Diseño Experiemntal

DISEÑO ESTADÍSTICO DE EXPERIMENTOS
Preparado por:
Arturo Ruiz-Falcó Rojas
Cpk-Ingenieros, S.L.
Diciembre 2013
Con agradecimiento….
A los procesos que durante estos años me “contaron sus
problemas” a través de los datos.
A los responsables de los procesos, que confiaron en mi y me
permitieron ayudarles.
Y sobre todos, a mis alumnos de ICAI, a los que durante 18
cursos (1992-2010) traté de convencerles de que esto servía para
algo. No siempre lo conseguí en clase, pero estoy seguro que
cuando maduren profesionalmente y se encuentre con algún
proceso con problemas, desenpolvarán mis apuntes de clase.
Más información en www.cpk-ingenieros.com Página - 2
Correo electrónico: info@cpk-ingenieros.com

ÍNDICE
1. DISEÑOS FACTORIALES A DOS NIVELES 2K ............................................. 4
1.1. UN PROCESO DE MEJORA MÁS SOFISTICADO: ¿CÓMO PUEDE SE
MEJORAR UN PROCESO? ....................................................................................... 4
1.2. COMPARACIÓN CON EL MÉTODO CLÁSICO DE “VARIAR UN FACTOR CADA
VEZ” 5
1.3. DESCRIPCIÓN DE LOS DISEÑOS FACTORIALES COMPLETOS A DOS
NIVELES .................................................................................................................... 8
2. CASO DE DATOS NO NORMALES. TRANSFORMACIONES .................... 29
3. DISEÑOS FACTORIALES FRACCIONALES A DOS NIVELES 2K-P ........... 34
3.1. JUSTIFICACIÓN DEL FRACCIONAMIENTO. EJEMPLO .............................. 34
3.2. CONCEPTO DE “GENERADOR”, “ECUACIÓN DE GENERACIÓN”,
“CONFUSIÓN / ALIAS”, “RELACIÓN DE RESOLUCIÓN”, “SATURACIÓN”. EJEMPLO
35
4. DISEÑOS CON BLOQUES ALEATORIZADOS ............................................ 41
4.1. CONCEPTO DE BLOQUE ALEATORIZADO ................................................. 41
5. ESTRATEGIA EXPERIMENTAL ................................................................... 50
5.1. ESTRATEGIA SECUENCIAL. ENSAYOS DE “SCREENING”. PLANIFICACIÓN
DE LOS ENSAYOS. ................................................................................................. 50
5.2. MÉTODOS PARA ROMPER LA CONFUSIÓN ENTRE LOS EFECTOS ....... 52

1. DISEÑOS FACTORIALES A DOS NIVELES 2K

1.1. UN PROCESO DE MEJORA MÁS SOFISTICADO: ¿CÓMO PUEDE
SE MEJORAR UN PROCESO?
El proceso de mejora visto hasta ahora se limita a “comprobar si se ha producido
una mejora” en una alternativa, pero no soluciona el problema de diseñar esa
alternativa.
En la industria habitualmente se deben resolver problemas como los que siguen:
• ¿Cómo se debe modificar el producto para aumentar su resistencia

mecánica? ¿Qué factores del proceso hay que modificar?
• ¿Cómo se puede reducir los defectos de fabricación?
Este proceso de adquisición de conocimiento es en esencia similar al progreso
científico. El progreso científico se basa en definir modelos teóricos, realizas
observaciones o experimentos que corroboren el modelo supuesto o que sean
incompatibles con él, etc.
Por esta razón, la experimentación puede ser también muy útil para la resolución
de problemas industriales como los indicados anteriormente.

1.2. COMPARACIÓN CON EL MÉTODO CLÁSICO DE “VARIAR UN

FACTOR CADA VEZ”
La empresa NOVOMAT necesita mejorar las características de calidad de su
producto. En la actualidad el producto apenas supera las 200 uf , mientras que los
1
clientes requieren que dicha característica supere claramente ese valor. Para ello
nombra un grupo de trabajo con la finalidad de que estudien el proceso de
fabricación y definan las modificaciones a introducir en el mismo. Este grupo de
trabajo estaba integrado por personal muy experto en el proceso y en las
tecnologías relacionadas con el mismo. En la primera sesión de trabajo el grupo
recolectó la siguiente información:
• Los factores que tienen una incidencia más directa son:
o Temperatura del proceso, medida en °C.
o Concentración del producto base (en %).
o Tipo de catalizador utilizado, existen dos tipos, el A y el B.
• Los rangos en los que pueden operar los factores anteriores son:
o Temperatura: entre 150 °C y 190 °C.
o Concentración: entre 15% y 45%.
• El proceso esta operando actualmente en:
o Temperatura: 170 °C.
o Concentración: 30%.
o Catalizador: tipo A.
1
Uf = unidades ficticias.

Sin embargo no existía acuerdo en los siguientes puntos:
• Grado de influencia de cada uno de los factores en la calidad del

producto. Las opiniones estaban muy divididas, un sector apostaba por la
temperatura como factor clave, otros le daban más importancia a la
concentración, y finalmente había quien apostaba por el catalizador B como
la solución de todos los problemas.
• Punto de operación del proceso. Los partidarios de la temperatura creían

que la solución pasaba por subir la temperatura de operación del proceso
(pese al incremento de coste que conlleva). Por otra parte los partidarios de
la concentración apostaban por un aumento de la misma. Finalmente los
partidarios del cambio de catalizador pensaban que los actuales puntos de
operación eran correctos y que la solución consiste simplemente en
cambiar al catalizador B.
Las posturas eran enconadas y nadie daba su brazo a torcer. Por fin alguien tuvo
la idea… “¿por qué no se lo preguntamos al proceso?”, Antes de que los demás le
acusaran de loco, aclaró que lo que quería decir es que la única solución pasa por
experimentar y aprender todos de los resultados. Enseguida estuvieron todos de
acuerdo, el problema surgió cuando alguien preguntó “¿qué ensayos hacemos?”
El plan de ensayos propuesto fue el siguiente:
• Probar primero con un catalizador, fijar un de los dos factores hasta

alcanzar el máximo de la respuesta; fijar este valor para el primer factor y
variar el segundo hasta encontrar el máximo.
• Repetir con el segundo catalizador.
• Seleccionar el catalizador y los correspondientes puntos de operación que

maximicen la calidad.

Antes de que se comenzara a discutir si se variaba primero la concentración o la
temperatura, alguien señaló “¿seguro que así encontraremos el máximo? ¿Qué
pasa si nos confundimos de montaña?” (Ver Figura 1), “Además,…” añadió
“¿cómo vamos a diferenciar en el experimento qué variaciones se deben al azar y
cuáles a los nuevos puntos de operación?”
¿Experimentar un factor cada vez?
D
35 C
G F E30
25
50 45 40 35 30 B
25
20
A
Figura 1: Estrategia experimental “variar un factor cada vez”
Cuando comenzó a cundir el desánimo, alguien se acordó de algo que le habían
contado sobre el “diseño estadístico de experimentos”. No veían muy claro cómo
se pueden extraer conclusiones de un ensayo en el que se modifique más de un
factor a la vez. Por esta razón acordaron documentarse sobre el tema y reanudar
la reunión unos días más tarde.


1.3. DESCRIPCIÓN DE LOS DISEÑOS FACTORIALES COMPLETOS

A DOS NIVELES
1.3.1. TERMINOLOGÍA
Para resolver el problema planteado, se pueden aplicar los diseños factoriales,
pero antes de seguir adelante conviene fijar los siguientes conceptos:
• Respuesta: Es el resultado de cada uno de los experimentos. En el caso

de NOVOMAT es la característica de calidad del producto.
• Factor o Tratamiento: Son las variables de las que se considera que

depende la respuesta. En el caso de NOVOMAT los factores son la
temperatura, la concentración y el catalizador. A su vez pueden ser:
o Cuantitativos: Cuando pueden variar en una escala continua. Por

ejemplo, la temperatura y la concentración.
o Cualitativos: Cuando pueden variar en tipos. Por ejemplo, el

catalizador. En el caso anterior, si el proceso solo pudiera operar a
dos presiones distintas, por ejemplo, si actuara una sola bomba o
dos bombas, ésta sería un factor cualitativo.
• Nivel: Son los valores que toma un factor en un experimento dado.
• Matriz del diseño: Es una matriz en la que las filas hacen referencia a los
distintos ensayos a realizar, las columnas a los distintos factores que
intervienen y las celdas indican los niveles en los que hay que situar cada
uno de los factores en los distintos experimentos.

1.3.2. CREACIÓN DE UN DISEÑO FACTORIAL COMPLETO A 2

NIVELES
Los diseños más sencillos (y desde luego los utilizados más frecuentemente) son
los diseños a “factoriales completos a dos niveles”. Se llaman “a dos niveles”
porque cada factor puede tomar dos niveles, y se llaman “completos” porque se
ensayan todos los niveles de los factores. Por lo tanto, si el diseño tiene k
factores, para cubrir todas las condiciones experimentales se requieren 2k
ensayos. En el caso del proceso de NOVOMAT, con tres factores se requerirían
23=8 ensayos.
Cada nivel se codifica “-1” el inferior y “+1” el superior, simplemente “-” y “+”. Otra
manera habitual de codificarlos es “0” y “1”.
Uno de los aspectos más difíciles es la fijación de los niveles de los factores
cuantitativos. Para ello es conveniente tener un buen conocimiento del objeto de
la experimentación. En general debe recomendarse que un primer ensayo debe
realizarse con los niveles suficientemente separados como para que se pueda
apreciar el efecto del factor, pero no demasiado de modo que haya una falta de
continuidad en el fenómeno. El equipo de trabajo de NOVOMAT ha fijado los
niveles de los factores de la manera siguiente:

FACTORES NIVELES
BAJO ALTO
T Temperatura 160 °C 180 °C
C Concentración 20% 40%
K Catalizador A B
Tabla 1: Fijación de los niveles de los factores
La matriz de diseño sería:
Factores
Exp. T C K
1 160 20 A
2 180 20 A
3 160 40 A
4 180 40 A
5 160 20 B
6 180 20 B
7 160 40 B
8 180 40 B
Tabla 2: Matriz del diseño
Obsérvese que en la matriz anterior están todas las combinaciones posibles y
ninguna está repetida. La forma codificada de escribir la matriz es:

Factores
Exp. T C K
1 -1 -1 -1
2 1 -1 -1
3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
7 -1 1 1
8 1 1 1
Tabla 3: Matriz del diseño en forma codificada
Este orden de escribir los ensayos en la matrices se denomina “forma estándar” y
es muy útil para la operativa. Todas las columnas empiezan en “-”. La primera
columna alterna “-” y “+”, la segunda alterna “- -” y “+ +”, al tercera alterna “- - -
-” y “+ + + +” y esta regla seguiría si hubiese más columnas. Este orden en el
que se escriben los ensayos no presupone que los ensayos tengan que realizarse
en ese orden. Todo lo contrario, el orden de los ensayos debe ser aleatorizado, de
modo que se proteja al ensayo de posibles cambios sucedidos durante el mismo.
Cuando sea preciso, se debe construir bloques aleatorios entre ellos.
APLICACIÓN MINITAB
Minitab dispone de la opción Stat->DOE->Factorial->Create
Factorial design que simplifica enormemente las tareas
anteriores. Con la opción Stat->DOE->Factorial->Modify design
se puede personalizar los nombres y niveles de los factores.
Con la opción Stat->DOE->Factorial->Display design se puede
optar por presentar la matriz de diseño en orden estándar o

en orden de ensayo, así como representar los niveles en

unidades reales o codificadas.
1.3.3. CÁLCULO DE LOS EFECTOS PRINCIPALES Y LAS

INTERACCIONES
Una vez realizados los ensayos, los resultados obtenidos han sido:
Exp. T C K Resp.
1 -1 -1 -1 60
2 1 -1 -1 72
3 -1 1 -1 54
4 1 1 -1 68
5 -1 -1 1 52
6 1 -1 1 83
7 -1 1 1 45
8 1 1 1 80
Tabla 4
Los datos se encuentran en el fichero NOVOMAT1.MTW
Representemos gráficamente estos valores de respuesta:

54 68
80
45
C+
K-
K+
C- 60 72
T- T+
52 83
Figura 2: Diagrama de “Cubo”
¿Cuál es el efecto del cambio de temperatura a la respuesta del proceso?
Observemos los ensayos 1 y 2. La única diferencia en ellos es la temperatura,
luego la diferencia de respuesta deberá explicarse por el efecto de la temperatura
más un factor aleatorio. Repitiendo el razonamiento en el resto de los ensayos,
concluimos que una buena estimación del efecto de la temperatura es el promedio
de la diferencia de respuesta en la que los otros factores no alteran su nivel. Es
decir:
1
T= [(72 − 60) + (68 − 54 ) + (83 − 52 ) + (80 − 45)] = 23
4
Es fácil comprobar que el efecto de un factor se puede calcular sin más que
sumar la columna de los valores de respuesta, afectados por el signo del nivel del

factor y divididos entre 4 (número de ensayos dividido entre 2). Por esta razón
resulta adecuada la codificación elegida para los niveles.
Observando la Figura 2 puede verse que con el catalizador A obtiene mejores
resultados a baja temperatura mientras que el B es más eficaz a alta temperatura;
es decir, existe una interacción entre el factor catalizador y el factor temperatura.
Esta interacción puede verse de un modo más gráfico en la Figura 3.
Diagrama de interacciones
Respuesta
81,5
B
70
A
57
48,5
160 180 Temperatura

Figura 3: Diagrama de interacciones
Si el catalizador no interaccionara con la temperatura, la estimación del efecto de
la temperatura teniendo sólo en cuenta la cara del cubo que corresponde a una

catalizador, debería ser bastante similar a la estimación realizada en la cara
correspondiente al otro catalizador. En nuestro caso:
Catalizador A:
1
TK C + = [(72 − 60) + (68 − 54 )] = 13
2
Catalizador B:
1
TK C − = [(83 − 52 ) + (80 − 45)] = 33
2
Una estimación de la interacción entre la temperatura y el catalizador es:
1
TK = (33 − 13) = 10
2
Puede comprobarse que el efecto de la interacción de dos factores se puede
calcular sin más que sumar la columna de los valores de respuesta, afectados por
el signo del producto de las columnas de niveles de los factores, dividido entre 4
(número de ensayos dividido entre 2). A continuación se representa la tabla
completa, con las columnas correspondientes a todas las interacciones y el
cálculo de los efectos:

Exp T C K TC TK CK TCK Resp. Efecto * 2
1 -1 -1 -1 1 1 1 -1 60 64,25 Media
2 1 -1 -1 -1 -1 1 1 72 23 T
3 -1 1 -1 -1 1 -1 1 54 -5 C
4 1 1 -1 1 -1 -1 -1 68 1,5 TC
5 -1 -1 1 1 -1 -1 1 52 1,5 K
6 1 -1 1 -1 1 -1 -1 83 10 TK
7 -1 1 1 -1 -1 1 -1 45 0 CK
8 1 1 1 1 1 1 1 80 0,5 TCK
Tabla 5: Tabla de cálculo de los efectos
APLIC ACIÓN MINITAB

Minitab dispone de la opción Stat->DOE->Factorial->Analyze
Factorial design. En el cuadro de diálogo es preciso
introducir el modelo a analizar; por ejemplo, sólo efectos
principales, también interacciones etc. Además de los
diagramas de la Figura 7 y Figura 9, que se verán más
adelante, la salida que da es la siguiente:
Estimated Effects and Coefficients for Respuest (coded units)
Term Effect Coef

Constant 64.250
T 9.000 4.500
C -3.500 -1.750
K 16.000 8.000
T*C 17.000 8.500
T*K 1.500 0.750
C*K -4.000 -2.000
T*C*K 1.500 0.750
Analysis of Variance for Respuest (coded units)
2
Corresponde a los efectos que tengan signo “+”.

Source DF Seq SS Adj SS Adj MS F P

Main Effects 3 698.50 698.500 232.833 * *
2-Way Interactions 3 614.50 614.500 204.833 * *
Residual Error 0 0.00 0.000 0.000
Total 7 1317.50
Como se puede comprobar, los efectos coinciden con los calculados
anteriormente. Además proporciona una tabla de análisis de la varianza, cuya
utilidad se verá más adelante.
APLICACIÓN MINITAB
Minitab dispone de varias opciones gráficas para ayudar a
visualizar los datos y los efectos. La opción Stat->DOE-
>Factorial->Factorials Plot permite dibujar los diagramas de
las figuras siguientes.
Obsérvese en el diagrama de interacciones (ver Figura 6) la
fuerte interacción que existe entre la concentración y la
temperatura.
Cube Plot (data means) for Respuesta
54 83
45 68
1
C 80 72
1
K
60 52
-1 -1
-1 1
T
Figura 4: Diagrama de Cubo. Opción Stat->DOE->Factorial->Factorials Plot

DIAGRAMA DE EFECTOS PRINCIPALES
-1 1 -1 1 -1 1
72
68
Respuesta
64
60
56
T C K
Figura 5: Diagrama de Efectos Principales. Opción Stat->DOE->Factorial->Factorials Plot
DIAGRAMA DE INTERACCIONES
-1 1 -1 1
T
70
1
60
-1
50
C
70
1
60
-1
50
Figura 6: Diagrama de Interacciones. Opción Stat->DOE->Factorial->Factorials Plot

1.3.4. DETERMINACIÓN DE LOS EFECTOS E INTERACCIONES

SIGNIFICATIVAS
El siguiente paso es discriminar si los efectos calculados son fruto del propio
factor (o interacción de factores, según corresponda), o del azar. Para ello hay
tres métodos distintos.
MÉTODO DEL PAPEL PROBABILÍSTICO
El primero de ellos consiste en utilizar el papel probabilístico, de modo que
aquellos efectos que no se deban al azar se alejarán de la recta. En la Figura 7 se
ha representado el diagrama dibujado por MINITAB. Este diagrama dibuja la recta
de regresión y debe ser corregido por la recta que pasa por los puntos próximos a
0 (pequeños y por tanto no significativos. Estos puntos son los que marcan la
orientación de la recta. En la Figura 8 se muestra la recta corregida y puede
verse que son significativos los efectos T, C y la interacción TK.

Normal Probability Plot of the Effects

(response is Respuest, Alpha = .50)
1.5 A: T
AB B: C
C: K
1.0
C
0.5
Normal Score
0.0
-0.5
-1.0
-1.5
-5 0 5 10 15
Effect
Figura 7: Papel probabilístico para ver qué efectos son significativos. opción Stat->DOE-
>Factorial->Analyze Factorial design
Normal Probability Plot of the Effects (Corregido a mano)

1.5 A: T
AB B: C
C: K
1.0
C
0.5
Normal Score
0.0
-0.5
-1.0
-1.5
-5 0 5 10 15
Effect
Figura 8: Papel probabilístico con la recta corregida a mano
MÉTODO DE LAS INTERACCIONES DE ORDEN SUPERIOR

Este método se basa en suponer que las interacciones de orden superior (orden
tres en este caso) no son significativas y por tanto pueden realizar contrastes con
la suma de cuadrados correspondientes en la tabla ANOVA anterior. Estos
contrastes indicarán aquellos efectos o interacciones que son significativas. Los
resultados pueden representarse en un diagrama de Pareto como el indicado en
la Figura 9
Pareto Chart of the Effects

A: T
B: C
AB C: K
BC
AC
ABC
0 5 10 15
Figura 9: Diagrama de Parte para ver qué efectos son significativos. opción Stat->DOE-
>Factorial->Analyze Factorial design
MÉTODO DE LAS RÉPLICAS
El segundo método consiste en replicar todos a algunos ensayos, de modo que se
pueda realizar una estimación de la variabilidad propia del ensayo. Si σ es la
estimación de la variabilidad, la desviación típica a la que está sometida el efecto


del factor (por ser suma de cuatro variables aleatorias independientes, cada una
de ellas con una desviación típica σ):
4 2
σ Ef2 . =
σ
N
donde N es el número de ensayos. Una vez conocido σEF se puede ver el nivel de
significación de la magnitud del efecto.
1.3.5. MODELADO EMPÍRICO DEL PROCESO

¿Cómo se pueden interpretar estos resultados? Los efectos calculados son
estimaciones del polinomio cuadrático:
y = β 0 + βT T + β C C + β K K + βTC TC + βTK TK + β CK CK + βTCK TCK
En efecto, β0 es la media y los restantes coeficientes son la mitad del efecto
correspondiente. En nuestro caso:
23 5 10
y = 64,25 + T − C + TK
2 2 2
Es preciso observar que los valores de T y C están codificados; por ejemplo, si se
quisiese realizar una predicción para C= x %, sería preciso reemplazar C por:
x % − 30
Lx =
20

De esta manera es posible saber cuales son los factores e interacciones que
influyen en la respuesta y en qué dirección hay que modificarlos para mejorar esa
respuesta.
APLICACIÓN MINITAB
Ya se ha visto cómo Minitab calcula los efectos y coeficientes. Con la opción Stat-
>DOE->Factorial->Display design se puede optar por representar los niveles en
unidades reales. En este caso los coeficientes que da Minitab no coinciden con
los conseguidos con el cambio de unidades a los efectos e interacciones
significativas, como se ha descrito anteriormente, porque Minitab realiza el cambio
para todos los términos, significativo y no significativos. Con la opción Stat->DOE-
>Factorial->Contour / Surface (Wireframe) Plots se puede representar
gráficamente el modelo (ver figuras siguientes).

DIAGRAMA DE SUPERFICIES DE NIVEL
40 55
60
65
70
75
30
C
20
160 170 180
T
Hold values: K: 0.0
Figura 10: Diagrama de superficies de nivel. Opción Stat->DOE->Factorial->Contour / Surface
(Wireframe) Plots
Surface Plot of Respuest
70
Respuesta 60
40
50
160
30
C
170 20
T 180
Hold values: K: 0.0

Figura 11: Diagrama de superficie. Opción Stat->DOE->Factorial->Contour / Surface
(Wireframe) Plots

EJEMPLO 1. EJEMPLO DE ESTIMACIÓN DE LOS E FECTOS

SIGNIFICATIVOS A PAR TIR DE RÉPLICAS
LACADOS, S.A está poniendo a punto un nuevo proceso de acabado superficial
en madera. El proceso consiste esencialmente en una cinta transportadora que
arrastra las piezas a una cabina dónde se le chorrea un producto químico. Hasta
el momento las pruebas no eran totalmente satisfactorias debido a la falta de
uniformidad de la capa depositada. Para mejorar este proceso constituyó un
grupo de trabajo formado por un ingeniero de proceso, un técnico de laboratorio y
un ingeniero de calidad. Éste último sugirió realizar algunos ensayos para
caracterizar el comportamiento del proceso. Al planificar los ensayos, el grupo de
trabajo se enfrentó a dos problemas:
• Cómo medir la uniformidad de la capa depositada de una manera sencilla.
• Cuáles son los factores que afectan al proceso.
Para resolver el primer punto, el técnico de laboratorio ideó un método basado en
la cantidad de luz reflejada en una dirección determinada por una probeta tratada
por el proceso de protección superficial, y compararla con la reflejada por un
espejo. Esto se basa en la idea de que cuanto más rugosa es la capa depositada
más disperso es el haz de luz reflejado.

El segundo punto lo resolvió el ingeniero de proceso quien identificó los factores
indicados en la tabla. También indicó el rango de valores en los que de acuerdo
con su experiencia podrían situarse los factores y el valor actual de operación.
Factor Valor Máximo Mínimo

actual
Cantidad de producto en 100 g/min. 130 g 80 g
g/min. /min. /min.
Velocidad de avance de la 5 m / min. 8 m/min. 3 m/min.
cinta
Tabla 6
Además el ingeniero de proceso atribuía el problema al tipo de producto utilizado
(A) y sugería la utilización del (B) pese a que este es bastante más caro.
Con esta información se pretende planificar los ensayos para mejorar el proceso.
Ejemplo 4: Parte 1
El grupo de trabajo acordó realizar un ensayo 23 sin replicar. Los puntos de
ensayo elegidos fueron:
Factor Alto Bajo

Cantidad depositada en g/min. 110 g /min. 90 g
/min.
Velocidad de avance de la cinta 6 m/min. 4 m/min.
A continuación se reproduce la matriz de diseño con los valores obtenidos:

Los datos se encuentran en el fichero LACADOS1.MTW
Ensayo Orden Cantida Velocida Tipo de CV CP VP CV Respuest Efecto

número d de d de pintura: P a
pintura: avance: (P)
(C) (V)
1 2 -1 -1 -1 1 1 1 -1 40 37,13 Medi
a
2 4 1 -1 -1 -1 -1 1 1 25 1,75 C
3 5 -1 1 -1 -1 1 -1 1 30 6,75 V
4 1 1 1 -1 1 -1 -1 -1 50 19,25 CV
5 8 -1 -1 1 1 -1 -1 1 45 1,75 P
6 6 1 -1 1 -1 1 -1 -1 25 -0,75 CP
7 7 -1 1 1 -1 -1 1 -1 30 -0,75 VP
8 3 1 1 1 1 1 1 1 52 1,75 CVP
Tabla 7
a) ¿Qué efectos son significativos?.

b) ¿Está justificado el cambio de pintura?
c) ¿Hacia donde sugiere cambiar el punto de operación del proceso?
Ejemplo 4: Parte 2
Los efectos significativos serían la velocidad V y la interacción entre la cantidad
de producto y la velocidad VC. La ecuación que modeliza el proceso es:
6,75 19,25
Calidad de acabado = 37,13 + V+ VC
2 2

Donde V y C está en unidades codificadas (V=-1 equivale a 4 m/min, V = 1
equivale a 6 m/min, etc.). En unidades convencionales sería preciso realizar
V −5 C − 100
reemplazar en la ecuación anterior V por y C por respectivamente.
6−4 110 − 90
2 2
Las predicciones con el modelo serían:
Predic. Real Residuo

43,375 40 3,375
24,125 25 -0,875
30,875 30 0,875
50,125 50 0,125
43,375 45 -1,625
24,125 25 -0,875
30,875 30 0,875
50,125 52 -1,875
Para confirmar la significación de los efectos y dado que se aprecia una falta de
ajuste del modelo, se realiza una segunda réplica de los ensayos con los
resultados indicados en la parte 3.
Ejemplo 4: Parte 3
Los resultados de la segunda réplica junto con los nuevos cálculos se incluyen en
la tabla siguiente:

Ensayo Orden Cantidad velocidad Tipo de CV CP VP CVP R1 R2 Respuesta Efecto (r1-

número de de pintura: r 2) 2
pintura: avance: (P)
(C) (V)
1 2 -1 -1 -1 1 1 1 -1 40 36 38 37,00 Media 16
2 4 1 -1 -1 -1 -1 1 1 25 28 26,5 1,75 C 9
3 5 -1 1 -1 -1 1 -1 1 30 32 31 6,75 V 4
4 1 1 1 -1 1 -1 -1 -1 50 48 49 19,25 CV 4
5 8 -1 -1 1 1 -1 -1 1 45 43 44 1,75 P 4
6 6 1 -1 1 -1 1 -1 -1 25 30 27,5 -0,75 CP 25
7 7 -1 1 1 -1 -1 1 -1 30 29 29,5 -0,75 VP 1
8 3 1 1 1 1 1 1 1 52 49 50,5 1,75 CVP 9
SUMA 72
72 ⎛ 1 1 ⎞
Var = = 9 Var efecto = ⎜ + ⎟9 = 2,25; σ Efecto = 1,50
8 ⎝ 8 8 ⎠
2. CASO DE DATOS NO NORMALES. TRANSFORMACIONES

La técnica de normalización de datos más eficaz es la transformación de Box-
Cox. Esta transformación es la siguiente:
⎧ (x + m)λ − 1)
x (λ ) ⎪
= ⎨ (λ ≠ 0) (∀x x > −m )
λ
⎪⎩ ln(x + m ) (λ = 0) (m > 0)
Es continua en λ, puesto que:
lim x ( λ ) = ln(x + m )
λ →0
La función de verosimilitud de los datos normalizados es:

n
1 
L(λ ) = − ln(σ 2 (λ ) ) + (λ − 1)∑ ln(xi )
n i =1
Donde:
 1 n 2
σ 2 (λ ) = ∑ (x ( λ ) − x ( λ ) )
n i =1
La técnica consiste en hallar el valor de λ que maximiza la verosimilitud (ver
Figura 12).
TRANSFORMACIÓN DE BOX-COX
SELECCIÓN DEL LAMBDA ÓPTIMO
-100
Verosimilitud
-200
lambda Verosimilitud
-2.00 -304.427
-1.50 -221.758
-1.00 -153.238
-0.50 -105.654
-300 0.00 -81.808
-77.440
0.25
0.50 -77.475
0.37 1.00 -86.631
-2 -1 0 1 2 1.50 -105.244
2.00 -131.009
lambda
Figura 12: Transformación de Box-Cox para normalizar los datos
Según sea el origen de los datos, en algunos casos se puede esperar
heterocedasticidad de los mismos (varianza no constante). Según esté

relacionada la varianza y la media, resultan apropiadas las transformaciones
indicadas en la Tabla 8.
Relación λ Transformación Ejemplos típicos de aplicación

media- estabilizadora de la
varianza varianza
σ ∝η2 -1 Inversa
σ ∝ η 1,5 - Inversa de la raíz
1/2 cuadrada
σ ∝η 0 Logaritmo Análisis de varianzas muestrales,
gráficos de control de series
cortas en el que se conjuguen
familias de varios espesores.
σ ∝ η 0, 5 ½ Raíz cuadrada Datos procedentes de una
distribución de Poisson.
σ ∝ const 1 No se transforma
Tabla 8: Transformaciones de datos para eliminar la heterocedasticidad
EJEMPLO 2. NORMALIZACIÓN DE DAT OS DE UN PROCESO NO

NORMAL
En la Figura 13 se ha representado el histograma de un proceso de protección
superficial. A la vista del citado histograma, se concluye la no normalidad de los
datos. Se desea realizar una transformación que los normalice.
APLICACIÓN MINITAB
Menú Stat->Control Charts->Box-Cox Transformation. Los datos
se encuentran en el fichero DatosNoNormales.MTW. La respuesta
proporcionada por MINITAB es la indicada en la Figura 14, en
la que se indica λ=0.113 como el valor óptimo. Una vez
transformados los datos, se puede comprobar su normalidad
mediante un histograma (ver Figura 15) o un papel

probabilístico, de modo análogo al hecho anteriormente (ver

Figura 16).
HISTOGRAMA DE DATOS NO NORMALES
30
Frecuencia
20
10
2 4 6 8 10 12 14 16 18 20 22
Espesores
Figura 13: Histograma de datos de un proceso no normal
Box-Cox Plot for Skewed
95% Confidence Interval

60 Last Iteration Info
Lambda StDev
Low 0.056 2.784
50
Est 0.113 2.782
Up 0.170 2.783
40
StDev
30
20
10
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Lambda
Figura 14: Transformación de Box-Cox (Stat->Control Charts->Box-Cox Transformation)


HISTOGRAMA DE DATOS TRANSFORMADOS
20
Frecuencia
10
1.0 1.1 1.2 1.3 1.4

Espesores
Figura 15: Histograma de los datos transformados (Graph->Histogram)
COMPROBACIÓN DE LA NORMALIDAD DE LOS DATOS TRANSFORMADOS

ML Estimates - 95% CI
ML Estimates
Mean 1.18537
99
StDev 0.0832140
95
90 Goodness of Fit
80 AD* 0.291
Percent
70
60
50
40
30
20
10
5
0.88 0.98 1.08 1.18 1.28 1.38 1.48

Data
Figura 16: Comprobación de la normalidad de los datos transformados

3. DISEÑOS FACTORIALES FRACCIONALES A DOS NIVELES

2K-P
3.1. JUSTIFICACIÓN DEL FRACCIONAMIENTO. EJEMPLO
Afortunadamente el proceso de NOVOMAT consta solo de 3 factores, ¿qué
ocurriría si constara por ejemplo de 7 factores? Aplicando los diseños factoriales
vistos hasta ahora sería preciso realizar nada menos que 27 = 128. Este número
ya es prohibitivo. Además, un proceso industrial normal puede constar de
bastantes más factores. Al realizar el diseño anterior se ha estimado:
• 3 efectos principales: T, C y K.
• 3 interacciones de segundo orden: TC, TK y CK.
• 1 interacción de tercer orden: TCK.
Si se realiza el ensayo 27 se podrán estimar:
• 7 efectos principales.
• 21 interacciones de segundo orden.
• 35 interacción de tercer orden.
• 35 interacciones de cuarto orden.
• 21 interacciones de quinto orden
• 7 interacciones de sexto orden.
• 1 interacción de séptimo orden.

¿Es necesario todo esto? Habitualmente es raro que se den interacciones de
tercer orden o de segundo orden si no se dan también las interacciones
principales correspondientes. De aquí surge la idea de utilizar las columnas de las
interacciones para introducir nuevos factores en el ensayo. Por ejemplo, en el
diseño anterior:
Exp A B C D+AB E+ AC CK TCK

.
1 -1 -1 -1 1 1 1 -1 Media
2 1 -1 -1 -1 -1 1 1 A
3 -1 1 -1 -1 1 -1 1 B
4 1 1 -1 1 -1 -1 -1 D+AB
5 -1 -1 1 1 -1 -1 1 C
6 1 -1 1 -1 1 -1 -1 E+AC
7 -1 1 1 -1 -1 1 -1 BC
8 1 1 1 1 1 1 1 ABC
Tabla 9
3.2. CONCEPTO DE “GENERADOR”, “ECUACIÓN DE

GENERACIÓN”, “CONFUSIÓN / ALIAS”, “RELACIÓN DE
RESOLUCIÓN”, “SATURACIÓN”. EJEMPLO
El diseño anterior se ha generado haciendo AB=D y AC=E. Por esta razón a AB y
AC se les denomina generadores del diseño. En este caso, con 23= 8 ensayos se
pueden estudiar 5 factores. Normalmente se adopta la notación 25-2, que coincide

numéricamente. En general se denota 2n-p, donde n es el número de factores y p
el número de generadores.
Ya hemos visto que el precio que se paga es confundir efectos de los nuevos
factores con interacciones. A la relación de confusiones de cada diseño, se llama
estructura de alias. Esta estructura de alias se calcula a partir de la relación de
definición del diseño. La relación de definición son aquellas interacciones a la que
corresponden una columna de unos. En efectos si I es la matriz columna de unos,
partiendo de los generadores AB=D y AC=E, multiplicando ambos miembros por
D y E respectivamente queda:
ABD=DD=I; ACE=EE=I;
ABD=ACE=I
La resolución del diseño indica el nivel de confusiones del mismo y se calcula
por la relación de definición más corta, tres en este caso. Esto quiere decir que el
diseño confunde efectos principales con interacciones de segundo orden . Si la
resolución fuese cuatro confundiría interacciones de segundo orden entre sí y las
de primero con las de tercero. La notación que se emplean entonces para
designar completamente un diseño fraccional es 25III−2 , que quiere decir que el
diseño tiene 2 niveles, cinco factores, 2 generadores y resolución 3.
A la hora de planificar un ensayo con un diseño fraccional, es crítico seleccionar
bien las interacciones que se confunden. En general la tarea no es sencilla y
existen publicadas tablas con los diseños más adecuados para cada situación.

Los diseños fraccionales son adecuados para comenzar una investigación. De
esta manera se pueden explorar muchos factores a la vez. Tras este primer
ensayo se descartarán un buen número de factores como inertes, de modo que
se puede seguir los ensayos con menos factores y concatenando con los ya
realizados. Una vez detectados cuales son los factores clave, se puede terminar
la optimización del proceso utilizando el método de superficie respuesta. Este
método consiste en ir siguiendo la línea de máxima pendiente, hasta que se
llegue a un máximo o mínimo o punto de silla, donde se habrá terminado la
optimización.
EJEMPLO 3. DEMOSTRACIÓN DE LA EFICACIA DEL

FRACCIONAMIENTO
En el estududio de un proceso químico se realizó un diseño factorial completo 24.
Los resultados obtenidos en los experimentos son los siguientes (fichero
2^4Completo.MTW):
Catal Temp. Presión Conc. Conversión

10 220 50 10 71 (*)
15 220 50 10 61
10 240 50 10 90
15 240 50 10 82 (*)
10 220 80 10 68
15 220 80 10 61 (*)
10 240 80 10 87 (*)
15 240 80 10 80
10 220 50 12 61
15 220 50 12 50 (*)
10 240 50 12 89 (*)
15 240 50 12 83
10 220 80 12 59 (*)

15 220 80 12 51
10 240 80 12 85
15 240 80 12 78 (*)

(response is Conversi, Alpha = .05)
A: Carga Ca
B B: Temp
C: Presión
BD D: Conc.
1
Normal Score
-1
D
0 10 20
Effect
4
Figura 17: Efectos significativos en el ensayo factorial completo 2
Estimated Effects and Coefficients for Conversi (coded units)
Term Effect Coef

Constant 72.250
Carga Ca -8.000 -4.000
Temp 24.000 12.000
Presión -2.250 -1.125
Conc. -5.500 -2.750
Carga Ca*Temp 1.000 0.500
Carga Ca*Presión 0.750 0.375
Carga Ca*Conc. -0.000 -0.000
Temp*Presión -1.250 -0.625
Temp*Conc. 4.500 2.250
Presión*Conc. -0.250 -0.125
Carga Ca*Temp*Presión -0.750 -0.375
Carga Ca*Temp*Conc. 0.500 0.250

Carga Ca*Presión*Conc. -0.250 -0.125

Temp*Presión*Conc. -0.750 -0.375
Carga Ca*Temp*Presión*
Conc. -0.250 -0.125
Analysis of Variance for Conversi (coded units)

Main Effects 4 2701.25 2701.25 675.312 * *
Residual Error 0 0.00 0.00 0.000
Total 15 2801.00
Estimated Coefficients for Conversi using data in uncoded units
Term Coef
Constant 44.3333
Carga Ca 55.9333
Temp 0.500000
Presión 1.73333
Conc. -3.00000
Carga Ca*Temp -0.263333
Carga Ca*Presión -0.566667
Carga Ca*Conc. -7.06667
Temp*Presión -0.0100000
Temp*Conc. -0.00833333
Presión*Conc. -0.350000
Carga Ca*Temp*Presión 0.00266667
Carga Ca*Temp*Conc. 0.0316667
Carga Ca*Presión*Conc. 0.0733333
Temp*Presión*Conc. 0.00166667
Carga Ca*Temp*Presión*
Conc. -0.000333333
De este estudio, se deduce que los efectos significativos son: el catalizador (A), la
temperatura (B), la concentración (D) y la interacción temperatura-concentración
(BD).
Repitamos ahora el análisis considerando únicamente la media fracción marcada
con “*”(fichero 2^(4-1).MTW):

Normal Probability Plot of the Effects (MEDIA FRACCIÓN)

(response is Conversi, Alpha = .10)
1.5 A: Carga Ca
B B: Temp
C: Presión
1.0 D: Conc.
AC + BD
0.5
Normal Score
0.0
-0.5
D
-1.0
A
-1.5
-10 -5 0 5 10 15 20 25
Effect
4-1
Figura 18: Efectos significativos en el ensayo de media fracción 2
Estimated Effects and Coefficients for Conversi (coded units)
Term Effect Coef

Constant 72.125
Carga Ca -8.750 -4.375
Temp 23.750 11.875
Presión -1.750 -0.875
Conc. -6.250 -3.125
Carga Ca*Temp 0.750 0.375
Carga Ca*Presión 5.250 2.625
Carga Ca*Conc. -1.250 -0.625
Analysis of Variance for Conversi (coded units)

Main Effects 4 1365.50 1365.50 341.37 * *
Residual Error 0 0.00 0.00 0.00
Total 7 1424.87

Effects Plot for Conversi
Alias Structure
I + Carga*Temp*Presión*Conc.
Carga + Temp*Presión*Conc.
Temp + Carga*Presión*Conc.
Presión + Carga*Temp*Conc.
Conc. + Carga*Temp*Presión
Carga*Temp + Presión*Conc.
Carga*Presión + Temp*Conc.
Carga*Conc. + Temp*Presión
Como puede observarse, coinciden los efectos detectados como significativos
(salvo la ambigüedad del alias) y los valores de los efectos concuerdan bien.
4. DISEÑOS CON BLOQUES ALEATORIZADOS

4.1. CONCEPTO DE BLOQUE ALEATORIZADO
Es frecuente que las condiciones en las que deba realizarse la experimentación
no sean homogéneas para todas las condiciones experimentales. Por ejemplo,
supongamos un diseño con tres factores A, B y C a dos niveles y se pretende
realizar un diseño factorial completo 23= 8 ensayos. Si por razones operativas no
pudieran realizarse más de cuatro ensayos en el mismo día, es lógico pensar que
de un día a pueda existir una deriva experimental. Si los ocho experimentos se
aleatorizan en los dos días, podría ocurrir que se dieran tres o cuatro ensayos en
el mismo día en la condición A+, sumándose de esta manera el efecto “día”al
efecto del factor A. Para evitar esto, es conveniente introducir el concepto de
“bloque”. En el caso planteado se haría un bloque con cada día de

experimentación y en este caso sería un “bloque de 2 niveles” (dos días de
experimentación). Si la capacidad de ensayo fuera más reducida y no se
pudieran hacer más de dos experimentos diarios (con lo que se requeriría cuatro
días para la realización del plan de experimentos), entonces tendríamos un
“bloque de 4 niveles”.
A la hora de planificar un experimento es muy importante identificar todos los
condicionantes de este tipo que a priori pueden falsear los resultados de la
experimentación de manera que se le asignen los bloques de manera adecuada.
Para que los factores estén equilibrados dentro de cada bloque se asignan
manteniendo la ortogonalidad de la matriz de una manera similar al método
empleado para generar nuevos factores en los diseños fraccionales. Por ejemplo,
en el caso planteado en la introducción, se podría asignar el efecto bloque
confundiéndolo con la interacción de tercer orden ABC. La matriz del diseño sería:
Bloque = ABC
Exp. A B C ABC Bloque Día

1 -1 -1 -1 -1 I 1er día
2 1 -1 -1 1 II 2o día
3 -1 1 -1 1 II 2o día
4 1 1 -1 -1 I 1er día
5 -1 -1 1 1 II 2o día
6 1 -1 1 -1 I 1er día
7 -1 1 1 -1 I 1er día
8 1 1 1 1 II 2o día

Puede observarse la ortogonalidad de las columnas, lo que se traduce en el
equilibrio de cada uno de los bloques. Es decir, el primer día tiene dos
experimentos en A+, dos en B+ y dos en C+.
Si fuesen necesarios cuatro días entonces sería necesario asignar dos
generadores (y por lo tanto dos grados de libertad). Por ejemplo, podrían ser:
Generador 1 =AB
Generador 2 =AC
La matriz del diseño sería en este caso:
Exp. A B C AB AC Bloque Día

1 -1 -1 -1 1 1 I 1er día
2 1 -1 -1 -1 -1 IV 4o día
3 -1 1 -1 -1 1 II 2o día
4 1 1 -1 1 -1 III 3er día
5 -1 -1 1 1 -1 III 3er día
6 1 -1 1 -1 1 II 2o día
7 -1 1 1 -1 -1 IV 4o día
8 1 1 1 1 1 I 1er día
Obsérvese que los cuatro días están equilibrados y en ninguno de ellos se repite
el mismo nivel en ningún factor.
Es preciso tener en cuenta que debe aleatorizarse el orden en el que se realizan
los ensayos que corresponden a cada uno de los niveles. La máxima a tener en
cuenta en un plan de ensayos es:

HACER BLOQUES EN TODO LO QUE SE PUEDA CONTROLAR Y
ALEATORIZAR LO QUE NO SE PUEDA CONTROLAR
No existe una regla para hallar diseños factoriales bloqueados de máxima
resolución. Para facilitar esta tarea existen tablas publicadas y los paquetes de
software especializados facilitan esta tarea.
EJEMPLO 4. EJEMPLO DE DISEÑOS F ACTORIALES

BLOQUEADOS.
La fabricación de un producto químico depende de cuatro factores:
• A: Temperatura.
• B: Presión.
• C: Concentración.
• D: Velocidad de agitación.
Se pretende realizar un diseño factorial completo 24 = 16 experimentos. Existe la
limitación de que cada día solo pueden realizarse 8 experimentos. Por esta razón
se va a dividir en dos bloques.

APLICACIÓN MINITAB
Stat->Doe->Factorial->Create Factorial. En el cuadro de
diálogo se selecciona “2-level factorial (default generator”,
“4 factores” y en “Designs” se selecciona el diseño factorial
completo y 2 bloques.
La matriz del diseño es la indicada en la tabla siguiente donde también se
incluyen las respuestas obtenidas (fichero Bloques.MTW):
StdOrder RunOrder CenterPt Blocks Temp Presión Concent. Vel. Respues

1 1 1 1 1 -1 -1 -1 71
2 2 1 1 -1 1 -1 -1 48
3 8 1 1 -1 -1 1 -1 68
4 4 1 1 1 1 1 -1 65
5 6 1 1 -1 -1 -1 1 43
6 5 1 1 1 1 -1 1 104
7 7 1 1 1 -1 1 1 86
8 3 1 1 -1 1 1 1 70
9 9 1 2 -1 -1 -1 -1 45
10 10 1 2 1 1 -1 -1 65
11 15 1 2 1 -1 1 -1 60
12 13 1 2 -1 1 1 -1 80
13 12 1 2 1 -1 -1 1 100
14 16 1 2 -1 1 -1 1 45
15 11 1 2 -1 -1 1 1 75
16 14 1 2 1 1 1 1 96
4
Tabla 10: Diseño 2 completo con 2 bloques

Obsérvese que el generador del bloque se ha construido:
Bloque = ABCD
En la Figura 19 se ha representado geométricamente la asignación de las
distintas condiciones de ensayo a cada uno de los bloques. Obsérvese el
equilibrio existente en el reparto.
BLOQUE 1
BLOQUE 2
80 65 70 96
48 65 45 104
1
Presión 68 60 75 86
1
45 71 Concent. 43 100
-1 -1
-1 1
Temp
-1 Vel. 1
Figura 19: Representación geométrica de los bloques

Analizando el diseño se obtiene:
Fractional Factorial Fit: Respues versus Temp, Presión, Concent., Vel.
Estimated Effects and Coefficients for Respues (coded units)
Term Effect Coef SE Coef T P

Constant 70.063 1.371 51.11 0.000
Block -0.688 1.371 -0.50 0.642
Temp 21.625 10.812 1.371 7.89 0.001
Presión 3.125 1.563 1.371 1.14 0.318
Concent. 9.875 4.937 1.371 3.60 0.023
Vel. 14.625 7.313 1.371 5.33 0.006
Temp*Presión 0.125 0.063 1.371 0.05 0.966
Temp*Concent. -18.125 -9.063 1.371 -6.61 0.003
Temp*Vel. 16.625 8.313 1.371 6.06 0.004
Presión*Concent. 2.375 1.188 1.371 0.87 0.435
Presión*Vel. -0.375 -0.187 1.371 -0.14 0.898
Concent.*Vel. -1.125 -0.563 1.371 -0.41 0.703
Analysis of Variance for Respues (coded units)

Blocks 1 7.56 7.56 7.563 0.25 0.642
Main Effects 4 3155.25 3155.25 788.812 26.24 0.004
2-Way Interactions 6 2447.88 2447.88 407.979 13.57 0.012
Residual Error 4 120.25 120.25 30.062
Total 15 5730.94
Observations for Respues
Obs Respues Fit SE Fit Residual St Resid

1 71.000 67.500 4.748 3.500 1.28
2 48.000 45.500 4.748 2.500 0.91
3 68.000 71.250 4.748 -3.250 -1.19
4 65.000 64.000 4.748 1.000 0.36
5 43.000 44.000 4.748 -1.000 -0.36
6 104.000 100.750 4.748 3.250 1.19
7 86.000 88.500 4.748 -2.500 -0.91
8 70.000 73.500 4.748 -3.500 -1.28
9 45.000 45.875 4.748 -0.875 -0.32
10 65.000 70.125 4.748 -5.125 -1.87
11 60.000 59.375 4.748 0.625 0.23
12 80.000 78.375 4.748 1.625 0.59
13 100.000 101.625 4.748 -1.625 -0.59
14 45.000 45.625 4.748 -0.625 -0.23
15 75.000 69.875 4.748 5.125 1.87
16 96.000 95.125 4.748 0.875 0.32

Effects Plot for Respues
Alias Structure
I
Blocks = Temp*Presión*Concent.*Vel.
Temp
Presión
Concent.
Vel.
Temp*Presión
Temp*Concent.
Temp*Vel.
Presión*Concent.
Presión*Vel.
Concent.*Vel.
En la Figura 20 se ve el estudio de los efectos significativos utilizando el método
del gráfico probabilístico normal. Se concluye de aquí que los efectos
significativos son A, C, D, AC y AD. En particular, de este gráfico se concluye que
en este caso el efecto bloque no es significativo. Esto también puede verse en la
tabla ANOVA, en la que se da un valor p de 0.625 para el efecto bloque, por lo
que la diferencia entre los mismos puede deberse únicamente a razones
aleatorias. Por otra parte, en la Figura 21 no se aprecia ninguna tendencia en los
residuos.
Teniendo en cuenta los efectos calculados en el listado anterior, la ecuación
explicativa es:
Re s = 70.063 + 10.812 A + 4.937C + 7.313C − 18.125 AC + 8.313 AD

Normal Probability Plot of the Standardized Effects

(response is Respues, Alpha = .10)
A: Temp
A B: Presión
C: Concent.
D: Vel.
1 AD
D
Normal Score
-1
AC
-5 0 5
Standardized Effect
Figura 20: Estudio de efectos significativos
Residuals Versus the Order of the Data

(response is Respues)
BLOQUE 1 BLOQUE 2
Residual
-5
2 4 6 8 10 12 14 16
Observation Order
Figura 21: Estudio del residuo de la predicción vs bloque

Finalmente, puede (y debe) completarse este análisis comprobando la normalidad
de los residuos mediante el método del gráfico probabilístico normal o
representando su histograma, y también comprobar que no existe ninguna
tendencia anómala de los residuos ligada a los valores de las variables.
5. ESTRATEGIA EXPERIMENTAL
5.1. ESTRATEGIA SECUENCIAL. ENSAYOS DE “SCREENING”.
PLANIFICACIÓN DE LOS ENSAYOS.
Por definición, al principio de la experimentación se conoce del proceso menos
que en cualquier posible etapa intermedia de la misma. Por esta razón no es
recomendable planificar inicialmente todos los posibles ensayos a realizar, sino un
primer grupo de ensayos que empiecen a aportar información y que permitan
definir como ha de continuarse la experimentación.
Este primer ensayo, que se denomina habitualmente “screening” (que podríamos
traducir por cribado) se realiza habitualmente empleando diseños fraccionales con
bajo nivel de resolución (por ejemplo III ó IV) o incluso saturados. También
pueden emplearse diseños de Plackett-Burmann. En este primer ensayo se trata
fundamentalmente de detectar cuales son los factores cuya incidencia en la
respuesta es nula o muy baja. Por esta razón han de escogerse los niveles
suficientemente separados y que abarquen la región que se pretende estudiar.

Una vez realizado este primer grupo de ensayos es posible que sea necesario
realizar ensayos complementarios para romper la confusión en los efectos
obtenida al analizar el diseño fraccional (ver párrafo 5.2).
Una vez seleccionados los factores de mayor influencia en el proceso, debe
continuarse el plan de ensayos descartando los factores inertes, en una zona más
próxima a donde se esperen las mejores respuestas y disminuyendo la distancia
entre el nivel alto y bajo de cada factor. A partir de ahí puede continuarse con la
optimización del proceso empleando el método de superficie respuesta.
SELECCIONAR FACTORES Y
DEFINIR BLOQUES
REALIZAR ENSAYO DE
"SCREENING" (FACTORIAL
FRACCIONAL O
PLACKETT-BURMANN
NO
‫ ؟‬CONFUSIONES EN
EFECTOS?
SI
ENSAYOS COMPLEMENTARIOS
(POR EJ. OTRA MEDIA FRACCION)
CONTINUAR ENSAYOS SOLO CON

LOS EFECTOS SIGNIFICATIVOS,
CON NIVELES MAS PROXIMOS
ENTRE SI Y SITUADOS EN LA ZONA
DONDE SE ESPERAN MEJORES
RESPUESTAS
OPTIMIZACION: METODO
SUPERFICIE RESPUESTA
Figura 22: Secuencia de experimentación interactiva

5.2. MÉTODOS PARA ROMPER LA CONFUSIÓN ENTRE LOS

EFECTOS
El procedimiento más simple para romper la confusión entre los efectos
principales y los de segundo orden en un diseño factorial fraccional 2n-p es realizar
otro bloque de 2n-p ensayos. Básicamente puede hacerse de dos maneras
diferentes:
• Realizar el bloque de ensayos que resulta de permutar los niveles de todos

los factores. De esta manera se consigue separar la estimación de los
efectos principales de las interacciones de segundo orden.
• Realizar el bloque de ensayos que resulta de permutar el nivel de uno de

los factores. En este caso se consigue separar la estimación de este efecto
principal de las interacciones de segundo orden.
En el EJEMPLO 5 se justifica y se detalla la metodología a seguir. En este
segundo bloque se podrían excluir los ensayos que sean debidos a factores que
no intervengan en la confusión.
EJEMPLO 5. EJEMPLO DE RESOLUCIÓ N DE EFECTOS

CONFUNDIDOS
Relacionado con el diseño de los paneles de mando de un vehículo, se realizó
una investigación sobre el tiempo de respuesta del ojo humano. Para ello se
construyó un aparato con el que se pueden medir 7 factores (A-G) relacionados
con la agudeza visual. Se realizó un primer grupo de ensayos 27-4III según la

matriz de la tabla siguiente en la que se recogen también los resultados
obtenidos:
A B C D E F G Tiempo
-1 -1 -1 1 1 1 -1 85.5
1 -1 -1 -1 -1 1 1 75.1
-1 1 -1 -1 1 -1 1 93.2
1 1 -1 1 -1 -1 -1 145.4
-1 -1 1 1 -1 -1 1 83.7
1 -1 1 -1 1 -1 -1 77.6
-1 1 1 -1 -1 1 -1 95
1 1 1 1 1 1 1 141.8
El patrón de confusión de este diseño es:
A + B*D + C*E + F*G

B + A*D + C*F + E*G
C + A*E + B*F + D*G
D + A*B + C*G + E*F
E + A*C + B*G + D*F
F + A*G + B*C + D*E
G + A*F + B*E + C*D
Los efectos estimados son:
Estimated Effects and Coefficients for Tiempo (coded units)
Term Effect Coef

Constant 99.663
A 20.625 10.312
B 38.375 19.187

C -0.275 -0.137
D 28.875 14.438
E -0.275 -0.138
F -0.625 -0.313
G -2.425 -1.212
Los efectos significativos (ver Figura 23) son:
A + B*D + C*E + F*G = 20.625

B + A*D + C*F + E*G = 38.375
D + A*B + C*G + E*F = 28.875

(response is Tiempo, Alpha = .50)
A: A
B B: B
C: C
D D: D
1 E: E
BD F: F
AE G: G
Normal Score
AG
-1
C
AF
0 10 20 30 40
Effect
Figura 23: Efectos significativos (confundidos con su alias)

Para romper la confusión existente, se realiza otra fracción complementaria
(foldover) cambiando de signo los niveles de todos los factores:

APLICACIÓN MINITAB
Stat->Doe->Modify Design. En este cuadro de diálogo se puede
seleccionar diversas opciones (en este caso “Fold design”.
A B C D E F G Tiempo
1 1 1 -1 -1 -1 1 91.3
-1 1 1 1 1 -1 -1 136.7
1 -1 1 1 -1 1 -1 82.4
-1 -1 1 -1 1 1 1 73.4
1 1 -1 -1 1 1 -1 94.1
-1 1 -1 1 -1 1 1 143.8
1 -1 -1 1 1 -1 1 87.3
-1 -1 -1 -1 -1 -1 -1 71.9
La estructura de alias de esta segunda fracción es:
A - B*D - C*E - F*G

B - A*D - C*F - E*G
C - A*E - B*F - D*G
D - A*B - C*G - E*F
E - A*C - B*G - D*F
F - A*G - B*C - D*E
G - A*F - B*E - C*D
Los efectos estimados de esta segunda fracción son:
Term Effect Coef

Constant 97.613
A -17.675 -8.837
B 37.725 18.862
C -3.325 -1.663

D 29.875 14.938
E 0.525 0.262
F 1.625 0.813
G 2.675 1.337
Se puede confirmar que los efectos significativos son los mismos que en el caso
anterior.
A - B*D - C*E - F*G = -17.675

B - A*D - C*F - E*G = 37.725
D - A*B - C*G - E*F = 29.875
Sumando ambos conjuntos de ecuaciones:
A = (20.625 – 17.675)/2 = 1.475

B = (37.725 + 38.375)/2 = 38.05
D = (29.875 + 28.875)/2 = 29.375
De aquí se deduce que B y D son significativos. Sin embargo el efecto
significativo de la primera ecuación ha de corresponder a alguna de las
interacciones:
B*D + C*E + F*G = (20.625 – 17.675)/2 = 19.15
Para romper la confusión entre las interacciones de segundo orden y sería preciso
realizar más ensayos. Sin embargo parece lógico pensar que si B y D son
significativos, la interacción significativa sea precisamente BD.

APLICACIÓN MINITAB
Si se combinan ambos bloques y se analizan conjuntamente, se
obtiene la misma estimación de los efectos. En el gráfico de
la Figura 24, puede comprobarse que el efecto de bloque no es
significativo.
Term Effect Coef

Constant 98.638
Block 1.025
A 1.475 0.738
B 38.050 19.025
C -1.800 -0.900
D 29.375 14.687
E 0.125 0.062
F 0.500 0.250
G 0.125 0.063
A*B -0.500 -0.250
A*C -0.400 -0.200
A*D 0.325 0.162
A*E 1.525 0.763
A*F -2.550 -1.275
A*G -1.125 -0.563
B*D 19.150 9.575
COMBINACIÓN DE LOS DOS BLOQUES

(response is Tiempo, Alpha = .50)
A: A
B B: B
C: C
D D: D
1 E: E
BD F: F
AE G: G
Normal Score
AG
-1
C
AF
0 10 20 30 40
Effect
Figura 24: Estudio de los efectos significativos combinando los dos bloques

Diseño Experiemntal

Încărcat de

Informații document

Titlu original

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

Diseño Experiemntal

Încărcat de

Drepturi de autor:

Formate disponibile

DISEÑO ESTADÍSTICO DE EXPERIMENTOS

Arturo Ruiz-Falcó Rojas

A los procesos que durante estos años me “contaron sus

problemas” a través de los datos.

A los responsables de los procesos, que confiaron en mi y me

Y sobre todos, a mis alumnos de ICAI, a los que durante 18

cursos (1992-2010) traté de convencerles de que esto servía para

algo. No siempre lo conseguí en clase, pero estoy seguro que

cuando maduren profesionalmente y se encuentre con algún

proceso con problemas, desenpolvarán mis apuntes de clase.

Más información en www.cpk-ingenieros.com Página - 2

Correo electrónico: info@cpk-ingenieros.com

1. DISEÑOS FACTORIALES A DOS NIVELES 2K ............................................. 4

1.1. UN PROCESO DE MEJORA MÁS SOFISTICADO: ¿CÓMO PUEDE SE

MEJORAR UN PROCESO? ....................................................................................... 4

1.2. COMPARACIÓN CON EL MÉTODO CLÁSICO DE “VARIAR UN FACTOR CADA

1.3. DESCRIPCIÓN DE LOS DISEÑOS FACTORIALES COMPLETOS A DOS

2. CASO DE DATOS NO NORMALES. TRANSFORMACIONES .................... 29

3. DISEÑOS FACTORIALES FRACCIONALES A DOS NIVELES 2K-P ........... 34

3.1. JUSTIFICACIÓN DEL FRACCIONAMIENTO. EJEMPLO .............................. 34

3.2. CONCEPTO DE “GENERADOR”, “ECUACIÓN DE GENERACIÓN”,

“CONFUSIÓN / ALIAS”, “RELACIÓN DE RESOLUCIÓN”, “SATURACIÓN”. EJEMPLO

4. DISEÑOS CON BLOQUES ALEATORIZADOS ............................................ 41

4.1. CONCEPTO DE BLOQUE ALEATORIZADO ................................................. 41

5. ESTRATEGIA EXPERIMENTAL ................................................................... 50

5.1. ESTRATEGIA SECUENCIAL. ENSAYOS DE “SCREENING”. PLANIFICACIÓN

DE LOS ENSAYOS. ................................................................................................. 50

5.2. MÉTODOS PARA ROMPER LA CONFUSIÓN ENTRE LOS EFECTOS ....... 52

Más información en www.cpk-ingenieros.com Página - 3

Correo electrónico: info@cpk-ingenieros.com

1. DISEÑOS FACTORIALES A DOS NIVELES 2K

una mejora” en una alternativa, pero no soluciona el problema de diseñar esa

En la industria habitualmente se deben resolver problemas como los que siguen:

• ¿Cómo se debe modificar el producto para aumentar su resistencia

• ¿Cómo se puede reducir los defectos de fabricación?

Este proceso de adquisición de conocimiento es en esencia similar al progreso

científico. El progreso científico se basa en definir modelos teóricos, realizas

observaciones o experimentos que corroboren el modelo supuesto o que sean

incompatibles con él, etc.

de problemas industriales como los indicados anteriormente.

Más información en www.cpk-ingenieros.com Página - 4

Correo electrónico: info@cpk-ingenieros.com

1.2. COMPARACIÓN CON EL MÉTODO CLÁSICO DE “VARIAR UN

nombra un grupo de trabajo con la finalidad de que estudien el proceso de

fabricación y definan las modificaciones a introducir en el mismo. Este grupo de

trabajo estaba integrado por personal muy experto en el proceso y en las

tecnologías relacionadas con el mismo. En la primera sesión de trabajo el grupo

recolectó la siguiente información:

• Los factores que tienen una incidencia más directa son:

o Temperatura del proceso, medida en °C.

o Concentración del producto base (en %).

o Tipo de catalizador utilizado, existen dos tipos, el A y el B.

o Temperatura: entre 150 °C y 190 °C.

o Concentración: entre 15% y 45%.

• El proceso esta operando actualmente en:

o Temperatura: 170 °C.

Correo electrónico: info@cpk-ingenieros.com

Sin embargo no existía acuerdo en los siguientes puntos:

• Grado de influencia de cada uno de los factores en la calidad del

• Punto de operación del proceso. Los partidarios de la temperatura creían

la idea… “¿por qué no se lo preguntamos al proceso?”, Antes de que los demás le

experimentar y aprender todos de los resultados. Enseguida estuvieron todos de

acuerdo, el problema surgió cuando alguien preguntó “¿qué ensayos hacemos?”