Anlisis y Diseo de Experimentos: Variaciones Sobre un Mismo Tema

Mauricio Cabrera Ros

1

Agenda

Que es el anlisis y diseo de experimentos (ADE)? Dnde se utiliza el ADE? Principios Bsicos del ADE Algunos objetivos posibles para ADE Pasos de un ADE Un ejemplo: el uso de ADE en una aplicacin real Precauciones y Consideraciones Algunas aplicaciones Bibliografa

Qu es el Anlisis y Diseo de Experimentos (ADE)?

Se puede entender como un experimento a una prueba planeada donde se introducen cambios controlados en un proceso o un sistema con el objetivo de analizar la variacin inducida por estos cambios en una medida de desempeo.
ADE es una coleccin de herramientas estadsticas que se relacionan con la planeacin, la ejecucin y la interpretacin de un experimento.

Modelo General de un Proceso o Sistema

Factores Controlables xn x1 x2

Entradas

PROCESO

Salidas, y

z1

z2

zm

Factores Incontrolables

Principios Bsicos de ADE

Aleatorizacin.- La asignacin de material experimental y el orden de experimentacin deben ser determinados aleatoriamente. Esto permite que los efectos de algunos factores no controlados se cancelen unos a otros. Replicacin. Recolectar un nmero de especmenes bajo cada combinacin de condiciones experimentales. Esto permite al experimentador estimar el error experimental, as como incrementar la precisin en el efecto estimado de un factor. Bloqueo.- Un bloque es una porcin de material experimental que debe ser ms homogneo que el conjunto completo de material. Esto permite al experimentador incrementar la precisin del experimento.

Ilustracin de un ADE
Factor Factor Bloqueador Controlable Medida de Desempeo

Aleatorizacin

Bloqueo

Replicacin

Algunos objetivos comunes de ADE

Diseo de un sistema nuevo (DISEO) Determinar las variables importantes que afectan una medida de desempeo (FILTRADO) Ajustar idealmente las condiciones de proceso (OPTIMIZACIN) Reduccin de la variabilidad de un proceso (REDUCCIN DE VARIANZA) Encontrar condiciones insensibles a la variacin externa de un proceso (ROBUSTEZ)

Pasos de un Experimento
1. 2. 3. 4. 5. 6.

Definir el objetivo del experimento Planear Disear el Conducir experimento Analizar Concluir

Antecedentes para una aplicacin en resina polister reforzada (SMC)

Molde Caliente: De cierto tonelaje dado Se puede cambiar la temperatura Preformado Molde Caliente
Molde Caliente

Placa SMC

Preformado de SMC:
Fibra de Vidrio Resina Carga Catalizadores Otros

Placa de SMC
Se utiliza para aplicaciones automotrices Necesita cumplir estndares de calidad de superficie

Una Aplicacin de ADE

Objetivo: Ajustar el Contenido de carga y la Temperatura del molde en un proceso de moldeado de SMC para mejorar la calidad de superficie descrita por un ndice de calidad. Plan: 1. Variar el contenido de carga (Factor A) en el rango [40%, 44%] y la Temperatura del molde (Factor B) en el rango [302oF, 327oF]. 2. Elegir solamente dos niveles para cada factor, i.e. contenido de carga a 40% y 44% y Temperatura del Molde a 302oF and 327oF.

10

3. Matener cualquier otro factor controlable constante. 4. La medida de desempeo est dada por el ndice de calidad (entre ms pequeo el valor de este ndice, mejor calidad de superficie)

Fase de Diseo
Diseo de Experimentos: Podemos usar un diseo factorial 22 para investigar 2 factores a 2 niveles, lo cual arroja un total de = 4 corridas experimentales. Replicaremos este experimento n=5 veces. 44 + Carga % 40 + Factor A, Carga se vara a a=2 niveles Factor B, Temperatura de Molde se vara a b=2 niveles

11

302 327 Temperatura de Molde (oF)

Tabla del Experimento

Llevando a cabo el experimento:
Mold Temperature ( F) Filler (%) 40 44 y .j. 90 85 86 104 302 98 87 82 79 89 450 84 434 884 107 72 102 77 327 105 94 78 82 91 499 67 376 875 y i.. 949 810 1759 y
o

12

Suma de Rengln

Cada uno de estos nmeros es una medicin del ndice de calidad tomada de una placa de SMC

Suma de las 5 rplicas bajo las mismas condiciones

Suma de Columna

Gran Suma

Frmulas para el anlisis de varianza

Fuente de Variacin Carga Temperatura Interaccin Error Total Suma de Cuadrados SS Carga SS Temperatura SS Interaccin SSE SST Grados de Cuadrados Libertad Medios a-1 MSFiller=SSFiller/(a-1) b-1 MSTemperature= SSTemperature/(b-1) (a-1)(b-1) MSInteraction =SS Interaction /[(a-1)(b=a)] ab(n-1) MSE = SSE/ab(n-1) abn-1 Fo F o =MS Filler /MSE F o =MS Temperature /MSE F o =MS Interaction /MSE F F 0.05,a-1,ab( n-1) F 0.05,b-1,ab( n-1) F 0.05,( a-1)( b-1),ab( n-1)

13

alpha, GL num, GL denom

SSC arg a

2 1 a 2 y... = yi.. bn i =1 abn

2 y... 1 a 2 y. j . = an i =1 abn

SS Interaction = SS Subtotales SS C arg a SSTemperatura

SSE = SST SS Subtotales

SST =
a b n 2 yijk 2 y... abn

SSTemperatura

i =1 j =1 k =1

SS Subtotales

2 y... 1 a b 2 = yij . n i =1 j =1 abn

Clculos para nuestro ejemplo

Temperatura del Molde ( F) Carga (%) 40 44 y .j.
a

14

302 90 85
b n

86 104

98 82

87 79

89 84

450 434 884

107 72

102 77

327 105 94 78 82

91 67

499 376 875

y i.. 949 810 1759 y

SST =

i =1 j =1 k =1

2 yijk

2 y... = (90) 2 + (86) 2 + (98) 2 + (87) 2 + (89) 2 + (107) 2 + (102) 2 + (105) 2 + (94) 2 + (91) 2 + (85) 2 + (104) 2 + (82) 2 + (79) 2 + (84) 2 abn

+ (72) 2 + (77) 2 + (78) 2 + (82) 2 + (67) 2

(1759) 2 = 2352.95 (2)(2)(5)

2 (1759) 2 1 a 2 y... 1 2 2 = = 966.05 SSC arg a = yi.. [(949) + (810) ] abn (2)(5) (2)(2)(5) bn i =1 2 y... 1 a 2 1 (1759) 2 2 2 [(884) + (875) ] SSTemperatura = y. j . = = 4.05 an i =1 (2)(2)(5) abn (2)(5) 2 y... 1 a b 2 1 (1759) 2 2 2 2 2 SS Subtotales = yij . = [(450) + (499) + (434) + (376) ] = 1542.55 n i =1 j =1 ( 2)(2)(5) abn 5 SS Interaccin = SS Subtotales SSC arg a SSTemperatura = 1542.55 966.05 4.05 = 572.45

SSE = SST SS Subtotales = 2352.95 1542.55 = 810.4

Clculos para nuestro ejemplo

Fuente de Variacin Carga Temperatura Interaccin Error Total Suma de Cuadrados SS Carga SS Temperatura SS Interaccin SSE SST Grados de Libertad a-1 b-1 (a-1)(b-1) ab(n-1) abn-1 Cuadrados Medios MSCarga=SSCarga/(a-1) MSTemperatura= SSTemperatura/(b-1) MSInteraccin =SS Interaccin /[(a-1)(b-1)] MSE = SSE/ab(n-1) Fo F o =MSCarga/MSE F o =MS Temperatura /MSE F o =MS Interaccin /MSE F F 0.05,a-1,ab( n-1) F 0.05,b-1,ab( n-1) F 0.05,( a-1)( b-1),ab( n-1)

15

alpha, GL numerador, GL denominador

Fuente de Variacin Carga Temperatura Interaccin Error Total

Suma de Cuadrados 966.05 4.05 572.45 810.4 2352.95

Grados de Libertad 2-1= 1 2-1= 1 (1)(1)= 1 (2)(2)(5-1)= 16 (2)(2)(5)-1= 19

Cuadrados Medios 966.05/1=966.05 4.05/1=4.05 572.45/1=572.45 810.4/16=50.65

Fo 966.05/50.65= 19.07 4.05/50.65= 0.08 572.45/50.65= 11.30

alpha,GL numerador, GL denominador

F 0.05,1,16= 4.49 F 0.05,1,16= 4.49 F 0.05,1,16= 4.49

De la tabla de la distribucin F (o del comando de Excel DISTR.F.INV(alpha, GLnumerador, GLdenominador))

16

El Anlisis de Varianza para el ejemplo

Fuente de Variacin Carga Temperatura Interaccin Error Total Suma de Grados de Cuadrados Libertad 966.05 1 4.05 1 572.45 1 810.4 16 2352.95 19 Cuadrados Medios 966.05 4.05 572.45 50.65 Fo 19.07 0.08 11.3 F alpha,GL num, GL denom 4.49 4.49 4.49 valor p 0.0005 0.7810 0.0040

Significativo

Significativo

Si Fo>Falpha, GL num, GL denom, significa que el efecto de ese factor o interaccin es estadsticamente significativo. Un valor muy bajo del valor- p (<<alpha) indica una evidencia fuerte a favor de concluir que tal efecto es significativo. En este caso, el efecto de la carga y el efecto de interaccin CargaTemperatura parecen significativos. La temperatura no aparece como un factor significativo.

Grfica de Efectos Principales

Main Effects Plot (data means) for Quality Index
40 44 30 2 7 32

17

Mean Quality Index

94 91 88 85 82 Filler Mold Temperature

La grfica de efectos principales confirma nuestros resultados del anlisis de varianza. Podramos decir equivocadamente que especificar la temperatura de molde a 302oF no hara mucha diferencia en el ndice de calidad, sin embargo, veamos ahora la grfica de interaccin.

Grfica de Interaccin
Interaction Plot (data means) for Quality Index
100

18

Mean Quality Index

Filler at 40%
90

80

Filler at 44%
302 327

Mold Temperature

Entre ms paralelas se encuentren estas lneas, existe una menor interaccin entre los factores de inters. Es claro que en este caso en particular, existe una gran cantidad de interaccin.

Conclusiones

19

Tenemos evidencia estadstica para decir que la calidad de la superficie mejorar si el contenido de la carga se fija en 44% y la Temperatura del molde se fija en 327oF. Investigacin adicional de estos dos factores (y su interaccin) a diferentes niveles sera necesaria para establecer condiciones ptimas.

Cuidado!
Este anlisis asume que las observaciones se pueden describir por un modelo estadstico lineal

20

yijk=+i+j+()ij+ijk
Donde i=1,2,,a; j=1,2,,b; and k=1,2,,n

es el efecto general promedio, i es el efecto del io nivel

del factor rengln A, j es el efecto del jo nivel del factor columna B, ( )ij es el efecto de la interaccin entre i y j ; y ijk es una componente de error aleatoria que se supone estar distribuda normalmente (con residuos distribudos independientemente y con una varianza homognea)

Cuidado!
Se necesita checar que el modelo que tenemos sea adecuado para establecer la validez de nuestras conclusiones. sto se puede hacer a travs del anlisis residual.
Residual Model Diagnostics
Normal Plot of Residuals
20 20

21

I Chart of Residuals
UCL=19.68

Residual

Residual

10

10 0 -10 -20
LCL=-19.68 Mean=5.23E-13

-10 -2 -1 0 1 2

10

20

Normal Score

Observation Number

Histogram of Residuals
6 5 20

Residuals vs. Fits

Frequency

3 2 1 0 -10 -5 0 5 10 15

Residual

10

-10 80 90 100

Residual

Fit

Qu es lo que acabamos de hacer?

Exploramos el diseo y el anlisis de un experimento factorial de dos factores, con ambos factores variados a dos niveles cada uno. Fuimos capaces de determinar la significancia estadstica de estos dos factores en una medida de desempeo. Y de acuerdo con nuestro anlisis, pudimos recomendar un curso de accin (prescribir condiciones de proceso y formulacin).

22

23

Qu ms pudimos hacer?

Estimar el modelo lineal estadstico de efectos fijos yijk=+i+j+()ij+ijk

y determinar qu tan bueno es este modelo en predecir la variacin experimental.

Determinar si se hicieron suficientes rplicas, o si se necesitan ms para hacer el experimento ms preciso.

Comentarios
1.

24

Utilizar el ADE nos ayuda a entender mejor la variacin de nuestros sistemas y procesos. Pasar por definir el objetivo, planear, disear, conducir, analizar y concluirno saltarse ni un solo paso al llevar a cabo un experimento. Paga ser sistemtico. Un conjunto de datos o experimento distinto requerir un diseo estadstico distinto.

2.

3.

Celda de Manufactura

25

Variables Controlables

26

Variables No Controlables

27

El arreglo cruzado

28

Experimento de Mezclas

29

Comparar el desempeo de mezclas de fibras distintas en partes estructurales de SMC Evaluar si es factible determinar niveles ptimos de mezcla para satisfacer diferentes requerimientos. Desarrollar tcnicas para mezclar fibras fcilmente. Encontrar balances entre costo, manufacturabilidad, y consistencia.

30

Mezclado de las Fibras

1) Todos los pliegos con fibra de vidrio

2) 3 pliegos vidrio/ 1 carbn

3) 2 pliegos vidrio/ 2 carbn

4) 2 pliegos vidrio/ 2 carbn

7) 5) 6) Todos los 2 pliegos vidrio/ 1 pliego vidrio/ pliegos con 2 carbn 3 carbn fibra de carbn

31

El Diseo del Experimento

No se debe usar un factorial completo

El Diseo del Experimento

32

Un Diseo de Experimentos de Mezcla es adecuado

Un tercer issue
Si decidimos inclur dos pliegos de SMC con un cierto tipo de fibra, habr algn efecto en nuestras medidas de desempeo debido a la posicin relativa de estos pliegos en la carga?

33

Tensile Strength/Weight

34

Una ltima aplicacin...no terminada

8 variables

35

6 variables
214 combinaciones Cada corrida toma un tiempo considerable Hay restricciones en la configuracin del refuerzo

Bibliografa (para comenzar)

36

Montgomery, Douglas C. (1997). Design and Analysis of Experiments. 4th Edition. John Wiley & Sons: New York. Stuart, Glen (1993). Taguchi Methods.Addison-Wesley Publishing Company, Inc.:Boston.

Para empezar el experimento piloto

Comprar una caja de Clips de al menos 60 clips La situacin problemtica es como sigue: Un equipo de ahorro en la compaa, al no encontrar ninguna manera de ahorrar en el proceso de manufactura se ha dispuesto a lograr a toda costa algn resultado que mostrar al jefe. De esta manera llegan hasta la papelera de la oficina.

37

Notan que los clips para papel se rompen de vez en cuando y que quizs se pueda ahorrar por ah. Queremos estudiar la vida til de los clips de acuerdo con dos factores: ngulo de apertura y tiempo bajo deformacin.