obtenidas para dos factores; habr que considerar un
subndice adicional para el tercer factor, y comenzando otra vez por la suma total
de cuadrados, stas resultan ser:
22
Al restar stas del total, la suma de cuadrados del error resulta ser:
23
cuyos respectivos grados de libertad se dan en la tabla 5.6. Una vez hecho el
ANOVA, se procede a interpretar los efectos activos, y luego (aunque no
necesariamente despus) a diagnosticar la calidad del modelo. El anlisis de
varianza para el caso del ejemplo 5.3 se muestra en la tabla 5.7.
De aqu se concluye que no influyen los efectos ABC, AC ni A, dado que su valor-p
es mayor que a = 0.05. Por otra parte, se encuentran activos los efectos B, C, AB y
en menor medida BC. stos son los cuatro efectos que se deben interpretar. Los
efectos que no influyeron se pueden eliminar mandndolos al trmino error.1 El
ANOVA simplificado, pero con el efecto A se muestra en la tabla 5.8. Note que el
CME en ambos ANOVA es prcticamente igual. En general se recomienda
interpretar slo los efectos significativos.
24
25
26
27
28
29
30
31
32
CONCLUSIN
En el campo de la industria es frecuente hacer experimentos o pruebas con la
intencin de resolver un problema o comprobar una idea (conjetura, hiptesis); por
ejemplo, hacer algunos cambios en los materiales, mtodos o condiciones de
operacin de un proceso, probar varias temperaturas en una mquina hasta
encontrar la que da el mejor resultado o crear un nuevo material con la intencin de
lograr mejoras o eliminar algn problema.
En conclusin, las tcnicas y mtodos que se usaron en este trabajo, observando y
analizando dichos factores son importantes en el campo de la investigacin,
aplicndolos en el anlisis de dichos experimentos que comprobarn su veracidad.
Con el fin de obtener resultados y estos aplicarlos a la realidad.
Es muy importante que todo ingeniero, cuando pretenda realizar una investigacin,
planifique adecuadamente sus procedimientos y pasos a seguir, esto quiere
decir que disee un buen plan de accin.
33
Bibliografa
Corua, U. d. (s.f.). Principios bsicos del diseo de experimentos. Obtenido de
http://www.udc.es/dep/mate/estadistica2/sec2_5.html
Devore, J. L. (2005). Probabilidad y Estadstica para ingenieria y ciencias . Mexico,
D.F.: Thomson.
Gallego Serrano, R. (2003). INTRODUCCIN AL ANLISIS DE DATOS
EXPERIMENTALES . Castelln de la Plana: Universidad Jaume.
Gutierrez Pulido , H., & de la Vara Salaz, R. (2008). Anlisis y diseo de
Experimentos. Mexico, D.F.: McGraw-Hill.
Kuehl, R. O. (2001). Diseo de experimentos . Mexico, D.f.: Thomson.
Montgomery, D. C. (2004). DISEO Y ANLISIS DE EXPERIMENTOS. Mexico,
D.F.: Limusa Wiley.
Varillas, C. R. (2012). Estadstica y diseo de experimentos. Peru,Lima: Universidad
Nacional de Ingeniera.
Walpole E., R., Myers H., R., & Myers L., S. (1999). Probabilidad y Estadstica para
ingenieros. Mexico, D.F.: Pearson.
34
35
36