Documente Academic
Documente Profesional
Documente Cultură
Coatzacoalcos.
División de Ingeniería Industrial.
No
Control: 17081143.
ÍNDICE.
Introducción. 3
7
5.2 DISEÑOS FACTORIALES CON TRES FACTORES.
5.3 DISEÑO FACTORIAL GENERAL. 12
Conclusión.
Referencias bibliográficas.
2
INTRODUCCIÓN.
El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una
o varias respuestas o características de calidad, es decir, lo que se busca es
estudiar la relación entre los factores y la respuesta, con la finalidad de conocer
mejor cómo es esta relación y generar conocimiento que permita tomar acciones y
decisiones que mejoren el desempeño del proceso. Por ejemplo, uno de los
objetivos particulares más importantes que en general tiene un diseño factorial es
determinar una combinación de niveles de los factores en la cual el desempeño
del proceso sea mejor que en las condiciones de operación actuales, es decir,
encontrar nuevas condiciones de operación del proceso que eliminen o
disminuyen cierto problema de calidad en la variable de salida.
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador,
la presencia o ausencia de una operación previa, etc.) , o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para poder estudiar la manera
en cómo influye cada factor sobre la variable respuesta, es necesario elegir al
menos dos niveles de prueba para cada uno de ellos. Con el diseño factorial
completo se corren aleatoriamente en el proceso todas las posibles
combinaciones que pueden formarse con los niveles seleccionados.
3
UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.
5.1 DISEÑOS FACTORIALES CON DOS FACTORES.
(5.22)
Donde,
I
el nivel i del factor T . Se verifica que i = 1 i = 0,
J
el nivel j del factor T . Se verifica que j=1 i = 0,
I J
e verifica que i=1 ij = j=1 ij = 0, para i = 1,...,I; j = 1,...,J.
4
ijk es el error experimental o perturbación, son variables aleatorias
Parámetr Número
os
i I-1
j J-1
ij
2
1
Total IJ + 1
(5.23)
5
con ijk v.a. independientes con distribución N .
Usar el modelo de efectos principales sólo cuando se tiene la certeza de que no existe
interacción entre los factores.
6
Si el efecto interacción es significativo, generalmente es preferible pasar a un
modelo de una vía donde los niveles son todas las combinaciones de niveles y
examinar así sus posibles diferencias.
Diseño Factorial 22
Supongamos que se tienen dos factores A: tiempo y B: velocidad, cada uno con
dos niveles (bajo y alto), la respuesta es la cantidad de aditivo. En el experimento,
cada tratamiento se corrió tres veces (tres réplicas) lo que da un total de 12
corridas del proceso. Por simplicidad sólo se muestra los resultados de la primera
réplica:
7
Efecto principal y efecto de interacción
16.26+18.16 17.10+18.76
Efecto A: Tiempo= − =−0.72
2 2
Por otro lado, se dice que dos factores interactúan entre sí o que tienen un efecto
de interacción sobre la variable respuesta, cuando el efecto de un factor depende
del nivel en que se encuentra el otro. Por ejemplo, los factores tiempo y velocidad
interactúan si el efecto del tiempo es muy diferente en cada nivel de velocidad, o
viceversa, si el efecto de la velocidad depende del tiempo. Veamos esto con los
datos:
Si estos dos efectos de A en función del nivel B fueran diferentes, entonces eso
sería evidencia de que la elección más conveniente del nivel de A depende del
nivel en que esté B y viceversa. Es decir, eso sería evidencia de que los factores
A y B interactúan entre sí. En la práctica el cálculo del efecto de A en cada nivel de
B no se hace, y más bien se calcula el efecto global de la interacción entre los dos
factores. El efecto de interacción entre A y B, denotado por AB se calcula como la
diferencia entre la respuesta media cuando ambos factores se encuentran en el
mismo nivel ((bajo,bajo),(alto,alto)), y la respuesta media cuando los factores se
8
encuentran en niveles opuestos ((bajo, alto),(alto, bajo)). Para el ejemplo el efecto
de la interacción tiempo x temperatura está dado por:
Los valores absolutos de los efectos principales y del efecto de la interacción son
una medida de la magnitud de su efecto sobre la variable respuesta. Así, entre
más grande sea el valor absoluto de un efecto, mayor influencia tendrá sobre la
variable respuesta. Sin embargo, para saber si los efectos son estadísticamente
significativos se requiere del análisis de varianza.
9
estadísticas sobre los efectos de interés, de tal forma que si se hacen n réplicas, el
número total de corridas experimentales es n(a x b).
Modelo Estadístico:
αβ ¿ij +ε ijk
Y ijk=μ+ α i + β j+ ¿
βj αβ ¿ij
es el efecto del j-ésimo nivel del factor B, representa el efecto de
¿
interacción en la combinación ij y ε ijk es el error aleatorio que supone sigue una
2
distribución con media cero y varianza constante σ y son independientes entre
sí. Para que la estimación de los parámetros en este modelo sea única, se
introducen las restricciones:
αβ ¿ ij =0
b ¿
α i=¿ ∑ β j=0 b
j=1 αβ ¿ij =¿ ∑ ¿
a y j=1
∑¿ ¿
a
i=1
∑¿
i=1
10
Para el Factor A
H 0 : Efecto A=0
H 1 : Efecto A ≠ 0
H 0 : α 1=α 2=…=α a =0
H 1 : α i ≠0 para algúni
Para el Factor B
H 0 : Efecto B=0
H 1 : Efecto B≠ 0
H 0 : β1= β2=…=β b =0
H 1 : β j ≠ 0 para algún j
H 0 : Efecto AB=0
H 1 : Efecto AB≠ 0
SST=SSA+SSB+SSAB+SSE
11
5.3 DISEÑO FACTORIAL GENERAL.
Los resultados del ANOVA para dos factores pueden ser extendidos a un
caso general en donde a son los niveles del factor A, b son los niveles del factor
B, c son los factores del nivel C, y así sucesivamente, los cuales pueden ser
arreglados en un experimento factorial, en el cual el número de réplicas es n.
Está diseñada para generar procesos de calidad. TAGUCHI desarrolló una
aproximación al diseño de experimentos con el objetivo de reducir los costos
emanados de la experimentación, esta aproximación es más práctica que teórica y
se interesa mas por la productividad y los costos de producción que en las reglas
estadísticas. Los conceptos de estas técnicas están basados en las relaciones de
costos y ahorros.
Diseñar un sistema de manufactura para elaborar un producto requiere de
conocimientos técnicos además de una gran experiencia en el área a la cual
pertenece el producto.
Los diseños factoriales son ampliamente utilizados en experimentos en los que
intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que
resultan importantes porque se usan ampliamente en el trabajo de investigación, y
12
porque constituyen la base para otros diseños de gran valor práctico.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad
El diseño factorial fraccionario 2 k-p se usa en experimentos de escrutinio para
identificar con rapidez y de manera eficiente el subconjunto de factores que son
activos, y para obtener alguna información sobre la interacción. La propiedad de
proyección de estos diseños hace posible en muchos casos examinar los factores
activos con más detalle. La combinación secuencia de estos diseños a través del
plegamiento es una forma muy eficaz de obtener información extra acerca de las
interacciones, la cual puede identificarse en un experimento inicial como
potencialmente importante.
Este diseño es una variación del diseño 2 k y son muy útiles como las que se
emplean cuando todos los factores actúan a tres niveles.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad.
Este es un diseño que consta de k factores con tres niveles cada uno. Los
factores y las interacciones se representan mediante letras mayúsculas. Los tres
niveles de los factores pueden referirse como nivel inferior, intermedio y superior.
Estos niveles se representan mediante los dígitos 0 (nivel inferior), 1 (intermedio) y
2 (superior).
Cada combinación de tratamientos de un diseño 3 k se presenta mediante k dígitos,
donde el primero incida el nivel de A, el segundo señale al nivel de B, ..... y el k-
ésimo dígito, el nivel del factor k.
Por ejemplo, es un diseño 32 el 00 representa la combinación de tratamientos, en
la que tanto el factor A como el B están en el nivel inferior, y el 01 representa la
combinación de tratamientos que corresponde al factor A en el nivel inferior y a B
en el nivel intermedio.
En éste, el sistema de notación que se prefiere usar es el de + - en virtud de que
facilita la interpretación geométrica del diseño y de que es directamente aplicable
al modelado por regresión, la formación de bloques y la construcción de factoriales
fraccionarios.
La adición de un tercer nivel permite modelar con una relación cuadrática la
relación entre la respuesta y cada factor.
14
5.4 MODELOS DE EFECTOS ALEATORIOS.
En el modelo de efectos aleatorios, los niveles del factor son una muestra aleatoria
de una población de niveles. Este modelo surge ante la necesidad de estudiar un
factor que presenta un número elevado de posibles niveles, que en algunas
ocasiones puede ser infinito. En este modelo las conclusiones obtenidas se
generalizan a toda la población de niveles del factor, ya que los niveles empleados
en el experimento fueron seleccionados al azar.
yij = µ + τi + uij
Con la diferencia de que ahora τi son variables aleatorias. Además este modelo
requiere que las variables τi y uij sean independientes y sigan distribuciones
normales con media 0 y varianza constante σ 2τ y σ2, respectivamente. Así, por la
independencia entre las variables τi y uij, la varianza de cualquier observación de la
muestra, es decir, la varianza total, denotada por σ 2T, vale:
σ2T = σ2τ + σ2
H0: σ2τ = 0
15
Si se acepta H0, σ2τ = 0, significa que todos los tratamientos son idénticos; en
cambio, si se acepta H1, σ2τ > 0, significa que existe variabilidad entre los
tratamientos.
Donde µ es la media global, Eij son variables (una para cada muestra) distribuidas
normalmente, con media 0 y varianza σ2 (como en el modelo I) y Ai es una variable
distribuida normalmente, independiente de las eij, con media 0 y varianza σ2.
Por tanto, en H0 tanto MSA como MSE estiman σ2, mientras que en H1, MSE sigue
estimando s2 y MSA estima σ2 + nσ2a. La existencia de esta componente añadida
16
se contrasta con F= MSA/MSE y en caso afirmativo, la varianza de Ai se estima
como:
Como en el modelo de efectos fijos, consideremos las expresiones de y i., Ӯi., y.. e
Ӯ.., en función de los parámetros del modelo, con objeto de poder hallar las
esperanzas de las varianzas muéstrales.
E(S2Tr) = nσ2τ + σ2
σ2 = S2R
17
Naturalmente, todo lo dicho sobre la estimación de σ2Τ en el modelo no-
equilibrado, es aplicable a este caso.
S2R = σ2.
σ2 = S2R
18
La selección de una opción concreta dependerá del experimento analizado o del
criterio del investigador.
SAS, o Statistical Analysis System, fue diseñado como una herramienta de análisis
de datos para todo propósito. SAS proporciona herramientas para el
almacenamiento y recuperación de información, modificación de datos y
programación; elaboración de reportes, estadística simple y avanzada, y el manejo
de archivos. Varios de los productos de SAS son integrados con el SAS BASE
para proporcional un sistema completo. Por ejemplo, el modulo SAS/STAT provee
una poderosa herramienta para procedimientos de análisis estadístico el cual
incluye regresión, análisis de varianza, análisis de datos categóricos, análisis
multivariado, análisis discriminante, análisis de conglomerados, etc.
19
El programa SAS básicamente es
encuentra dividido en dos grandes
ventanas:
- Ventana izquierda "Explorer":
contiene accesos directos a los
ficheros que interesen, información
sobre las librerías y una ventana de
resultados dónde aparece la
información obtenida de las
diferentes ejecuciones desglosadas.
- Ventana derecha: Contiene las ventanas principales LOG, OUTPUT, EDITOR.
CONCLUSIÓN.
20
El objetivo de ambos métodos es el de “emparejar” la serie y proporcionar un
panorama global a largo plazo. Por otro lado, si de hecho existe una tendencia, se
pueden aplicar varios métodos de pronóstico de series de tiempo al manejar datos
anuales, y otro método para los datos de series de tiempo mensual o trimestral.
REFERENCIAS BIBLIOGRÁFICAS.
21
García Leal, J. & Lara Porras, A.M. (1998). “Diseño Estadístico de Experimentos.
Análisis de la Varianza.” Grupo Editorial Universitario.
22