Teoria Unidad 7 2013 - Parte 1 PDF

SIMULACIN
Ingeniera Sistemas de Informacin Unidad 7

Pgina 1 de 50

Diseo y Anlisis De Experimentos
Introduccin
Un modelo de simulacin validado y verificado se utiliza para predecir comportamientos de los
sistemas en estudio mediante las corridas en una computadora y con cambios en sus variables de
entrada o parmetros.
Cada corrida de simulacin en una computadora es un experimento virtual. Por lo cual los cambios
de valores de las variables de entrada deben organizarse con un diseo experimental o de
experimentos para su correcta interpretacin y ahorrando costos en tiempo y esfuerzo.
Los resultados de las corridas de simulacin segn el diseo de experimentos seleccionado se
analizan estadsticamente para detectar las fuentes de variabilidad: el error o las variables de
entrada significativas que afectan en la variable de salida o de respuesta.
El diseo de experimentos es un mtodo ampliamente aplicado en otros campos con
experimentacin: sociales, cientficos, tecnolgicos, econmicos, etc. En estos casos los
experimentos se basan en mediciones de sistemas reales.
En el rea de calidad el diseo experimental es una herramienta muy til porque permite estudiar y
analizar ordenadamente un proceso y obtener conclusiones con un fundamento estadstico vlido,
con ahorro de experiencias para obtener conclusiones tiles en la toma de decisiones.
Para una empresa que fabrica determinado producto, el diseo y el anlisis de experimentos es til
para estudiar las variables que influyen en la calidad del producto y para hacer los ajustes
necesarios hasta alcanzar determinada especificacin. Esto es necesario cuando las empresas
deben tener certificaciones de calidad, como las normas ISO, para entrar en la mayor parte de los
mercados internacionales. Dichas normas exigen que el producto sea elaborado en condiciones
tales que la calidad trate de ser lo ms uniforme posible y que responda a las expectativas del
consumidor.
Para estos casos existen diseos experimentales complejos, con metodologas especficas de
anlisis. En el Japn tuvo xito el mtodo de Taguchi, o filosofa de Taguchi, donde se aplica un
determinado esquema de diseo experimental a fin de controlar las variables de un proceso de
manera que las desviaciones respecto a la especificacin final de un producto sean mnimas.
En el rea de simulacin, el diseo de experimentos permite hacer un anlisis ordenado de los
factores sospechados de influir en las respuestas o salidas de simulacin de un modelo
determinado.

SIMULACIN

Pgina 2 de 50
Diseo Experimental y Optimizacin
Definicin
Se denomina diseo experimental a pruebas en las cuales se inducen cambios deliberados en las
variables de entrada (x) de un proceso o sistema de manera que sea posible observar e identificar
las causas de los cambios en la respuesta de salida (y).

Figura : esquema experimental
X= variable de entrada o parmetro o factor
Y= variable de salida o de respuesta
Razones para realizarlo:
x Permite determinar si uno o varios factores tienen efectos significativos sobre la variable de
respuesta o si la diferencia observada en varias corridas de simulacin es simplemente
debida a las variaciones aleatorias causadas por errores experimentales y parmetros que no
fueron controlados.
x Permite separar los efectos de varios factores, de sus interacciones y del error que afecten al
sistema.
x Se obtiene la mxima informacin con el mnimo nmero de experimentos, ahorrando
trabajo y tiempo al obtener los resultados de la simulacin.
Aplicaciones:
x Para observar qu variables tienen mayor influencia en la variable de respuesta (y) para
tenerlas en cuenta en la toma de decisiones.
x Para determinar cul es el mejor valor de las variables de entradas (x) que influyen en la
variable de respuesta (y) para que se aproxime al valor deseado y que adems la variabilidad
sea mnima, como tambin para que se minimicen los efectos de las variables incontrolables.
reas de aplicacin:
x En la experimentacin cientfica en todas las reas.

Factores Controlables, x
X1 X2 .... Xi
ENTRADA SALIDA
UNIDAD
EXPERIMENTAL
Factores Incontrolables, z
Z1 Z2 .... Zi
SIMULACIN

Pgina 3 de 50
x En la bsqueda de mejoras del rendimiento de un proceso de ingeniera.
x En el diseo o en las mejoras de un nuevo producto.
x En el estudio de un modelo a travs de una simulacin, con las experimentaciones virtuales
(corridas en computadora).

Al momento de realizar las corridas de simulacin surgen las preguntas siguientes:
x Qu pasa con la variable de respuesta o salida de simulacin si el factor o parmetro de
entrada del modelo cambia de valores?
x La variable de entrada tiene efectos significativos sobre la salida de simulacin dentro de un
rango de valores propuesto?
x Cmo se puede optimizar la variable de respuesta de un modelo de simulacin?
Las variables de salidas de simulacin de un sistema discreto no tienen una expresin
matemtica con una funcin analtica, pero se pueden optimizar con corridas de simulacin. El
mtodo consiste en detectar las variables de entrada o factores que afectan significativamente a
la variable de respuesta y optimizar con el mtodo de la superficie de respuesta.
Errores comunes en la Experimentacin
Algunos errores comunes al momento de realizar la experimentacin son:
1. La variacin debido al error experimental es ignorada: cada valor medido es un valor
aleatorio. Cada vez que se repite el valor medido podra ser ligeramente diferente si todos los
factores controlables se mantienen en los mismos valores.
2. Es importante aislar los efectos de errores y la variacin debido a un factor debe ser
comparado con las variaciones por el error antes de tomar una decisin.
3. Los parmetros importantes no son controlados. Se controlan otros o directamente se
ignoran.
4. Los efectos de varios factores no estn aislados, a pesar de estudiarlos por separado.
5. Se usan diseos simples de un factor por vez para estudiar el efecto de cada uno de ellos,
pero esto implica un nmero grande de experiencias.
6. Las interacciones son ignoradas si se usan diseos de experimentos de un factor por vez.
7. Se realizan demasiados experimentos en un solo conjunto de factores y niveles:

Nmero de experimentos = f(nmero de factores y de niveles)
SIMULACIN

Pgina 4 de 50
Principios bsicos para el anlisis de los diseos de experimentos
El diseo de experimentos tiene una base metodolgica estadstica para obtener conclusiones
vlidas y objetivas.
Hay dos aspectos fundamentales: el diseo del experimento y el anlisis estadstico de los datos.
Existen adems tres principios bsicos a tener en cuenta:
1. Obtencin de rplicas o repeticiones: se requieren para medir el error experimental.
2. Estimacin del error experimental: es la unidad bsica para determinar si las diferencias
observadas en los datos son estadsticamente significativas.
3. Aleatorizacin: es el hecho que tanto la asignacin del material experimental como el orden
de los ensayos deben ser aleatorios. Los mtodos estadsticos requieren que las
observaciones (o errores) sean variables aleatorias independientes, para no trasladar otros
errores que se producen en la secuencia de las observaciones.
Otros aspectos importantes para el diseo y anlisis de experimentos son:
1. Uso del conocimiento no estadstico del problema.
2. Mantener el diseo y el anlisis tan simples como sea posible.
3. Reconocer la diferencia entre la significacin prctica y la estadstica.
4. Repetir los experimentos para establecer fuentes de variacin y otros problemas.
Terminologa
Variable de Respuesta (y)
Salida, resultado, o respuesta del experimento. Ejemplo: en el problema integrador, algunas sde las
salidas o variables de respuesta son:
x Tiempo de permanencia de las piezas en el sistema
x Nmero promedio de roturas
x Nmero de piezas completadas
x Nmero de veces de reposicin de almacn
Factores (x)
Variables que afectan a la respuesta y tienen varias alternativas. Se llaman tambin predictores o
variables predictoras. Ejemplo: en el problema integrador, se tienen los siguientes factores:
x Capacidad de almacn A (valor original: 100)
x Capacidad de almacn B y C (valor original: 50)
x Capacidad de almacn D (valor original: 50)
x Capacidad de almacn producto terminado (valor original: 200)
x Tiempo de arribo rdenes (valor original: tiempo medio dist. exp. 10 hs)
SIMULACIN

Pgina 5 de 50
x Nmero de piezas por orden (valor original: 10 a 20 productos)
x Tiempo servicio mquina 1 (valor original: 20 a 30 min)
x Tiempo servicio mquina 2 (valor original: 5 a 8 min)
x Tiempo servicio inspeccin (valor original: 5 minutos con un desvo de 2 minutos)
x Tiempo de reprocesamiento (valor original: 3 a 5 min)
x Tiempo de embalaje (valor original: 5 a 10 min)
x Tiempo entre roturas (valor original: 36 a 48 hs)
x Tiempo de reparacin (valor original: 10 a 20 min)
x Tiempo arribo piezas a almacn (valor original: 1 a 3 horas)
x Nmero de piezas a almacn (valor original: 40)
x % rechazo (valor original: 5)
x % reprocesamiento (valor original: 10)
x Distribucin (valor original: 20 a 24 hs de entrega)
Niveles
Valores que puede tomar un factor. Cada nivel de un factor es una alternativa. Tambin se lo
conoce como tratamiento. Ejemplos:
x La capacidad del depsito de piezas A (ejemplo integrador) puede ser de 100, 200, 300
piezas (3 niveles del factor piezas A),
x se producen adems roturas de la mquina de ensamblado 1, al azar, cada 36 a 48 horas,
x El tiempo de reparacin es de 10 a 20 minutos, o 15 a 25 minutos (2 niveles del factor
reparacin).
Combinaciones
Son el nmero de combinaciones entre niveles de los factores.
Tratamiento
Corrida de simulacin para determinados niveles de cada factor. Por ej.: 100 piezas A, con un
tiempo de reparacin de 10 a 20 minutos.
Corridas
Pruebas o corridas de simulacin, dependen del nmero de repeticiones elegido (como mnimo 2
repeticiones por combinacin).
Rplicas o repeticiones
Repeticin de todos o algunos de los experimentos n veces.
Diseo
Un nmero especfico de experimentos, las combinaciones del nivel del factor para cada
experimento y el nmero de repeticiones de cada experimento.
SIMULACIN

Pgina 6 de 50
Unidad experimental
Cualquier entidad empleada para el experimento. Generalmente se consideran aquellas ligadas al
estudio en cuestin. En el caso de la simulacin, es el sistema simulado. En el caso de una medicin
es el sistema de la experiencia.
Interacciones
Ocurren cuando el efecto de un factor depende del nivel de otros factores.

Figura: Efecto de interacciones entre factores.
En el grfico de la izquierda se observa que cambios en factor B producen una misma tendencia en
la Respuesta, para los niveles del factor A (A1 y A2). En el grfico de la derecha se observa que para
los cambios del factor B, son diferentes las tendencias de la Respuesta segn sean los niveles del
factor A.
Tipos de diseos
A continuacin se detallan algunos tipos de diseos de experimentos y su tratamiento estadstico se
explica ms adelante:

Diseo simple o unifactorial.
Del problema integrador, se pueden tomar cualquiera de los factores listados y ms de 2 niveles.
Ejemplo 1:
Factor A: Capacidad de almacn
Niveles: 100, 150, 200, 250 y 300 piezas (a= nmero de niveles = 5)
Si se hacen 2 repeticiones por cada nivel (r=2), el nmero de corridas de simulacin es
N=ar = 5x2 = 10
Ejemplo 2:
Factor A: Nmero de piezas por orden
Niveles: 10 a 20 productos, 12 a 24 productos, 15 a 25 productos, 20 a 30 productos (a=4)
SIMULACIN

Pgina 7 de 50
N=ar = 4x4 = 16

Ejemplo 3:
Factor A: Tiempo servicio mquina 1
Niveles: 20 a 30 min., 15 a 20 min., 10 a 15 min. (a=3)
N=ar = 3x3 = 9

Diseo por bloques. Se agrupan los experimentos bajo un elemento comn, que no puede ser
considerado un factor. Por ejemplo, se agrupan los horarios de atencin de un servicio (maana,
tarde y noche). Los horarios no se pueden modificar pero se pueden agrupar las salidas para ver
si hay influencia del horario en la respuesta.

Diseo factorial completo: se consideran 2 o ms factores con diferentes nmero de niveles
para cada uno de ellos.

En el anlisis de este diseo se estiman los efectos que producen las interacciones entre
factores en la variable de respuesta. De aplicar diseos unifactoriales con cada factor, esta
informacin es ms compleja de obtener.

Del problema integrador, se pueden tomar los siguientes factores:

Factor A: Capacidad de almacn
Niveles: 100, 150, 200, 250 y 300 piezas (a= nmero de niveles del factor A = 5)

Factor B: Nmero de piezas por orden
Niveles: 10 a 20 productos, 12 a 24 productos, 15 a 25 productos, 20 a 30 productos (b=
nmero de niveles del factor B = 4)

Factor C: Tiempo servicio mquina 1
Niveles: 20 a 30 min., 15 a 20 min., 10 a 15 min. (c=nmero de niveles del factor C = 3)

En este diseo se hacen las combinaciones posibles de los 3 factores:

Nmero de combinaciones = abc = 5x4x3 = 60

SIMULACIN

Pgina 8 de 50
Combinacin 1: A = 100 piezas, B=10 a 20 productos y C = 20 a 30 minutos
Combinacin 2: A = 150 piezas, B=10 a 20 productos y C = 20 a 30 minutos
.
.
.
Combinacin 60: A=300 piezas, B= 20 a 30 productos, C= 10 a 15 minutos.

N=abcr =60x3 = 180

Diseo Factorial 2
k
: es un diseo factorial pero con 2 niveles para todos los factores k.
Representa una simplificacin del diseo factorial completo y es til con un gran nmero de
factores.
Del ejemplo del diseo factorial completo, con los factores A, B y C (k=3 factores) se
consideran slo 2 niveles por cada uno de ellos:
Factor Nivel mnimo Nivel mximo
A: capacidad de almacn 100 300
B: Nmero de piezas por orden 10 a 20 productos 20 a 30 productos
C: Tiempo servicio mquina 1 20 a 30 min. 10 a 15 min.

Nmero de combinaciones = abc = 2x2x2 = 2
3
= 8

N=2
3
x 3 =8x3 = 24

En relacin al diseo factorial completo se hacen solo 24 corridas, en lugar de las 120, aunque no se
tiene el mismo nivel de informacin.

Diseo Factorial Fraccionario 2
k-p
: se toman fracciones 2
p
del diseo 2
k
y se reduce el nmero de
corridas de simulacin. Se consideran los k factores pero se hacen menos experimentaciones
virtuales (2
p
).
2
k-p
=
2
k
2
p

Si p = 1, el diseo se fracciona en 2:
2
k-1
=
2
k
2
1
=
2
k
2

SIMULACIN

Pgina 9 de 50
Entonces se simulan las combinaciones de factores de una de las fracciones y sus resultados se
relacionan con la otra fraccin no simulada.
La relacin se hace mediante el lgebra de confusin, en donde los efectos de la fraccin simulada
estn aliados, confundidos o vinculados con los efectos de la fraccin no simulada.
Si los efectos no son significativos, tampoco lo sern los efectos de la fraccin no simulada. Si ocurre
lo contrario, hay que ampliar el diseo (completar o ejecutar la otra fraccin) para detectar la
principal fuente de las variaciones.

Ejemplo: Del problema integrador y con el ejemplo anterior los k factores A, B y C (k=3) se
consideran slo 2 niveles por cada uno de ellos:

Factor Nivel mnimo Nivel mximo
A: capacidad de almacn 100 300
B: Nmero de piezas por orden 10 a 20 productos 20 a 30 productos
C: Tiempo servicio mquina 1 20 a 30 min. 10 a 15 min.

Si se aplica un diseo 2
k-1
, siendo k=3 factores y p=1

Nmero de combinaciones = 2
3-1
= 4

La cantidad de corridas se reduce a la mitad y se generan 2
p
fracciones (2
1
= 2)
Se selecciona una de ellas, y se hace el anlisis correspondiente con los datos de las salidas de
simulacin.

N=2
3-1
x 3 = 4x3 = 12

En este caso se redujeron an ms las corridas de simulacin el diseo 2
3
, con lo cual se gana
tiempo y esfuerzo, aunque se corre el riesgo de perder informacin.

Si k = 5 factores y p = 2, el diseo es 2
5-2
y se consideran 2
3
combinaciones, segn las 2
2
= 4
fracciones posibles.

Los diseos de experimentos se eligen seleccionando los factores posibles de afectar
la variable de respuesta. El anlisis estadstico del diseo determinar qu factores y
qu interacciones son significativos y a partir de esto se tomarn las decisiones
correspondientes.
SIMULACIN

Pgina 10 de 50
Se trata siempre de aplicar un diseo experimental que considere el mayor nmero
de factores, pero se debe contemplar el tiempo de simulacin y la complejidad del
anlisis.

SIMULACIN

Pgina 11 de 50
Diseo Factorial Simple o Unifactorial
Modelo Estadstico
El diseo factorial simple tiene una variable categrica o factor (A) y varios niveles posibles
(nmero de niveles > 2). Para cada nivel del factor se realizan varias corridas (segn el nmero de
repeticiones), obtenindose una muestra.
Para realizar el anlisis estadstico de la variable de respuesta o salida de simulacin en relacin a
las fuentes de variabilidad (por el error o por el factor) se plantea el siguiente modelo estadstico:
y
]
= p + D
+ c
]

j = N de observaciones, desde 1 hasta r repeticiones: j=1,2.....r
i = N de niveles, desde 1 hasta a: i = 1,2.....a
Donde:
y
]
= observacin o respuesta (i=N de nivel; j=N de repeticin del nivel i).
p = valor promedio general.
D
= efecto del tratamiento i.

c
]
= error aleatorio del nivel i en la repeticin j.
Hiptesis:
x La suma de todos los efectos del factor es 0: (_ D
u
=1
= u).
x La suma de todos los errores es 0: _ _ c
]
= u
u
=1
]=1

x Los errores son independientes y uniformemente distribuidos (IID).
x Los errores tienen una distribucin normal.
Este modelo explica las variaciones dentro de un mismo grupo (errores) y las variaciones entre los
grupos (efectos del factor).
En la siguiente tabla se generalizan los valores de las variables de respuestas de todas las corridas.
Las ltimas dos columnas incluyen la suma total de cada tratamiento y el promedio
correspondiente.

SIMULACIN

Pgina 12 de 50

Repeticiones Suma total
de cada fila
Promedio de
cada fila

1 2 . j . R
y
]
]=1

y
t.
= y
|
r /
1 y
11
y
12
. y
1j
. y
1r
y
1.

y
1.
2 y
21
y
22
. y
2j
. y
2r
y
2.

y
2.

. . . . . . . . .
i y
i1
y
i2

y
ij
. y
ir
y
i.

y
i.

. . . . . . . . .
a y
a1
y
a2
. y
aj
. y
ar
y
a.

y
a.

Tabla: esquema general de las observaciones.
N total de observaciones = N = ra.
Estimacin de los trminos del modelo estadstico de la respuesta
Estimacin de la Media
El nmero total de observaciones es la suma de todas las observaciones:
y
]
u
=1
]=1
= (p + D
+ c
]
u
=1
]=1
) =
= p
u
=1
]=1
+ D
u
=1
]=1
+ c
]
u
=1
]=1
=
= rop + r D
u
=1
+c
]
u
=1
]=1

Entonces si por hiptesis _ D
u
=1
= u y no hay errores significativos o sea _ _ c
]
u
=1
]=1
= u, la
ecuacin se transforma en:
y
]
u
=1
]=1
= rop
p =
1
ro
y
]
u
=1
]=1

Como N = ro, entonces:
SIMULACIN

Pgina 13 de 50
p =
1
N
y
]
u
=1
]=1
= y
..

Estimacin de los Efectos
El efecto del factor se refiere a la influencia que tiene el factor A en el nivel i sobre la respuesta
para cada tratamiento.
Para el clculo de los efectos de cada nivel, se considera el promedio por nivel i:
y
i.
=
1
r
y
]
]=1

y
i.
=
1
r
(p + D
+ c
]
)
]=1

=
1
r
rp +
1
r
rD
+
1
r
c
]
]=1

Por hiptesis:

x La suma de todos los errores es 0 = _ _ c
]
u
=1
]=1
.
Entonces la expresin final se simplifica como:
y
i.
= p + D

Y se obtiene el efecto del nivel i del factor:
D
= y
i.
- p
Estimacin del Error
La estimacin del error experimental se realiza con la diferencia entre la observacin y el promedio
del grupo de observaciones:
c
]
= y
]
- p - D

Una medida general del error del experimento se realiza con la suma de los cuadrados del error
(Sum Of Square Errors o SSE).
SSE = c
]
2
u
=1
]=1

De esta forma se estiman los trminos del modelo estadstico de respuesta (P, D
i
y e
ij
)

SIMULACIN

Pgina 14 de 50
Asignacin de la Variacin
La variacin de la respuesta puede deberse al efecto del factor o al efecto del error. En este caso se
utiliza como expresin de la variacin a la suma de cuadrados SS. Entonces la suma de cuadrados
totales incluye a la suma de cuadrados de trminos del factor, SSA, y a la suma de cuadrados del
error SSE.

Para averiguar el origen de la variacin se comienza por expresar el cuadrado de la respuesta:
y
]
2
= ( p + D
+ c
]
)
2

Desarrollando el cuadrado de la suma se tiene:
y
]
2
= p
2
+ D
2
+ c
]
2
+ 2pD
+ 2pc
]
+2D
c
]

Distribuyendo la doble sumatoria a cada uno de los trminos la ecuacin es:
y
]
2
,]
= p
2
u
=1
]=1
+ D
2
u
=1
]=1
+ c
]
2
u
=1
]=1
+ 2pD
u
=1
]=1
+ 2pc
]
u
=1
]=1
+ 2D
c
]
u
=1
]=1

Pero en los productos cruzados se aplican las hiptesis:
o
u
=1
= u
c
]
u
=1
]=1
= u
Por lo tanto:
2pD
u
=1
]=1
= 2pc
]
u
=1
]=1
= 2D
c
]
u
=1
]=1
= u
Y la expresin anterior resulta:
y
]
2
u
=1
]=1
= p
2
u
=1
]=1
+ D
2
u
=1
]=1
+ c
]
2
u
=1
]=1

O en trminos de suma de cuadrados:
SSY = SSO + SSA + SSE
Entonces:
Variacin total (SST)
Variacin entre grupos (SSA) Variacin dentro del grupo (SSE)
SIMULACIN

Pgina 15 de 50
SS0 = p
2
u
=1
]=1
= orp
2

SSA = D
2
u
=1
]=1
= r D
2
u
=1

La variacin total SST se expresa como
SSI = (y
]
- y
..
)
2
u
=1
]=1
= SS - SS0 = SSA + SSE
(y
]
- y
..
)
2
u
=1
]=1
= (y
]
2
- 2y
]
y
..
+y
..
2
)
u
=1
]=1

=_ _ y
]
2
-
u
=1
]=1
_ _ 2y
]
y
..
+
u
=1
]=1
_ _ y
..
2 u
=1
]=1

y
..
=
_ _ y
]
u
=1
]=1
or

y
]
= or y
..
u
=1
]=1

Reemplazando en el segundo trmino, se obtiene

SSY - SSu = _ _ y
]
2
-
u
=1
]=1
_ _ 2ory
..
2 u
=1
]=1
+_ _ y
..
2 u
=1
]=1
=_ _ y
]
2
-
u
=1
]=1
_ _ ory
..
2 u
=1
]=1

SSY SS0=_ _ y
]
2
-
u
=1
]=1
o
2
r
2
y
..
2

Las variaciones porcentuales por el factor se expresan como:
SSA
SST
x 1
Las variaciones por el error se expresan como:
SSE
SST
x 1
Segn el valor porcentual de cada componente se puede apreciar el impacto en la variable de
respuesta, aunque se requiere de un mtodo estadstico para mayor precisin en los resultados.

SIMULACIN

Pgina 16 de 50
Anlisis de Variancia

El mtodo estadstico para analizar la significancia estadstica de varios factores se llama ANALISIS
DE VARIANCIA (ANAVA) o Analysis of Variance (ANOVA).
En el ANOVA se plantea la hiptesis nula H
0
indica que todas las muestras (corridas con cada nivel
del factor) tienen la misma media:
P
1
=P
2
=P
3
=.=P
a
=P
Otra forma de expresar la H0 es que los efectos del factor son cero:
D
1
= D
2
=D
3
..=D
a
= 0
La hiptesis alternativa H
1
indica que al menos un nivel del factor produce un efecto distinto de cero
(D
i
0)

o que al menos una de las muestras tiene una media distinta (P
i
P).
Para comprobar la H0 se consideran las sumas de cuadrados SSY, SSO, SSA y SSE y sus grados de
libertad asociados (nmero de variables independientes requeridas para calcular cada trmino (SS)).

x SSY tiene or grados de libertad porque tiene or trminos, todos pueden ser elegidos
independientemente.
x SS0 tiene un grado de libertad, es un trmino simple
2
, constante, que se repite or veces.
x SSA tiene (o - 1) grados de libertad, la suma de cuadrados tiene a trminos, pero como
hay una ecuacin adicional (la suma de todos los efectos es cero) entonces se reduce en 1 los
a grados de libertad.
x SSE consiste en ar trminos de los cuales solo a(r-1) son independientes porque los r errores
correspondientes a r repeticiones de cada experimento debe tener una suma igual a 0
entonces solo r-1 errores de cada experimento son independientes.
Entonces, se asocian las SS y sus grados de libertad:
SS = SSu + SSA + SSE
or = 1 +(o - 1) + o(r - 1)
Los errores o desvos son variables aleatorias normalmente distribuidas, entonces se cumple que si
las suma de cuadrados se dividen por sus grados de libertad se obtienen variables con
distribuciones chi cuadrado y representan variancias de los datos.
1 a
SS
A
= cuadrado medio de A = MSA
) 1 ( r a
SS
E
= cuadrado medio de los errores = MSE
SIMULACIN

Pgina 17 de 50
Si las 2 variables chi cuadrado se relacionan entre s se obtiene una variable F de Fisher con a-1
grados de libertad en el numerador y a(r-1) grados de libertad en el denominador.
MSE
MSA
F
0

La variable F de Fisher expresa relacin de varianzas.

Para probar la hiptesis nula H0 planteada con el modelo estadstico de la variable de respuesta, se
compara la variable F
0
estimada con los datos obtenidos de la simulacin respecto a la variable F de
tabla o F crtica, a fin de determinar si las medias corresponden a la misma muestra o los efectos del
factor son nulos.

Si F
0
es mayor que el quantil F
D;a-1;a(r-1)
de tabla, por lo tanto:

x SS
A
es considerada significativamente mayor que SS
E
.
x Se rechaza la H0, con lo cual las medias de las muestras son distintas o los efectos del factor
no son nulos o la variacin del error es menos significativa que la variacin por el factor.
x Se rechaza H0 y entonces el factor es significativo para la variable de respuesta. Los cambios
de nivel provocan cambios estadsticamente significativos en la respuesta.

SIMULACIN

Pgina 18 de 50
Intervalos de Confianza
Los valores estimados de los parmetros del modelo estadstico de la variable de respuesta y
ij
son
variables aleatorias porque estn basados sobre una muestra de datos. Si se tomaran de otra
muestra los valores seran distintos. Por esa razn se estima el intervalo de confianza, que es un
indicador del grado de variabilidad.
Para calcular la variancia de los parmetros del modelo estadstico de la variable de respuesta, se
tiene la siguiente tabla:
Parmetro Estimacin Variancia
P
.. y ar / S
2
e
= MSE/ar
D
i .. y y
. i

ar / ) 1 a ( S
2
e
= MSE (a-1)/(ar)
P+D
i
. i
y
r / S
2
e
= MSE/r
grados de libertad para los errores = a (r-1) = N-1
Grados de libertad totales = N = ar
Tabla 1
Los intervalos de confianza (IC) se calculan en general como:
N
S
t y IC
N
2
1 ); 2 / 1 (
r
D

Luego de estimar el promedio y la variancia de cada trmino, se pueden estimar los dos valores
extremos del intervalo de confianza (IC) con el valor de t de Student con un nivel de confianza de (1-
D/2) y con (N -1) grados de libertad
En el caso de los efectos los IC pueden calcularse usando valores t de Student con a (r-1) grados de
libertad. Los IC de los efectos permiten detectar si hay efectos no significativos, si incluyen entre sus
extremos el valor cero. Significa que hay probabilidad de que el efecto del factor sea nulo.
El estimador de la media para un tratamiento (un factor en un determinado nivel) es:
i i
y D P
Estos estimadores se usan para comparar cualquier subconjunto de efectos.

Ejemplo de Aplicacin del Factorial Simple
En el problema integrador se desea observar el impacto que el tiempo de servicio de la mquina 1
tendr en el tiempo total de procesamiento del producto.
Para ello se propone estudiar:
x Factor A: tiempo de proceso de la mquina 1 (minutos).
x Niveles para el factor A: (20 minutos, 25 minutos, 30 minutos).
x Repeticiones: 5.
SIMULACIN

Pgina 19 de 50
Analizando las salidas se obtienen los siguientes valores:

Nivel Repeticin Suma de
cada fila
Promedio
de cada fila 1 2 3 4 5
20 minutos 204 190 200 215 199 1008 201,6
25 minutos 233 229 243 215 256 1176 235,2
30 minutos 271 263 269 280 250 1333 266,6

Media
general 234,47
Estimacin de la Media
Segn la frmula: p =
1
N
_ _ y
]
u
=1
]=1
= y
..

y
..
=
(204+190+250)
15
= 2S4,47 (minutos)
Para obtener de los efectos para cada nivel del factor:
D
= y
i.
- p

o
1
= y
1.
- y
..
= 2u1,6 - 2S4,47 = -S2,87 (minutos)
o
2
= y
2.
- y
..
= 2SS,2 - 2S4,47 = u,7S (minutos)
o
3
= y
3.
- y
..
= 266,6 - 2S4,47 = S2,1S (minutos)

Se comprueba la Hiptesis:
La suma de todos los efectos del factor es 0. (_ D
u
=1
= u).
D
u
=1
= -S2,87 + u,7S +S2,1S = u
La interpretacin de los efectos es:
x Un tiempo de mquina de 20 minutos disminuye en 32,87 minutos el procesamiento.
x Un tiempo de mquina de 25 minutos aumenta en 0,73 minutos el procesamiento.
x Un tiempo de mquina de 30 minutos aumenta en 32,13 minutos el procesamiento
Estimacin del Error
Para estimar el error experimental cada elemento se calcula:
SIMULACIN

Pgina 20 de 50
c
]
= y
]
- p - D

La matriz de los errores figura a continuacin:
Nivel Repeticin
1 2 3 4 5
1 2,400 -11,600 -1,600 13,400 -2,600
2 -2,200 -6,200 7,800 -20,200 20,800
3 4,400 -3,600 2,400 13,400 -16,600
La suma de los cuadrados de los errores (SSE) es:
SSE = c
]
2
u
=1
]=1
= (2,4)
2
+ (-11,6)
2
+ + (-16,6)
2
= 1767,2
Asignacin de la Variacin
Para calcular la asignacin de la variacin se calculan los SS:
SSY = (2u4)
2
+(19u)
2
+ +(2Su)
2
= 8S69SS,uu
SS0 = ai
2
= S S (2S4,47)
2
= 824619,27
SSA = i D
I
2
a
I=1
= S |(-S2,87)
2
+(u,7S)
2
+(S2,1S)
2
] = 1uS66,SS
SST = (y
Ij
-y
..
)
2
= SSY -SS0
a
I=1
r
j=1
= 8S69SS,uu -824642,71 = 12SSS,7S
La asignacin por el factor es: SSA/SST x 100 = 10566,53/12333,73 x 100 = 85,67 %
La asignacin por el error es: SSE/SST x 100 = 1767,2/12333,73 x 100 = 14,33 %

Anlisis de Varianza
Origen de las
variaciones
Suma de
cuadrados
Grados de
Libertad
Promedio de
los cuadrados F0 Probabilidad
Valor crtico
para F
Entre grupos
(factor A) 10566,53 2 5283,267 35,876 8,65E-06 3,885
Dentro de los
grupos (error) 1767,2 12 147,267
Total 12333,73 14

Se comprueba que F
0
> F
D;a-1;a(r-1)
de tabla (35,876 > 3,885), por lo tanto se rechaza la H0:
x el factor tiempo de mquina 1 afecta a la variable de respuesta tiempo de procesamiento
SIMULACIN

Pgina 21 de 50
x los efectos del factor no son despreciables
x la variabilidad de las salidas de simulacin se debe principalmente a los efectos de los
niveles del factor.

Intervalos de confianza (IC)
Segn la tabla para estimar los IC de la media, la varianza se estima como ar / S
2
e
= MSE/ar y para los
efectos, la varianza es ar / ) 1 a ( S
2
e
= MSE (a-1)/(ar)
De la tabla del ANOVA, MSE = 147,267
Varianza = 147,267/(5x3) =9,82
T de Student para D = 0,05 y (15-1) grados de libertad, T
(1-D/2); N-1
= T
(0,975;14)
= 2,145
El intervalo de confianza para la media es
N
S
t y IC
N
2
1 ) ; 2 / 1 (
r
D
= 234,47 2,145 x 3,13 =234,47 6,72
227,75 d P d 241,19
Para los efectos:
Varianza = 147,267 x (5-1)/(5x3) = 39,27
ar
a S
t IC
N
) 1 (
2
1 ); 2 / 1 (
r
D
D
IC para el efecto D
1
: - 32,87 2,145x 6,26 = -32,87 13,44
-46,31 d D
1
d -19,43
IC para el efecto D
2
: 0,73 2,145x 6,26 = 0,73 13,44
-12,71d D
2
d 14,17
IC para el efecto D
3
: 32,13 2,145x 6,26 = 32,13 13,44
18,69d D
3
d 45,57
Se aprecia que el IC del nivel 2 incluye el cero, por lo que el efecto no es significativo, es decir, hay
probabilidad que sea cero.
SIMULACIN

Pgina 22 de 50

Conclusiones
De lo visto anteriormente podemos concluir:
x El diseo unifactorial investiga la influencia de un slo factor en la respuesta.
x Se requieren varios niveles para el factor y varias repeticiones para cada corrida con el valor
del nivel dado.
x Se puede analizar el efecto del factor mediante: la asignacin de la variacin, el anlisis de
variancia (ANOVA) y los intervalos de confianza.
x En el caso de la asignacin de la variacin se comparan las variaciones debidas al factor y
debidas al error respecto a la variacin total.
x En el caso del ANOVA, se debe calcular el estadstico F
0
y compararlo con el valor F de tabla.
Da una interpretacin estadstica que es ms contundente que el anlisis de la variacin.
x Los intervalos de confianza permiten determinar la significacin de los factores observando si
el IC incluye o no al valor cero.
x Si se obtiene certeza que el factor influye significativamente en la respuesta se tiene
confianza en proseguir con otros estudios para tomar decisiones (optimizacin).

30 minutos 25 minutos 20 minutos
280
260
240
220
200
D
a
t
o
s
Grfica de caja de 20 minutos. 25 minutos. 30 minutos
SIMULACIN

Pgina 23 de 50
Diseo factorial completo para dos factores
Se aplica cuando se quiere estudiar el impacto de dos factores (A y B) y sus interacciones (AB) en la
respuesta. Los factores tienen que ser categricos.
El factor A tiene a niveles (a 2) y el factor B tiene b niveles (b 2).
Modelo estadstico de la variable de respuesta
El modelo con repeticiones se expresa como:
y
]k
= p + D
+ [
]
+ y
]
+ c
]k

Donde:
y
]k
= respuesta con el factor A con nivel i, el factor B con nivel j en la repeticin k del experimento.
p = valor promedio general.
D
= efecto del factor A al tratamiento i.

[
]
= efecto del factor B al tratamiento j.
y
]
= interaccin de los efectos A y B.
c
]
= error aleatorio.

Hiptesis:

La suma de todos los efectos del factor A es 0. (_ D
u
=1
= u).
La suma de todos los efectos del factor B es 0. (_ [
]
b
]=1
= u).
La suma de los efectos de la interaccin A con B en los niveles de B es 0. (_ y
]
b
]=1
= u).
La suma de los efectos de la interaccin A con B en los niveles de A es 0. (_ y
]
u
=1
= u).
La suma de los errores es 0. (_ c
]k
k=1
= u vi, ]).
Los errores son independientes y uniformemente distribuidos (IID)
Los errores tienen una distribucin normal.

Modelo estadstico sin repeticiones
El modelo estadstico de la respuesta sin repeticiones es:
y
]
= p + D
+ [
]
+ c
]

Cualquier observacin y
]
puede expresarse como un promedio general p, con la contribucin del
efecto del factor A, D
, la contribucin del efecto del factor B, [

]
, y el error aleatorio en donde tiene
incorporado el efecto de la interaccin y el error aleatorio. Si este trmino es despreciable, no hay
problemas. De lo contrario no se sabe si el efecto es por el error o por el efecto de la interaccin.
Para poder discernir es que se realizan las repeticiones.
SIMULACIN

Pgina 24 de 50
Estimacin de los trminos del modelo estadstico con repeticiones
Se hace el promedio de las observaciones donde en cada celda aparecen las repeticiones. Se
promedian en k las observaciones de cada celda y se obtiene:
y
i].
= p + D
+ [
]
+ y
]

Clculo del promedio de la fila i (se suman los valores promedio de las celdas y se divide por el
nmero de columnas)
1
b
y
i].
b
]=1
= y
i..
= p + D
+
1
b
[
]
b
]=1
+
1
b
y
]
b
]=1

Por hiptesis:
La suma de todos los efectos del factor B es 0. (_ [
]
b
]=1
= u).
La suma de los efectos de la interaccin A con B en los niveles de b es 0. (_ y
]
b
]=1
= u).
Entonces se estima el efecto de A como:
D
= y
i..
- p
Clculo del promedio de la columna j (se suman los valores promedio de las celdas y se divide por el
nmero de filas):
1
o
y
i].
u
=1
= y
.].
= p +
1
o
D
u
=1
+ [
]
+
1
o
y
]
u
=1

Pero por hiptesis:
La suma de todos los efectos del factor A es 0. (_ D
u
=1
= u).
La suma de los efectos de la interaccin B con A en los niveles de a es 0. (_ y
]
u
=1
= u).
Entonces se estima el efecto de B como:
[
]
= y
.].
- p
A partir de estas ecuaciones se obtienen los estimadores:
p = y
.

D
= y
i..
- p = y
i..
- y
.

[
]
= y
.].
- p = y
.].
- y
.

Reemplazando en la ecuacin del promedio por celda los trminos calculados se obtiene el efecto
de la interaccin de los factores A y B:
y
i].
= p + D
+ [
]
+ y
]

y
i].
= y
.
+ y
i..
- y
.
+ y
.].
- y
.
+ y
]

SIMULACIN

Pgina 25 de 50
y
]
= y
i].
+ y
.
- y
i..
- y
.].

En la siguiente tabla se generalizan los clculos

Niveles de B
1 2 . J . b y
|..
y
t..

N
i
v
e
l
e
s

d
e

A

1
y
111

y
11k

y
121

y
12k

...
y
1]1

...
y
1]k

...
y
1b1

...
y
1bk

y
1..
y
1..

2
y
211

...
y
21k

y
221

...
y
22k

...
y
2]1

...
y
2]k

...
y
2b1

...
y
2bk

y
2..
y
2..

... ... ... ... ... ... ... ... ...
I
y
11

...
y
2k

y
21

...
y
2k

...
y
]1

...
y
]k

...
y
b1

...
y
bk

y
..
y
i..

... ... ... ... ... ... ... ...
a
y
u11

...
y
u2k

y
u21

...
y
u2k

...
y
u]1

...
y
u]k

...
y
ub1

...
y
ubk

y
u..
y
u..

y
.j.
y
.1.
y
.2.
... y
.].
... y
.b.
y
...

y
..
y
.1.
y
.2.
... y
.].
... y
.b.
y
...

Donde
x Suma de las filas: y
..
= _ _ y
]k ] k

x Promedio del factor A: y
i..
=
y
i..
ib
,
x Suma de las columnas: y
.j.
= _ _ y
]k k

x Promedio del factor B: y
.].
=
y
.j.
ia
,

x Suma Total: y
...
= _ _ _ y
]k k ] i

x Promedio total:y
...
=
y
...
iab
,

Estimacin de los Errores
El error para el diseo factorial completo se calcula como:
c
]k
= y
i]k
- y
i].

A cada observacin se le resta el promedio de las celdas correspondientes y
i].
.

Teoria Unidad 7 2013 - Parte 1 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Teoria Unidad 7 2013 - Parte 1 PDF

Cargado por

Copyright:

Formatos disponibles

SIMULACIN

Ingeniera Sistemas de Informacin Unidad 7

= efecto del tratamiento i.

= efecto del factor A al tratamiento i.

, la contribucin del efecto del factor B, [

También podría gustarte