Doe Iparamaestria 141113220816 Conversion Gate02

----------------------------------------------------------------------------------------------------------------------
DISEO DE EXPERIMENTOS (PARTE I)

Mdulo 16
CURSO DE APLICACIN DE LOS MTODOS
ESTADSTICOS A LA CALIDAD
APUNTES DE CLASE
Profesor: Arturo Ruiz-Falc Rojas

Madrid, Mayo 2009
MDULO 9
DISEO DE EXPERIMENTOS 2K
Pg. 1
Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes
---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)
NDICE
1.
DISEOS FACTORIALES A DOS NIVELES 2K.................................................3

1.1. UN PROCESO DE MEJORA MS SOFISTICADO: CMO PUEDE SE
MEJORAR UN PROCESO? ...................................................................................3
1.2. COMPARACIN CON EL MTODO CLSICO DE VARIAR UN FACTOR
CADA VEZ.............................................................................................................3
1.3. DESCRIPCIN DE LOS DISEOS FACTORIALES COMPLETOS A DOS
NIVELES.................................................................................................................7
1.3.1.
TERMINOLOGA ..................................................................................7
1.3.2.
CREACIN DE UN DISEO FACTORIAL COMPLETO A 2 NIVELES 7
1.3.3. CLCULO
DE
LOS
EFECTOS
PRINCIPALES
Y
LAS
INTERACCIONES............................................................................................. 10
1.3.4. DETERMINACIN DE LOS EFECTOS E INTERACCIONES
SIGNIFICATIVAS .............................................................................................. 16
1.3.5.
2.
MODELADO EMPRICO DEL PROCESO .......................................... 19
CASO DE DATOS NO NORMALES. TRANSFORMACIONES......................... 24
Pg. 2
1.
DISEOS FACTORIALES A DOS NIVELES 2K

1.1.
UN PROCESO DE MEJORA MS SOFISTICADO: CMO 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 disear esa
alternativa.
En la industria habitualmente se deben resolver problemas como los que siguen:
Cmo se debe modificar el producto para aumentar su resistencia

mecnica? Qu factores del proceso hay que modificar?
Cmo se puede reducir los defectos de fabricacin?
Este proceso de adquisicin de conocimiento es en esencia similar al progreso

cientfico. El progreso cientfico se basa en definir modelos tericos, realizas
observaciones o experimentos que corroboren el modelo supuesto o que sean
incompatibles con l, etc.
Por esta razn, la experimentacin puede ser tambin muy til para laresolucin de
problemas industriales como los indicados anteriormente.
1.2.
COMPARACIN CON EL MTODO CLSICO DE VARIAR UN

FACTOR CADA VEZ
La empresa NOVOMAT necesita mejorar las caractersticas de calidad de su

producto. En la actualidad el producto apenas supera las 200 uf1, mientras que los
Uf = unidades ficticias.
Pg. 3
clientes requieren que dicha caracterstica supere claramente ese valor. Para ello
nombra un grupo de trabajo con la finalidad de que estudien el proceso de
fabricacin 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
tecnologas relacionadas con el mismo. En la primera sesin de trabajo el grupo
recolect la siguiente informacin:
Los factores que tienen una incidencia ms directa son:

o Temperatura del proceso, medida en C.
o Concentracin 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 Concentracin: entre 15% y 45%.
El proceso esta operando actualmente en:

o Temperatura: 170 C.
o Concentracin: 30%.
o Catalizador: tipo A.
Sin embargo no exista 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 ms importancia a la
concentracin, y finalmente haba quien apostaba por el catalizador B como
la solucin de todos los problemas.
Punto de operacin del proceso. Los partidarios de la temperatura crean

que la solucin pasaba por subir la temperatura de operacin del proceso
(pese al incremento de coste que conlleva). Por otra parte los partidarios de
la concentracin apostaban por un aumento de la misma. Finalmente los
Pg. 4
partidarios del cambio de catalizador pensaban que los actuales puntos de

operacin eran correctos y que la solucin 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 qu no se lo preguntamos al proceso?, Antes de que los dems le
acusaran de loco, aclar que lo que quera decir es que la nica solucin pasa por
experimentar y aprender todos de los resultados. Enseguida estuvieron todos de
acuerdo, el problema surgi cuando alguien pregunt qu ensayos hacemos? El
plan de ensayos propuesto fue el siguiente:
Probar primero con un catalizador, fijar un de los dos factores hasta alcanzar
el mximo de la respuesta; fijar este valor para el primer factor y variar el
segundo hasta encontrar el mximo.
Repetir con el segundo catalizador.
Seleccionar el catalizador y los correspondientes puntos de operacin que

maximicen la calidad.
Antes de que se comenzara a discutir si se variaba primero la concentracin o la

temperatura, alguien seal seguro que as encontraremos el mximo? Qu
pasa si nos confundimos de montaa? (Ver Figura 1), Adems, aadi cmo
vamos a diferenciar en el experimento qu variaciones se deben al azar y cules a
los nuevos puntos de operacin?
Pg. 5
Experimentar un factor cada vez?
35
F E30
50
45 40 35
D
C
25
B
30
25
20
A
Figura 1: Estrategia experimental variar un factor cada vez
Cuando comenz a cundir el desnimo, alguien se acord de algo que le haban

contado sobre el diseo estadstico de experimentos. No vean muy claro cmo se
pueden extraer conclusiones de un ensayo en el que se modifique ms de un factor
a la vez. Por esta razn acordaron documentarse sobre el tema y reanudar la
reunin unos das ms tarde.
Pg. 6
1.3.
DESCRIPCIN DE LOS DISEOS FACTORIALES COMPLETOS A

DOS NIVELES
1.3.1.
TERMINOLOGA
Para resolver el problema planteado, se pueden aplicar los diseos 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 caracterstica 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 concentracin y el catalizador. A su vez pueden ser:
o Cuantitativos: Cuando pueden variar en una escala continua. Por
ejemplo, la temperatura y la concentracin.
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, sta sera un factor cualitativo.
Nivel: Son los valores que toma un factor en un experimento dado.
Matriz del diseo: 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.
CREACIN DE UN DISEO FACTORIAL COMPLETO A 2 NIVELES
Los diseos ms sencillos (y desde luego los utilizados ms frecuentemente) son

los diseos 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 diseo tiene k factores, para
Pg. 7
cubrir todas las condiciones experimentales se requieren 2k ensayos. En el caso del

proceso de NOVOMAT, con tres factores se requeriran 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 ms difciles es la fijacin de los niveles de los factores
cuantitativos. Para ello es conveniente tener un buen conocimiento del objeto de la
experimentacin. 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 fenmeno. El equipo de trabajo de NOVOMAT ha fijado los niveles
de los factores de la manera siguiente:
FACTORES
NIVELES
BAJO
ALTO
160 C
180 C
20%
40%
A
B
T Temperatura
C Concentracin
K Catalizador
Tabla 1: Fijacin de los niveles de los factores
La matriz de diseo sera:

Exp.
1
2
3
4
5
6
7
8
T
160
180
160
180
160
180
160
180
Factores
C
20
20
40
40
20
20
40
40
K
A
A
A
A
B
B
B
B
Tabla 2: Matriz del diseo
Obsrvese que en la matriz anterior estn todas las combinaciones posibles y

ninguna est repetida. La forma codificada de escribir la matriz es:
Pg. 8
Factores
Exp.
1
2
3
4
5
6
7
8
T
-1
1
-1
1
-1
1
-1
1
C
-1
-1
1
1
-1
-1
1
1
K
-1
-1
-1
-1
1
1
1
1
Tabla 3: Matriz del diseo en forma codificada
Este orden de escribir los ensayos en la matrices se denomina forma estndar y

es muy til para la operativa. Todas las columnas empiezan en -. La primera
columna alterna - y +, la segunda alterna - - y + +, al tercera alterna - - - -
y + + + + y esta regla seguira si hubiese ms 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.
APLICACIN MINITAB
Minitab dispone de la opcin Stat->DOE->Factorial->Create
Factorial design que simplifica enormemente las tareas
anteriores. Con la opcin Stat->DOE->Factorial->Modify design
se puede personalizar los nombres y niveles de los factores.
Con la opcin Stat->DOE->Factorial->Display design se puede
optar por presentar la matriz de diseo en orden estndar o en
orden de ensayo, as como representar los niveles en unidades
reales o codificadas.
Pg. 9
1.3.3.
CLCULO DE LOS EFECTOS PRINCIPALES Y LAS
INTERACCIONES
Una vez realizados los ensayos, los resultados obtenidos han sido:
Exp
.
1
Resp.
-1
-1
-1
60
-1
-1
72
-1
-1
54
-1
68
-1
-1
52
-1
83
-1
45
80
Tabla 4
Los datos se encuentran en el fichero NOVOMAT1.MTW

Representemos grficamente estos valores de respuesta:
Pg. 10
54
80
45
C+
68
KK+
C-
60
T-
72
T+
52
83
Figura 2: Diagrama de Cubo
Cul es el efecto del cambio de temperatura a la respuesta del proceso?

Observemos los ensayos 1 y 2. La nica diferencia en ellos es la temperatura, luego
la diferencia de respuesta deber explicarse por el efecto de la temperatura ms un
factor aleatorio. Repitiendo el razonamiento en el resto de los ensayos, concluimos
que una buena estimacin 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:
T=
1
[(72 60) + (68 54) + (83 52) + (80 45)] = 23
4
Es fcil comprobar que el efecto de un factor se puede calcular sin ms que sumar
la columna de los valores de respuesta, afectados por el signo del nivel del factor y
divididos entre 4 (nmero de ensayos dividido entre 2). Por esta razn resulta
adecuada la codificacin 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 ms eficaz a alta temperatura;
Pg. 11
es decir, existe una interaccin entre el factor catalizador y el factor temperatura.

Esta interaccin puede verse de un modo ms grfico 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 estimacin del efecto de la

temperatura teniendo slo en cuenta la cara del cubo que corresponde a una
catalizador, debera ser bastante similar a la estimacin realizada en la cara
correspondiente al otro catalizador. En nuestro caso:
Catalizador A:
TK C + =
1
[(72 60) + (68 54)] = 13
2
TK C =
1
[(83 52) + (80 45)] = 33
2
Catalizador B:
Pg. 12
Una estimacin de la interaccin entre la temperatura y el catalizador es:
TK =
1
(33 13) = 10
2
Puede comprobarse que el efecto de la interaccin de dos factores se puede

calcular sin ms 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
(nmero de ensayos dividido entre 2). A continuacin se representa la tabla
completa, con las columnas correspondientes a todas las interacciones y el clculo
de los efectos:
Exp T
.
1 -1
K TC TK
CK
TCK
Resp. Efecto
-1
-1
-1
60
*2
64,25 Media
-1
-1
-1
-1
72
23
-1
-1
-1
-1
54
-5
-1
-1
-1
-1
68
1,5
TC
-1
-1
-1
-1
52
1,5
-1
-1
-1
-1
83
10
TK
-1
-1
-1
-1
45
CK
80
0,5
TCK
Tabla 5: Tabla de clculo de los efectos
APLICACIN MINITAB
Minitab dispone de la opcin Stat->DOE->Factorial->Analyze
Factorial design. En el cuadro de dilogo es preciso
introducir el modelo a analizar; por ejemplo, slo efectos
principales,
tambin
interacciones
etc.
Adems
de
los
diagramas de la Figura 7 y Figura 9, que se vern ms
adelante, la salida que da es la siguiente:
Corresponde a los efectos que tengan signo +.
Pg. 13
Estimated Effects and Coefficients for Respuest (coded units)

Term
Constant
T
C
K
T*C
T*K
C*K
T*C*K
Effect
9.000
-3.500
16.000
17.000
1.500
-4.000
1.500
Coef
64.250
4.500
-1.750
8.000
8.500
0.750
-2.000
0.750
Analysis of Variance for Respuest (coded units)

Source
Main Effects
2-Way Interactions
3-Way Interactions
Residual Error
Total
DF
3
3
1
0
7
Seq SS
698.50
614.50
4.50
0.00
1317.50
Adj SS
698.500
614.500
4.500
0.000
Adj MS
232.833
204.833
4.500
0.000
F
*
*
*
P
*
*
*
Como se puede comprobar, los efectos coinciden con los calculados anteriormente.
Adems proporciona una tabla de anlisis de la varianza, cuya utilidad se ver ms
adelante.
APLICACIN MINITAB
Minitab dispone de varias opciones grficas para ayudar a
visualizar los datos y los efectos. La opcin Stat->DOE>Factorial->Factorials Plot permite dibujar los diagramas de
las figuras siguientes.
Obsrvese en el diagrama de interacciones (ver Figura 6) la
fuerte interaccin que existe entre la concentracin y la
temperatura.
Pg. 14
Cube Plot (data means) for Respuesta
54
83
45
68
80
72
K
-1
60
52
-1
-1
1
T
Figura 4: Diagrama de Cubo. Opcin Stat->DOE->Factorial->Factorials Plot
DIAGRAMA DE EFECTOS PRINCIPALES
-1
-1
-1
72
Respuesta
68
64
60
56
T
Figura 5: Diagrama de Efectos Principales. Opcin Stat->DOE->Factorial->Factorials Plot
Pg. 15
DIAGRAMA DE INTERACCIONES
-1
-1
70
1
60
-1
50
70
1
60
-1
50
Figura 6: Diagrama de Interacciones. Opcin Stat->DOE->Factorial->Factorials Plot
1.3.4.
DETERMINACIN DE LOS EFECTOS E INTERACCIONES
SIGNIFICATIVAS
El siguiente paso es discriminar si los efectos calculados son fruto del propio factor
(o interaccin de factores, segn corresponda), o del azar. Para ello hay tres
mtodos distintos.
MTODO DEL PAPEL PROBABILSTICO
El primero de ellos consiste en utilizar el papel probabilstico, de modo que aquellos
efectos que no se deban al azar se alejarn de la recta. En la Figura 7 se ha
representado el diagrama dibujado por MINITAB. Este diagrama dibuja la recta de
regresin y debe ser corregido por la recta que pasa por los puntos prximos a 0
(pequeos y por tanto no significativos. Estos puntos son los que marcan la
orientacin de la recta. En la Figura 8 se muestra la recta corregida y puede verse
que son significativos los efectos T, C y la interaccin TK.
Pg. 16
Normal Probability Plot of the Effects

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

1.5
AB
A: T
B: C
C: K
1.0
Normal Score
0.5
A
0.0
-0.5
-1.0
-1.5
-5
10
15
Effect
Figura 8: Papel probabilstico con la recta corregida a mano
Pg. 17
MTODO DE LAS INTERACCIONES DE ORDEN SUPERIOR

Este mtodo 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
indicarn 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
C: K
AB
BC
AC
ABC
10
15
Figura 9: Diagrama de Parte para ver qu efectos son significativos. opcin Stat->DOE>Factorial->Analyze Factorial design
MTODO DE LAS RPLICAS

El segundo mtodo consiste en replicar todos a algunos ensayos, de modo que se
pueda realizar una estimacin de la variabilidad propia del ensayo. Si es la
estimacin de la variabilidad, la desviacin tpica a la que est sometida el efecto
del factor (por ser suma de cuatro variables aleatorias independientes, cada una de
ellas con una desviacin tpica ):
4
Ef2 . = 2
N
Pg. 18
donde N es el nmero de ensayos. Una vez conocido EF se puede ver el nivel de

significacin de la magnitud del efecto.
1.3.5.
MODELADO EMPRICO DEL PROCESO
Cmo se pueden interpretar estos resultados? Los efectos calculados son

estimaciones del polinomio cuadrtico:
y = 0 + T T + C C + K K + TC TC + TK TK + CK CK + TCK TCK
En efecto, 0 es la media y los restantes coeficientes son la mitad del efecto
correspondiente. En nuestro caso:
y = 64,25 +
23
5
10
T C + TK
2
2
2
Es preciso observar que los valores de T y C estn codificados; por ejemplo, si se

quisiese realizar una prediccin para C= x %, sera preciso reemplazar C por:
Lx =
x % 30
20
De esta manera es posible saber cuales son los factores e interacciones que
influyen en la respuesta y en qu direccin hay que modificarlos para mejorar esa
respuesta.
APLICACIN MINITAB
Ya se ha visto cmo Minitab calcula los efectos y coeficientes. Con la opcin 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
trminos, significativo y no significativos. Con la opcin Stat->DOE->Factorial>Contour / Surface (Wireframe) Plots se puede representar grficamente el
modelo (ver figuras siguientes).
Pg. 19
DIAGRAMA DE SUPERFICIES DE NIVEL
40
55
60
65
70
75
30
20
160
170
180
T
Hold values: K: 0.0
Figura 10: Diagrama de superficies de nivel. Opcin Stat->DOE->Factorial->Contour / Surface

(Wireframe) Plots
Surface Plot of Respuest
70
Respuesta
60
40
50
30
160
20
170
180
Hold values: K: 0.0
Figura 11: Diagrama de superficie. Opcin Stat->DOE->Factorial->Contour / Surface (Wireframe)

Plots
Pg. 20
EJEMPLO 1.
EJEMPLO DE ESTIMACIN DE LOS EFECTOS
SIGNIFICATIVOS A PARTIR DE RPLICAS
LACADOS, S.A est 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 dnde se le chorrea un producto qumico. Hasta el
momento las pruebas no eran totalmente satisfactorias debido a la falta de
uniformidad de la capa depositada. Para mejorar este proceso constituy un grupo
de trabajo formado por un ingeniero de proceso, un tcnico de laboratorio y un
ingeniero de calidad. ste ltimo sugiri realizar algunos ensayos para caracterizar
el comportamiento del proceso. Al planificar los ensayos, el grupo de trabajo se
enfrent a dos problemas:
Cmo medir la uniformidad de la capa depositada de una manera sencilla.
Cules son los factores que afectan al proceso.
Para resolver el primer punto, el tcnico de laboratorio ide un mtodo basado en la

cantidad de luz reflejada en una direccin determinada por una probeta tratada por
el proceso de proteccin superficial, y compararla con la reflejada por un espejo.
Esto se basa en la idea de que cuanto ms rugosa es la capa depositada ms
disperso es el haz de luz reflejado.
El segundo punto lo resolvi el ingeniero de proceso quien identific los factores
indicados en la tabla. Tambin indic el rango de valores en los que de acuerdo con
su experiencia podran situarse los factores y el valor actual de operacin.
Factor
Cantidad de producto en
g/min.
Velocidad de avance de la
cinta
Valor actual
100 g/min.
5 m / min.
Mximo
130 g
/min.
8 m/min.
Mnimo
80 g /min.
3 m/min.
Tabla 6
Pg. 21
Adems el ingeniero de proceso atribua el problema al tipo de producto utilizado (A)

y sugera la utilizacin del (B) pese a que este es bastante ms caro.
Con esta informacin se pretende planificar los ensayos para mejorar el proceso.
Ejemplo 4: Parte 1
El grupo de trabajo acord realizar un ensayo 23 sin replicar. Los puntos de ensayo
elegidos fueron:
Factor
Cantidad depositada en g/min.
Velocidad de avance de la cinta
Alto
110 g /min.
6 m/min.
Bajo
90 g /min.
4 m/min.
A continuacin se reproduce la matriz de diseo con los valores obtenidos:

Los datos se encuentran en el fichero LACADOS1.MTW
Ensayo Orden Cantida Velocidad Tipo de CV CP VP CV Respues Efecto
nmero
de
pintura:
d de
P
ta
(P)
pintura: avance:
(V)
(C)
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) QU EFECTOS SON SIGNIFICATIVOS?.

B) EST JUSTIFICADO EL CAMBIO DE PINTURA?
C) HACIA DONDE SUGIERE CAMBIAR EL PUNTO DE OPERACIN DEL
PROCESO?
Pg. 22
EJEMPLO 4: PARTE 2
Los efectos significativos seran la velocidad V y la interaccin entre la cantidad de
producto y la velocidad VC. La ecuacin que modeliza el proceso es:
Calidad de acabado = 37,13 +
6,75
19,25
V+
VC
2
2
Donde V y C est en unidades codificadas (V=-1 equivale a 4 m/min, V = 1 equivale

a 6 m/min, etc.). En unidades convencionales sera preciso realizar reemplazar en la
V 5
C 100
ecuacin anterior V por
y C por
respectivamente.
64
110 90
2
2
Las predicciones con el modelo seran:
Predic.
43,375
24,125
30,875
50,125
43,375
24,125
30,875
50,125
Real
40
25
30
50
45
25
30
52
Residuo
3,375
-0,875
0,875
0,125
-1,625
-0,875
0,875
-1,875
Para confirmar la significacin de los efectos y dado que se aprecia una falta de
ajuste del modelo, se realiza una segunda rplica de los ensayos con los siguientes
resultados:
Pg. 23
Ejemplo 4: Parte 3
Los resultados de la segunda rplica junto con los nuevos clculos se incluyen en la
tabla siguiente:
Ensayo Orden Cantidad velocidad Tipo de CV CP VP CVP R1 R2 Respuesta Efecto
nmero
de pintura:
de
pintura:
avance:
(C)
(P)
(V)
1
2
3
4
5
6
7
8
2
4
5
1
8
6
7
3
-1
1
-1
1
-1
1
-1
1
-1
-1
1
1
-1
-1
1
1
72
=9
8
Var =
2.
-1
-1
-1
-1
1
1
1
1
1 1
-1 -1
-1 1
1 -1
1 -1
-1 1
-1 -1
1 1
SUMA
1
1
-1
-1
-1
-1
1
1
-1
1
1
-1
1
-1
-1
1
40
25
30
50
45
25
30
52
36
28
32
48
43
30
29
49
38
26,5
31
49
44
27,5
29,5
50,5
37,00 Media
1,75
C
6,75
V
19,25 CV
1,75
P
-0,75 CP
-0,75 VP
1,75 CVP
(r1-r2)2
16
9
4
4
4
25
1
9
72
1 1
Var efecto = + 9 = 2,25; Efecto = 1,50
8 8
CASO DE DATOS NO NORMALES.

TRANSFORMACIONES
La tcnica de normalizacin de datos ms eficaz es la transformacin de Box-Cox.

Esta transformacin es la siguiente:
( )
(x + m ) 1)
ln ( x + m )
( 0) (x x > m )
( = 0) (m > 0)
Es continua en , puesto que:
Pg. 24
lim x ( ) = ln ( x + m )
0
La funcin de verosimilitud de los datos normalizados es:

n
1 )
L( ) = ln ( 2 ( ) ) + ( 1) ln ( xi )
n
i =1
Donde:
2 ( ) =
2
1 n ( )
(
x x ( ) )
n i =1
La tcnica consiste en hallar el valor de que maximiza la verosimilitud (ver Figura

12).
TRANSFORMACIN DE BOX-COX
SELECCIN DEL LAMBDA PTIMO
Verosimilitud
-100
-200
-300
-2
-1
0.37
lambda
lambda
-2.00
-1.50
-1.00
-0.50
0.00
0.25
0.50
1.00
1.50
2.00
Verosimilitud
-304.427
-221.758
-153.238
-105.654
-81.808
-77.440
-77.475
-86.631
-105.244
-131.009
Figura 12: Transformacin de Box-Cox para normalizar los datos
Segn sea el origen de los datos, en algunos casos se puede esperar

heterocedasticidad de los mismos (varianza no constante). Segn est relacionada
la varianza y la media, resultan apropiadas las transformaciones indicadas en la
Tabla 8.
Pg. 25
Relacin
mediavarianza
Transformacin
estabilizadora de la
varianza
Ejemplos tpicos de aplicacin
-1
Inversa
1,5
1/2
Inversa de la raz
cuadrada
Logaritmo
Anlisis de varianzas muestrales,

grficos de control de series
cortas en el que se conjuguen
familias de varios espesores.
0,5
Raz cuadrada
Datos
procedentes
de
distribucin de Poisson.
const
No se transforma
una
Tabla 8: Transformaciones de datos para eliminar la heterocedasticidad
EJEMPLO 2.
NORMALIZACIN DE DATOS DE UN PROCESO NO NORMAL
En la Figura 13 se ha representado el histograma de un proceso de proteccin

superficial. A la vista del citado histograma, se concluye la no normalidad de los
datos. Se desea realizar una transformacin que los normalice.
APLICACIN MINITAB
Men 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
=0.113 como el valor ptimo. Una vez
transformados los datos, se puede comprobar su normalidad
mediante
un
histograma
(ver
Figura
15)
o
un
papel
probabilstico, de modo anlogo al hecho anteriormente (ver
Figura 16).
Pg. 26
HISTOGRAMA DE DATOS NO NORMALES
Frecuencia
30
20
10
0
2
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
Last Iteration Info
60
50
StDev
40
Lambda
StDev
Low 0.056
2.784
Est 0.113
2.782
Up
2.783
0.170
30
20
10
0
-5
-4
-3
-2
-1
Lambda
Figura 14: Transformacin de Box-Cox (Stat->Control Charts->Box-Cox Transformation)
Pg. 27
HISTOGRAMA DE DATOS TRANSFORMADOS
Frecuencia
20
10
0
1.0
1.1
1.2
1.3
1.4
Espesores
Figura 15: Histograma de los datos transformados (Graph->Histogram)
COMPROBACIN DE LA NORMALIDAD DE LOS DATOS TRANSFORMADOS

ML Estimates - 95% CI
ML Estimates
Mean
99
1.18537
StDev 0.0832140
Percent
95
90
Goodness of Fit
80
70
60
50
40
30
20
AD*
0.291
10
5
1
0.88
0.98
1.08
1.18
1.28
1.38
1.48
Data
Figura 16: Comprobacin de la normalidad de los datos transformados
Pg. 28

Doe Iparamaestria 141113220816 Conversion Gate02

Cargado por

Información del documento

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

Doe Iparamaestria 141113220816 Conversion Gate02

Cargado por

Copyright:

Formatos disponibles

----------------------------------------------------------------------------------------------------------------------

DISEO DE EXPERIMENTOS (PARTE I)

Profesor: Arturo Ruiz-Falc Rojas

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

DISEOS FACTORIALES A DOS NIVELES 2K.................................................3

CREACIN DE UN DISEO FACTORIAL COMPLETO A 2 NIVELES 7

MODELADO EMPRICO DEL PROCESO .......................................... 19

CASO DE DATOS NO NORMALES. TRANSFORMACIONES......................... 24

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

DISEOS FACTORIALES A DOS NIVELES 2K

UN PROCESO DE MEJORA MS SOFISTICADO: CMO PUEDE

El proceso de mejora visto hasta ahora se limita a comprobar si se ha producido

Cmo se debe modificar el producto para aumentar su resistencia

Cmo se puede reducir los defectos de fabricacin?

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

COMPARACIN CON EL MTODO CLSICO DE VARIAR UN

La empresa NOVOMAT necesita mejorar las caractersticas de calidad de su

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

Los factores que tienen una incidencia ms directa son:

El proceso esta operando actualmente en:

Sin embargo no exista acuerdo en los siguientes puntos:

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

Punto de operacin del proceso. Los partidarios de la temperatura crean

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

partidarios del cambio de catalizador pensaban que los actuales puntos de

Repetir con el segundo catalizador.

Seleccionar el catalizador y los correspondientes puntos de operacin que

Antes de que se comenzara a discutir si se variaba primero la concentracin o la

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

Experimentar un factor cada vez?

Cuando comenz a cundir el desnimo, alguien se acord de algo que le haban

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

DESCRIPCIN DE LOS DISEOS FACTORIALES COMPLETOS A

Respuesta: Es el resultado de cada uno de los experimentos. En el caso de

Factor o Tratamiento: Son las variables de las que se considera que

Nivel: Son los valores que toma un factor en un experimento dado.

CREACIN DE UN DISEO FACTORIAL COMPLETO A 2 NIVELES

Los diseos ms sencillos (y desde luego los utilizados ms frecuentemente) son

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

cubrir todas las condiciones experimentales se requieren 2k ensayos. En el caso del

Tabla 1: Fijacin de los niveles de los factores

La matriz de diseo sera:

Tabla 2: Matriz del diseo

Obsrvese que en la matriz anterior estn todas las combinaciones posibles y

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

Tabla 3: Matriz del diseo en forma codificada

Este orden de escribir los ensayos en la matrices se denomina forma estndar y

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

CLCULO DE LOS EFECTOS PRINCIPALES Y LAS

Los datos se encuentran en el fichero NOVOMAT1.MTW

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes

---------------------------------------------------------------------------------------------------------------------DISEO DE EXPERIMENTOS (PARTE I)

Figura 2: Diagrama de Cubo

Cul es el efecto del cambio de temperatura a la respuesta del proceso?

Mdulo 16. DISEO DE EXPERIMENTOS (PARTE I). Apuntes