Antolo - Diseño de Experimentos

Experiencia educativa
Diseo de Experimentos para la Calidad

rea Tcnico-Instrumental
(Agosto-Febrero 2010)
Elaborada por:
Mtra. Mara de Lourdes Velasco Velzquez Mtra. Judith Guadalupe Montero Mora
Octubre 2010
Maestra en Gestin de la Calidad
Contenido
Introduccin .................................................................................................................. 3 Objetivos por unidad ..................................................................................................... 4 Unidad 1. Principios bsicos del diseo de experimentos ............................................... 5
1.1 Experimentacin en las organizaciones e industria. ........................................................... 5 1.2 Fundamentos del diseo de experimentos. ........................................................................ 8 1.3 Estructura del diseo experimental ................................................................................. 11 1.3.1 Estructura de tratamiento ......................................................................................... 12 1.3.2 Estructura de diseo ................................................................................................. 17 1.4 Principios bsicos del diseo de experimentos................................................................. 17 1.5 Metodologa prctica para el diseo de experimentos. ................................................... 21 1.6 Seleccin de caractersticas de calidad para los experimentos industriales..................... 25 1.7 Barreras en la aplicacin del diseo de experimentos. .................................................... 25 Actividades unidad I ...................................................................................................................... 28
Unidad 2. Diseo estadstico de experimentos. ............................................................ 29

2.1 Diseo Completamente al azar. ........................................................................................ 29 2.1.1 Comparacin de dos tratamientos ............................................................................ 30 2.1.2 Comparacin de ms de dos tratamientos. .............................................................. 36 2.1.3 Modelo estadstico .................................................................................................... 38 2.1.4 Anlisis de varianza (ANOVA) .................................................................................... 39 2.1.5 Construccin e interpretacin de la tabla de anlisis de varianza. ........................... 41 2.1.6 Grfico de medias...................................................................................................... 45 2.2 Comparaciones mltiples. ................................................................................................. 46 2.3 Verificacin de los supuestos del modelo. ........................................................................ 51 2.4 Diseo en bloques completos al azar................................................................................ 56 2.4.1 Anlisis estadstico .................................................................................................... 57 2.4.2 Hiptesis a evaluar. ................................................................................................... 58 2.4.3 Modelo estadstico .................................................................................................... 59 2.4.4 Anlisis de varianza ................................................................................................... 59 2.4.5 Regla de decisin ....................................................................................................... 60 Actividades unidad II ..................................................................................................................... 62
Unidad 3. Experimentos factoriales. ............................................................................ 65

3.1 Conceptos fundamentales. ............................................................................................... 66 3.1.1 Preparacin de un diseo factorial ........................................................................... 68 3.2 Experimento factorial en arreglo completamente al azar ( ) ........................................ 70 3.2.1 Modelo estadstico .................................................................................................... 70 3.2.2 Hiptesis a evaluar .................................................................................................... 70 3.2.3 Anlisis de varianza. .................................................................................................. 71 3.2.4 Regla de decisin. ...................................................................................................... 71 3.3 Factorial . ...................................................................................................................... 74 Actividades unidad III .................................................................................................................... 75
Bibliografa .................................................................................................................. 78 ANEXOS ...................................................................................................................... 79
2
Diseo de experimentos de la calidad
Introduccin
El diseo de experimentos (DOE) es un proceso activo para planear el experimento de tal forma que se reciben datos adecuados que pueden analizarse con mtodos estadsticos que llevarn a conclusiones vlidas y objetivas; es decir, estamos hablando de un mtodo cientfico. En escenarios reales los datos estn sujetos a errores experimentales y errores aleatorios, lo cual convierte a la metodologa estadstica en el nico enfoque objetivo para el anlisis. En trminos de calidad la metodologa DOE es el resultado de enfocar mayores esfuerzos en la prevencin y menos esfuerzos en la inspeccin.
La presente antologa describe de forma muy general y breve la metodologa de diseos experimentales, conceptualizacin bsica, campos de aplicacin, y ante todo pretende motivar el uso de la metodologa como una herramienta necesaria y til en procesos de mejoramiento a nivel de organizaciones e industria.
Muchas de las empresas que emprenden proyectos de mejoramiento de la calidad con el objetivo de ser ms competitivas, en algn momento deben requerir la aplicacin de la metodologa de diseo experimental para probar el desempeo de sus procesos ante condiciones variables. Aquellas que consideren que no la necesitan probablemente es porque el grado de desarrollo de sus proyectos de mejoramiento se encuentra en etapas preliminares.
3
Objetivos por unidad

Unidad I
Se familiarizar con la terminologa y los principios bsicos del diseo de experimentos. Ser capaz de describir las etapas ms importantes para realizar una investigacin experimental
Unidad II
El alumno ser capaz de identificar situaciones experimentales en las que se apliquen diseos con un factor, de llevar a cabo el anlisis estadstico de datos de estos diseos y de seleccionar el mtodo de comparacin mltiple ms adecuado para la situacin experimental en cuestin.
Unidad III
El alumno se familiarizar con los conceptos bsicos en diseos factoriales. Ser capaz de construir y analizar diseos experimentales con dos factores; as tambin, interpretara la significancia de los efectos principales e interacciones.
4
Unidad 1. Principios bsicos del diseo de experimentos
1.1
Experimentacin en las organizaciones e industria.
Es indudable que, en el mundo competitivo en el que se mueve actualmente cualquier organizacin o industria, uno de los factores clave de xito es el ritmo con el que la organizacin es capaz de aprender. La experimentacin es uno de los elementos que ms pueden contribuir a aumentar ese ritmo. La experimentacin juega un papel fundamental en todos los campos de la investigacin y el desarrollo. El objetivo de la experimentacin es obtener informacin de calidad, informacin que permita desarrollar nuevos productos y procesos, comprender mejor un sistema y tomar decisiones sobre como optimizarlo y mejorarlo. El auxilio dado por esta tcnica se hace presente desde la fase de planteamiento del problema, pasando por la planeacin y control del experimento, y finalizando en el anlisis e interpretacin de resultados.
El diseo de experimentos (DOE) fue desarrollado en los aos 20 por sir Ronald Fisher en el centro de investigacin agrcola de campo de Rothamsted en Londres, Inglaterra. Sus experimentos inciales fueron referidos a determinar el efecto de varios fertilizantes sobre diversas parcelas de tierra. La condicin final de la cosecha era que no depende slo del fertilizante, tambin de otra cantidad de factores (tal cmo la condicin del suelo, el contenido de agua del suelo, etc.). Fisher utiliz el diseo de experimentos, mediante el cual pudo distinguir el efecto del fertilizante y de los otros factores. Desde entonces el diseo de experimentos se ha aceptado y se ha aplicado extensamente en campos biolgicos y agrcolas.
El uso potencial del DOE en los procesos incluye: (1) mejoras en los procesos de produccin y estabilidad, (2) mejora en la capacidad de procesos, (3) reduccin en la variabilidad de los procesos y por lo tanto una mejor consistencia del funcionamiento de producto, (4) reduccin del tiempo de desarrollo del proceso, (5) comprensin de la
5
relacin entre las entradas y las salidas de proceso, (6) reduccin de defectos, reciclar, repeticin de pruebas, etc.
El diseo de experimentos implica una secuencia de actividades:
a) Hiptesis: una conjetura que motiva el experimento.
b) Diseo del experimento: una serie de pruebas conducidas para investigar la hiptesis. c) Anlisis: implica el entender la naturaleza de los datos y realizar el anlisis estadstico de los datos obtenidos del expe|rimento. d) Interpretacin: la comprensin de los resultados del anlisis experimental. e) Conclusin: implica decidir si la hiptesis originalmente establecida es verdadera o falsa. A menudo ms experimentos son realizados para probar la hiptesis y en algunos casos establecer una nueva hiptesis que requiere de nuevos experimentos.
El uso de las tcnicas del diseo experimental permiti, desde sus primeras aplicaciones, mejorar la organizacin del trabajo de los investigadores experimentales, disminuir los costos de experimentacin, medir y aumentar la confiabilidad de sus resultados. Los obstculos propios de la naturaleza de los problemas abordados, van siendo derribados poco a poco, mediante el desarrollo de nuevas tcnicas y mtodos. El eludir la utilizacin de estas tcnicas conduce, por otra parte, a repeticiones innecesarias, con el consecuente mayor costo y tiempo de experimentacin, adems de que al no garantizar ni medir la confiabilidad de los resultados, el proceso de toma de decisiones queda dbilmente apoyado.
Dentro del marco de la Gestin de la Calidad el diseo de experimentos es una herramienta de vital importancia, y muy especialmente cuando se trata de obtener el mximo nivel de calidad al menor costo, lo que podemos expresar como mejorar simultneamente calidad y productividad. Aporta una metodologa para reducir la
6
variabilidad propia de las caractersticas de calidad de los productos y la que originan los procesos sobre los productos. En este sentido el diseo de experimentos desempea un papel realmente importante en la optimizacin de procesos, productos y servicios.
Algunos de los problemas propios del control de la calidad de productos y servicios, que pueden ser resueltos utilizando tcnicas de diseo de experimentos son:
(1) Diseo del producto: En nuestra sociedad altamente industrializada y cada vez ms tecnificada difcilmente sale un producto al mercado sin previamente realizar una larga serie de pruebas que aseguren que ste responde a aspectos tales como mantenabilidad, confiabilidad, procesabilidad y otros indicadores de su calidad. Es trabajo de los experimentadores encontrar los esquemas de prueba que permitan lograr los objetivos antes sealados a bajo costo (mnimo de pruebas).
(2) Determinacin de las causas que originan desviaciones de la calidad del producto o servicio durante el proceso: Sabido es que adems de las causas aleatorias
(aquellas difciles de identificar, individualizar y medir, y cuya influencia es compleja) pueden accionar sobre el proceso de fabricacin o de prestacin del servicio factores que causen variacin sistemtica e identificable, que ponen en riesgo la calidad. Entre estos factores se encuentran: materia prima y materiales; mquinas y herramientas; instrumentos de medicin; mano de obra; cambios ambientales, entre otros ms. Para reducir el efecto producido por estas causas sistemticas, primero debemos identificarlas.
(3) Determinacin de los procedimientos de inspeccin ms eficientes: Si el proceso de inspeccin que se utiliza es estadstico, es decir, se realiza mediante muestreo, entonces se hace necesario determinar, entre otras cosas, el nmero de observaciones a realizar, la frecuencia de inspeccin o intervalos entre inspecciones consecutivas y los criterios de aceptacin o rechazo. Ocasionalmente puede suceder que distintos procedimientos de inspeccin repercutan de manera diferente en forma significativa, en los costos de inspeccin. La comparacin de procedimientos puede en determinadas circunstancias realizarse con el apoyo de tcnicas de diseo experimental.
7
(4) Mejora continua de la calidad. La competencia, el deseo de mejorar constantemente la satisfaccin del cliente y la obligacin de cumplir con normas gubernamentales hacen necesario el mejorar la calidad del producto o del servicio dentro de un conjunto de restricciones impuestas por el entorno. Afortunadamente siempre es posible recurrir a la bsqueda de mejoras en ese sentido sin necesidad de hacer inversiones que pongan en peligro la salud financiera de la empresa. En efecto, observamos los siguientes principios, los cuales pueden ser enunciados en formas diferentes segn sea la aplicacin: Cuando existan varios mtodos distintos para una misma tarea, uno de ellos ser sustancialmente mejor a los dems. Cuando es posible establecer y mantener diferentes condiciones de trabajo, una de ellas ser ms propicia para la calidad del producto o servicio ofrecido y para la eficiencia del trabajo involucrado. Cuando se dispone de alternativas para la distribucin de maquinarias y equipo, una de tales distribuciones es significativamente ms adecuada en cuanto a calidad y productividad.
En cualquiera de los casos anteriores basta con identificar el mtodo, la condicin de trabajo o la distribucin de planta que producen calidad superior y a partir de ellas proceder a su estandarizacin. Esta identificacin es posible, en muchos casos, aplicando alguna de las tcnicas de diseo experimental.
1.2
Fundamentos del diseo de experimentos.
Para entender correctamente el diseo de experimentos, es esencial tener una buena comprensin del trmino proceso. En general por proceso se entiende la combinacin de gente, mquinas, equipo, materia prima, mtodos, sistemas y medio ambiente que producen un determinado producto o servicio. Para los fines del diseo experimental nos basta entender un proceso como un conjunto de actividades interrelacionadas cuyo propsito es transformar variables de entrada en variables de salida o resultados de inters. Un proceso
8
puede ser la manera en que ensamblamos un auto, la forma en que se realizan los servicios en una almacenadora, o los cambios que se producen cuando se hacen reaccionar sustancias qumicas para producir determinada sustancia. Una representacin grfica del concepto de proceso es mediante un rectngulo o caja negra al que se le hacen incidir las entradas o insumos del proceso, y del cual se extraen las salidas o resultados del proceso.
Figura 1. Ilustracin de un proceso.
Las entradas de la caja negra son tambin llamadas factores, tratamientos, variables independientes y estmulos. Las salidas tambin reciben el nombre de variables respuesta o variables dependientes. Tal como se muestra en la Figura 2.
Figura 2. Entradas y salidas de un diseo experimental.

9
En el contexto del diseo experimental entenderemos por niveles los valores de las variables de entrada de un proceso o sistema, para responder a una pregunta determinada. Para obtener conclusiones estadsticamente vlidas, cada valor de la variable de entrada debe ser ensayado ms de una vez. Cada ensayo produce una observacin.
En situaciones de la vida real, algunas de las variables del proceso o factores se pueden controlar y algunas de ellas son difciles o costosas. La Figura 4 ilustra un modelo general de un proceso, en este diagrama, las salidas son caractersticas que se miden para determinar el funcionamiento del proceso/ producto. Las variables o factores controlados (representadas por Xs) se pueden variar durante el experimento y tales variables tienen un papel dominante en la caracterizacin del proceso. Las variables no controlables (comnmente representadas por Z) son difciles de controlar durante un experimento, estas variables o factores son responsables de la variabilidad en el producto o inconsistencia en el funcionamiento del producto. Es importante determinar la regin ptima de las
variables independientes (Xs) para reducir al mnimo el efecto de las Zs.
Como se ha mencionado, en la realizacin
del diseo experimental
intencionalmente realizaremos cambios a las variables de entrada del proceso (o a los factores) para observar cambios correspondientes en la salida del proceso. La informacin obtenida de experimentos correctamente planeados, ejecutados y analizados se puede utilizar para mejorar el funcionamiento de productos, para reducir la cantidad de desechos, para reducir la duracin de ciclo del desarrollo de productos y reducir variabilidad excesiva en procesos de produccin. Supongamos que un experimentador desea estudiar la influencia de cinco variables o factores sobre el proceso determinacin de la mezcla ptima del concreto. La Figura 3 ilustra las entradas y salidas del proceso.
10
Figura 3. Determinacin de la mezcla ptima del proceso
1.3
Estructura del diseo experimental

El diseo de experimentos ha sido creado por matemticos y estadsticos, por lo que
posee su propio lenguaje, el cual es necesario conocer para su mejor compresin y utilizacin. A continuacin se describen los trminos ms importantes:
Un diseo experimental consiste de dos estructuras bsicas y es muy importante que seamos capaces de identificarlas y distinguirlas. Esencialmente tendremos tratamientos y unidades experimentales en donde sern aplicados tales tratamientos. As, la primera estructura responde a cmo se obtienen los tratamientos; la otra estructura se refiere a cmo se agrupan o miden a las unidades experimentales. Para comprender estas dos estructuras a continuacin se dan definiciones importantes.
11
1.3.1
Estructura de tratamiento
a) Factor. Planteado el problema y seleccionada la variable de respuesta (variable dependiente), la tarea que nos ocupa es la seleccin de las entradas del proceso de inters. Estas entradas, habamos dicho, son tambin llamadas factores, tratamientos, variables independientes o estmulos. Los factores pueden ser clasificados en controlables y no controlables. Los factores controlables, son aquellos susceptibles de ser manipulados en el campo para orientar la respuesta. El investigador debe seleccionar cules de estos factores van a ser considerados en el experimento. Los factores no controlables son aquellos que escapan totalmente al control del experimentador en el campo. Por comodidad algunas veces estos factores son tambin llamados factores ambientales ya que un conjunto bastante grande de este tipo de factores tienen su origen en el ambiente, el cual aunque puede controlarse hasta cierto punto durante el experimento, en el campo es imposible de someterse a control. Nos detendremos en los factores controlables.
Los factores tambin pueden ser concebidos como cualitativos o cuantitativos. De acuerdo a esto, como factores cualitativos podemos considerar: sustancias, mtodos, aparatos, operadores, catalizadores, agentes, cidos, y metales, en experimentos propios de reas como: produccin, mantenimiento y control de calidad de los productos. Tipo de catalizador, mtodos, actitudes, habilidades y dedicacin, son ejemplos de factores cualitativos en reas de relaciones industriales, seleccin y reclutamiento de personal, y control de calidad de los recursos humanos. Para efectos del modelo matemtico del diseo experimental, a los factores cualitativos se les puede asociar nmeros, en forma secuencial, de manera arbitraria. Estos nmeros no se utilizan para ser sujetos a operaciones aritmticas, ya que slo sirven como cdigos o etiquetas.
Por su parte, los factores cuantitativos, son aquellos que pueden ser "medidos", o cuantificados. Temperatura, concentracin de reactivos, razn de llenado de sustancias, valor de PH, peso y volumen, son ejemplos de este tipo de factores.
12
Sean cualitativos o cuantitativos los factores seleccionados, necesitamos determinarlos completamente antes de ser incluidos en el experimento. Diremos que un factor ha sido completamente determinado, para ser considerado en el experimento, si adems de justificar su inclusin hemos definido su unidad de medida y su regin de determinacin. Por regin de determinacin entenderemos: el espacio de valores dentro de los cuales es posible seleccionar los valores (niveles) en que se puede fijar el factor durante el experimento.
b) Nivel. Los diferentes valores que se asignan a cada factor estudiado en un diseo experimental; por ejemplo, si el factor, es el tiempo de operacin, el inters puede ser estudiar la respuesta del proceso durante tres periodos diferentes, a saber 10, 30 y 50 seg. En este caso se dice que el factor tiene tres niveles. c) Tratamientos. Se refiere a los distintos niveles de un factor o a la combinacin de los niveles de varios factores. Por ejemplo, si en un experimento se estudia la influencia de la velocidad y la temperatura, y se decide probar cada una en dos niveles, entonces cada combinacin de niveles (velocidad, temperatura) es un tratamiento. En este caso habra cuatro tratamientos, como se muestra en la Tabla 1.
Tabla 1. Tratamientos
Nivel de velocidad 1 2 1 2
Nivel de temperatura 1 1 2 2
Tratamiento 1 2 3 4
d) Estructura de tratamientos de un diseo experimental. Consiste del conjunto de tratamientos que el experimentador ha seleccionado para estudiar y/o comparar. Puede haber estructuras con uno o varios factores; como se muestra en la tabla 1; pueden considerarse todos los tratamientos (diseo factorial) o un subconjunto del total de tratamientos segn el inters.
13
e) Efecto principal. Indica la contribucin que cada factor tiene sobre las variables respuesta. Esta se mide evaluando el cambio que se produce en la respuesta en cada nivel del factor. Una herramienta grfica de gran utilidad es el diagrama de efecto principal. Grafica el valor promedio de la variable respuesta para cada nivel del factor o variable independiente. El signo y la magnitud del efecto principal nos dira lo siguiente:
1. El signo del efecto principal nos indica la direccin, por ejemplo si el valor promedio de la respuesta aumenta o disminuye. 2. La magnitud nos dice la intensidad del efecto. Si el efecto del factor es positivo, esto implica que el valor promedio de la variable respuesta es ms alta en el nivel alto del factor y baja en el nivel bajo del factor. En cambio, si el efecto es negativo, esto significa que el valor promedio de la variable respuesta es ms alta en el nivel bajo del factor.
La Figura 4 ilustra el efecto principal de la temperatura sobre la resistencia de un molde de acero. Como se puede ver, la resistencia aumenta cuando el ajuste de la temperatura vara de punto bajo a un alto. La representacin de un nivel bajo es -1 y el nivel alto es +1.
El efecto de un factor puede ser calculado usando la siguiente ecuacin:
donde
es el valor promedio de la variable respuesta en el nivel alto del factor y
es la valor promedio de la variable respuesta en el nivel bajo.
14
96 94 92 90
Resistencia
88 86 84 82 80 78 T1 T2
(+1) (-1) Figura 4. Efecto de la temperatura sobre la resistencia
f) Interaccin. Considerando los efectos sobre la variable respuesta bajo estudio, la interaccin implica una relacin o dependencia entre dos o ms factores. . El diagrama de la interaccin es una herramienta grfica de gran alcance que grafica la respuesta promedio de la variable respuesta para todas las combinaciones posibles de los factores bajo estudio. Cuando existe interaccin entre los factores las lneas obtenidas tienen una pendiente muy diferente y si no hay interaccin las lneas tienen pendientes similares, que son aproximadamente paralelas. Por ejemplo, probar dos niveles de la temperatura T1 y T2 y dos niveles de la presin, P1 y P2 en la Figura 5 se muestra la interaccin entre estos dos factores, es decir, la resistencia es diferente al utilizar diferentes niveles de la temperatura, as como de la presin. Adems es notable que las lneas no son paralelas.
15
170 160 150 140

Resistencia
130 120 110 100 90 80 70 T1 T2 Temperatura P1 P2
Figura 5. Efecto de la temperatura y presin sobre la resistencia
Otro tipo de grfico que permite detectar interaccin entre los factores y los efectos que son importantes para el proceso es el grfico de Pareto. Exhibe los efectos estandarizados de los efectos, y dibuja una lnea de referencia sobre el grfico. Cualquier efecto que extienda ms all de esta lnea de referencia es potencialmente importante. Por ejemplo, para un experimento con tres factores, se construye un diagrama de Pareto (ver Figura 6). El grfico muestra que los factores B y C y la interaccin AC son los ms importantes. El paquete Minitab despliega este tipo de herramienta grfica.
Figura 6. Grfico de Pareto de los efectos estandarizados.

16
1.3.2
Estructura de diseo
a) Variables (s) de respuesta. A travs de esta(s) variable (s) se conoce el efecto o los resultados de cada prueba experimental, por lo que pueden ser caractersticas de la calidad de un producto y/o variables que miden el desempeo de un proceso. El objetivo de muchos estudios experimentales es encontrar la forma de mejorar la(s) variable(s) de respuesta. Por lo general, estas variables se denotan con la letra y .
b) Unidad experimental (UE): Individuo, objeto o unidad de material a la que se le aplica un tratamiento, a sta se le miden las variables respuesta bajo estudio. En cada diseo de experimentos es importante definir de manera cuidadosa la unidad experimental, ya que sta puede ser una pieza o muestra de una sustancia o un conjunto de piezas producidas, dependiendo del proceso que se estudia. Por ejemplo si se quiere investigar alternativas para reducir el porcentaje de piezas defectuosas, en un proceso que produce muchas piezas en un lapso corto de tiempo, es claro que no sera muy confiable que la unidad experimental fuera una sola pieza, en la cual se vea si en una condicin experimental estaba defectuosa o no. Aqu, la unidad experimental ser cierta cantidad de piezas que se producen en las mismas condiciones experimentales, y al final se analizar cuntas de ellas estn defectuosas y cuntas no.
1.4
Principios bsicos del diseo de experimentos
Si quiere llevarse a cabo un experimento con la mayor eficiencia posible, es necesario utilizar un enfoque cientfico para planearlo. El diseo estadstico de experimentos se refiere al proceso para planear el experimento de tal forma que se recaben datos adecuados que puedan analizarse con mtodos estadsticos que llevarn a conclusiones vlidas y objetivas. El enfoque estadstico del diseo experimental es necesario si se quieren sacar conclusiones significativas de los datos. Cuando el problema incluye datos que estn sujetos a errores experimentales, la metodologa estadstica es el
17
nico enfoque objetivo de anlisis. Por lo tanto, cualquier problema experimental incluye dos aspectos: el diseo del experimento y el anlisis estadstico de los datos. Estos dos aspectos se encuentran ntimamente relacionados por que el mtodo de anlisis depende directamente del diseo empleado. Ambos temas se tratan en este documento.
El punto de partida para una correcta planeacin es aplicar los principios bsicos del diseo de experimentos: aleatorizacin, repeticin y bloqueo, los cuales tienen que ver directamente con los datos obtenidos sean tiles para responder a las preguntas planteadas, es decir, la validez del anlisis de los datos se apoyan en estos principios.
* Repeticin. Es correr ms de una vez un tratamiento o una combinacin de factores. Es preciso no confundir este principio con medir varias veces el mismo resultado experimental. Repetir es volver a realizar un tratamiento, pero no inmediatamente despus de haber corrido el mismo tratamiento, sino cuando corresponda de acuerdo con la aleatorizacin. La repeticin tiene dos caractersticas importantes. La primera es que permite al experimentador obtener una estimacin del error experimental. La segunda, permite que el experimentador obtenga una estimacin ms exacta del efecto del factor/de la interaccin. Si el nmero de rplicas es igual a uno o a la unidad, entonces no podramos hacer conclusiones satisfactorias sobre el efecto de factores o de interacciones.
Si tenemos suficiente nmero de repeticiones, estaramos haciendo con seguridad inferencias satisfactorias sobre el efecto de factores/de interacciones. La rplica puede dar lugar a un aumento substancial en el tiempo de ejecucin del experimento. Por otra parte, si el material es costoso, la rplica puede llevar a costos materiales desorbitados. El uso de la rplica se debe justificar en trminos de tiempo y costos.
* Aleatorizacin. Es la piedra angular en la que se fundamenta el uso de los mtodos estadsticos en el diseo experimental. Por aleatorizacin se entiende que tanto la asignacin del material experimental como el orden en que se realizarn las corridas o ensayos individuales del experimento se determinan al azar. Este principio aumenta la probabilidad de que el supuesto de independencia de los errores se cumpla, lo cual es un
18
requisito para la validez de las pruebas estadsticas que se realizan. Tambin es una manera de asegurar que las pequeas diferencias provocadas por materiales, equipo y todos los factores no controlados, se repartan de manera homognea en todos los tratamientos.
Todos vivimos en un mundo no estacionario, un mundo en el cual los factores (o los disturbios externos) nunca permanecen constantes. Por ejemplo, durante el diseo de un experimento, hay factores, tales como errores de operador, fluctuaciones en temperatura ambiente y humedad, variaciones de la materia prima, etc. que pueden influenciar el funcionamiento del proceso porque son a menudo costosos o difciles controlar. Tales factores pueden afectar de manera desfavorable los resultados experimentales y por lo tanto se deben reducir al mnimo o quitar del experimento. La aleatorizacin es uno de los mtodos que los experimentadores consideran para reducir el efecto del sesgo experimental. En otras palabras, la aleatorizacin garantiza que todos los niveles de cada factor tengan la misma posibilidad de ser afectados por los factores ruido. Dorian Shainin acenta la importancia de la aleatorizacin como pliza de seguro de los experimentadores. Los experimentadores encuentran a veces situaciones donde la aleatorizacin de los ensayos experimentales es difcil realizar debido a los costos y a limitaciones de tiempo.
Como se mencion, la aleatorizacin es la base fundamental del empleo de tcnicas estadsticas inferenciales en el diseo experimental. aplicacin de tratamientos a las UE, de tal forma que: Nos garantiza un orden en la
1. Cada UE tiene la misma oportunidad de ser asignada a cualquiera de las condiciones de tratamiento. 2. Controla la confusin posible a reflejarse en la variable respuesta entre lo que la UE por si misma aporte y lo que el tratamiento aporte.
Es importante sealar que la aleatorizacin garantiza lo anterior si se supone que las UE son prcticamente homogneas, en este caso la aleatorizacin se da sin restricciones sobre todas las UE como un solo grupo. Si las UE no son homogneas, las bondades de la aleatorizacin se podran perder; en este caso se requiere de grupos (conocido como
19
bloques) de UE formados de manera previa a la aleatorizacin de tratamientos; ya formados los grupos entonces aplicar los tratamientos de manera aleatoria dentro de cada grupo homogneo. As, que lo ideal es que todas la UE sean homogneas antes de aplicarles el tratamiento.
Los siguientes tips son tiles para decidir aplicar la aleatorizacin como estrategia del experimento: Cul es el costo asociado al cambio de los niveles de factor?, Cul es el tiempo de ejecucin entre los ensayos experimentales? y experimento son costosos o difciles controlar? Cuntos factores en el
Es muy comn el uso de programas de computadoras para auxiliar a los experimentadores a seleccionar y construir diseos experimentales. Estos programas presentan a menudo las corridas del diseo experimental de manera aleatoria. Por lo general este modo aleatorio se crea utilizando un generador de nmeros aleatorios. Incluso con estos programas de computadora, con frecuencia seguir siendo necesario que el experimentador haga la asignacin del material, de los instrumentos o herramientas de medicin, etc., que se utilizarn en el experimento.
* Bloqueo. Es un mtodo de eliminacin de efectos de variabilidad externa debida a factores ruido, de este modo se mejora la eficiencia del diseo experimental. Generalmente, un bloque es un conjunto de condiciones experimentales homogneas. Los bloques pueden ser materiales, diferentes operarios, diferentes vendedores, etc. Las observaciones colectadas bajo la misma condicin experimental (el mismo da, el mismo turno) se dice que pertenecen al mismo bloque.
Algunos criterios que se usan con ms frecuencia para bloquear unidades experimentales son: a) caractersticas fsicas de la unidad experimental, b) tiempo, c) administracin de tareas en el experimento.
Los experimentos industriales requieren lotes homogneos de materia prima. La replicacin de un experimento puede necesitar ms materia prima que la proporcionada por
20
un lote y la variacin de un lote a otro puede aumentar el error experimental. Un lote lo suficientemente grande puede servir como unidad de bloqueo.
Los das son unidades de bloqueo convenientes slo si se puede cultivar en el campo o procesar en el laboratorio una rplica de los tratamientos durante un solo da. Los tcnicos pueden servir como unidades de bloqueo individual para evitar confundir la variabilidad del tcnico con la de los tratamientos.
1.5
Metodologa prctica para el diseo de experimentos.
La metodologa del diseo de experimentos es fundamental dividirla en cuatro etapas. Estas son: (1) planeacin, (2) diseo, (3) conduccin y (4) anlisis.
1. La fase de la planeacin. Se compone de los siguientes pasos.
(a) Reconocimiento y formulacin de problema. Una aseveracin clara y sucinta del problema puede crear una mejor comprensin de qu se necesita hacer. Se debe tener un objetivo especfico y medible, que represente un valor agregado a la compaa. Algunos problemas que se pueden abordar usando un diseo experimental son: * Desarrollo de nuevos productos; mejora de procesos existentes o de productos. * Mejora del funcionamiento del proceso/producto concerniente a las necesidades y a las demandas del cliente. * Reduccin en la variabilidad existente en los procesos, que lleva a una pobre capacidad en el proceso.
21
Teniendo claridad
sobre los objetivos del experimento, un equipo puede ser
formado. Un equipo que incluya un estadstico, ingeniero del proceso, ingeniero de la calidad y un representante de la gerencia.
(b) Seleccin de la respuesta o caracterstica de calidad. La seleccin de una variable respuesta para el experimento es crtica al xito de cualquier experimento. La respuesta puede ser una variable continua o una cualidad. Variables respuesta tales como longitud, grueso, dimetro, viscosidad, fuerza, etc, generalmente proveen mas informacin que respuestas de tipo cualitativo o atributo, tales como bueno/malo, si/no, aceptado/rechazado. Por otra parte, las caractersticas de naturaleza cuantitativa requieren de tamao de muestras menor que las variables atributo para alcanzar el mismo nivel de significacin estadstica. Los experimentadores deben definir el sistema de medida antes de realizar el experimento para entender que medir, donde medir, quien est realizando las mediciones, etc. Para poder evaluar varios componentes de la variacin (variabilidad del sistema de medida, variabilidad del operador) que pueden ser evaluados. Es bueno cerciorarse de que el sistema de medida es capaz, estable, robusto e insensible a los cambios ambientales.
(c) Seleccin
de variables independientes o factores. Algunas maneras posibles de
identificar los factores potenciales son el uso de datos histricos, anlisis de causa-efecto y la herramienta de lluvia de ideas. ste es un paso muy importante del procedimiento de diseo experimental. Si los factores importantes estn fuera del experimento, despus los resultados no sern exactos y tiles para ninguna accin de mejora. Es buena prctica conducir un experimento en la primera fase de cualquier investigacin para identificar los factores ms importantes.
(d) Clasificacin de las variables independientes. Identificando las variables independientes, el paso siguiente es clasificarlas en variables controlables e incontrolables. Las variables ruido son difciles o costosas de controlar. Las variables tales como fluctuaciones de la temperatura ambiente, fluctuaciones de la humedad, variaciones de la materia prima, etc. son ejemplos de las variables del ruido. Estas variables pueden tener cierto impacto en la variabilidad de proceso y por lo tanto se deben tratar para la
22
comprensin de nuestro proceso. El efecto de tales variables ruido se puede reducir al mnimo por el uso eficaz de los principios de los experimentos del diseo tales como bloqueo, aleatorizacin y rplica.
(e) Determinacin de los niveles de los variables independientes. Un nivel es el valor que una variable mantiene en un experimento. El nmero de niveles depende de la
naturaleza de la variable que se estudiar para el experimento, de si la variable elegida es cualitativa (tipo de catalizador, tipo de material, etc.) o cuantitativa (temperatura, velocidad, presin, etc.). Para las variables cuantitativas, dos niveles se requieren generalmente en los primeros tiempos de la experimentacin. Sin embargo, para las variables cualitativas, ms de dos niveles pueden ser requeridos.
2. La fase del diseo. En esta fase, uno puede seleccionar el diseo ms apropiado para el experimento. Los experimentos se pueden disear usando los mtodos clsicos propuestos por sir Ronald Fisher o el arreglo ortogonal propuesto por el Dr. Genichi Taguchi. En este material se abordaran los mtodos clsicos del diseo de experimentos. Dentro de este acercamiento, uno puede elegir diseos unifactoriales o factoriales. Estos diseos se introducen al lector en los captulos subsecuentes.
Figura 7. Clasificacin de los diseos experimentales.
23
3. La fase de conduccin. sta es la fase en la cual el diseo planeado es llevado a cabo y se evalan los resultados. Varias consideraciones son recomendadas antes de ejecutar un experimento, por ejemplo:
* Seleccionar el lugar donde se realizara el experimento. Es importante asegurarse que el espacio no se debe afectar por ninguna fuente externa de ruido (vibracin, humedad, etc.).
* Disponibilidad de los materiales/de las piezas, de los operadores, de las mquinas, etc. requeridos para realizar el experimento.
* Evaluar la viabilidad en trminos de costos, utilizando un anlisis de costo-beneficio. Una evaluacin se debe realizar para verificar que el experimento es la nica solucin posible para el problema actual y justificar que las ventajas que se ganarn del experimento excedern el costo del experimento.
Los pasos siguientes pueden ser tiles para asegurar el diseo experimental:
1. La persona responsable del experimento debe estar presente a travs del experimento. Para reducir la variabilidad de operador-a-operador, es mejor utilizar al mismo operador en todo el experimento.
2. Supervisar los ensayos experimentales. Encontrar cualquier discrepancia mientras se desarrolla el experimento. Es recomendable parar el experimento si se encuentran algunas discrepancias.
4. La fase de anlisis. Una vez realizado el experimento, la siguiente fase es analizar e interpretar los resultados para analizar e interpretar los resultados y derivar conclusiones vlidas. En un diseo experimental, los siguientes posibles objetivos son los alcanzarn a partir de esta fase: * Determinar las variables independientes que influyen el funcionamiento del proceso.
24
que se
* Determinar las variables independientes que influyen en la variabilidad del proceso. * Determinar las variables independientes que optimizan el funcionamiento del proceso.
1.6 Seleccin de caractersticas de calidad para los experimentos industriales.
La seleccin de una caracterstica de calidad apropiada es vital para el xito de un experimento. Teniendo establecida esta caracterstica de calidad, el objetivo es identificar los mecanismos que pudieran afectarla. Los siguientes puntos son tiles en la seleccin de las caractersticas de calidad para los experimentos: 1. Utilizar las caractersticas de calidad que son fciles de medir 2. Las caractersticas de calidad deben ser variables continuas tal como sea posible. 3. Utilice las caractersticas de calidad que se pueden medir con exactitud y estabilidad. 4. Para los procesos complejos es mejor seleccionar caractersticas de calidad a nivel de subsistema y realizar experimentos a este nivel antes de intentar la optimizacin de proceso total. 5. Las caractersticas de calidad deben preferiblemente ser aditivas (es decir que no exista ninguna interaccin entre las caractersticas de calidad). con
1.7
Barreras en la aplicacin del diseo de experimentos.

El diseo experimental es una parte esencial para la mejora eficaz en el
funcionamiento de un proceso o producto de calidad. En esta seccin se presentan algunas barreras en la aplicacin exitosa del diseo experimental.
25
La aplicacin efectiva del diseo experimental es limitada en muchas ocasiones por las organizaciones. Algunas barreras son: 1. Barreras educativas. El trmino estadstica invoca miedo, el problema fundamental comienza con la educacin estadstica actual que se imparte en los planes de estudios. Los cursos que tradicionalmente se imparten en los planes de estudio, principalmente en la formacin superior son: teora de la probabilidad, distribuciones de probabilidad y temas de aspectos matemticos en lugar de tcnicas practicas de gran utilidad en las organizaciones, tales como: mtodo Taguchi, diseos robustos, control estadstico de procesos, capacidad de procesos, entre otros. A los profesionales se les debe ensear este tipo de herramientas de gran alcance, a travs de estudios de casos. Esto asegurar una mejor comprensin del uso de tcnicas estadsticas antes de que incorporen el mercado de trabajo. 2. Barreras de la agencia. La gerencia no entiende la importancia de los diseos
experimentales en la solucin de problemas, ni aprecian el valor competitivo que trae en la organizacin. La falta de conocimiento de la gerencia en estadstica poda llevar a problemas tales como elevados costos para lograr la calidad en los productos o servicios, mal calidad y por lo tanto, prdida de competitividad en mercados mundiales 3. Barreras culturales. Las barreras culturales es una de las principales razones por la cual el diseo de experimentos no es comnmente usado en muchas organizaciones. La gerencia debe ser preparada para afrontar todas las barreras culturales que pudieran estar presentes dentro de la organizacin, ms que cualquier miedo en el entrenamiento para comprender la aplicacin del diseo de experimentos. Muchas organizaciones no estn culturalmente listas para la introduccin y la implementacin en las tcnicas avanzadas de la mejora de calidad. La mejor manera de superar esta barrera est es con programa de entrenamiento intensivo y demostrando el acierto del uso de tales tcnicas en otras organizaciones.
4. Barreras de la comunicacin. La investigacin ha indicado que la comunicacin entre el mundo acadmico y la industria es muy limitada. Por otra parte, la comunicacin entre ingenieros industriales, gerentes y estadsticos en muchas organizaciones tambin es
26
limitada. Para el xito de cualquier programa de mejora de calidad, estas comunidades deben trabajar juntos y hacer esta barrera menos temible. Por ejemplo, la carencia del conocimiento estadstico poda llevar a los problemas tales como interpretacin de datos histricos o malentendido de la naturaleza de interacciones entre los factores considerados para un experimento dado. Similarmente, la carencia de los estadsticos en el conocimiento de las necesidades de las industrias u organizaciones podra llevar a problemas tales como seleccin indeseable de variables de proceso y de caractersticas de calidad para el experimento, carencia de la precisin y exactitud del sistema de medida, etc.
27
Actividades unidad I
Da respuesta a las siguientes preguntas. 1. Cul es el papel del diseo experimental? 2. Cules son los tres principios bsicos del diseo experimental? 3. Explique el papel de la aleatorizacin en los diseos experimentales. 4. Que es la rplica? Por qu es necesario replicar los ensayos experimentales? 5. Indique tres factores claves para la seleccin de caractersticas de calidad para el xito de un experimento. 6. En el contexto de un diseo de experimentos, qu es una variable respuesta?, qu es un factor? y qu relacin se esperara que haya entre la variable y los factores? 7. Proponga una situacin considerando su rea de trabajo o de inters tal que requiera la utilizacin de un procedimiento experimental con la finalidad de resolver un problema. * Cules son las unidades experimentales? * Quin representa la caracterstica de calidad o escala de medicin? * Describe los elementos de la estructura de tratamiento y de la estructura de diseo. * Cmo aplicaras los principios bsicos en tu diseo propuesto? variable respuesta? Cul es su
28
Unidad 2. Diseo estadstico de experimentos.

El objetivo principal en este captulo es plantear diseos experimentales y su correspondiente anlisis estadstico cuando se tiene una situacin en donde se considera estudiar los efectos que sobre una variable respuesta tiene los niveles de un solo factor. Esta estructura unifactorial presenta una variedad de posibilidades de diseos experimentales atendiendo a la estructura de diseo apropiado.
2.1
Diseo Completamente al azar.
El primer diseo experimental que discutiremos atiende a una estructura de diseo en la que se supone que durante el experimento por realizar no habr influencias importantes de factores de ruido que hagan necesario el agrupamiento de unidades experimentales. Con esto se considerar en este diseo que las unidades experimentales se pueden tener en cuenta como un solo grupo homogneo, por lo que la aleatorizacin de los tratamientos (en este caso los niveles del factor) no ser necesario sujetarla a restricciones, es decir, se llevara a cabo la aleatorizacin sin restricciones en la forma de asignar los tratamientos a las unidades experimentales. A este tipo de diseo se le denomina completamente al azar.
El anlisis estadstico que se aborda en la siguiente ilustracin tiene como objetivo la comparacin de dos poblaciones, que representan lo que genricamente denominamos tratamientos, pudiendo referirnos bajo esta denominacin a dos mquinas, dos mtodos de trabajo, dos catalizadores, dos proveedores, o dos tipos de materia prima distintos. Dicha comparacin se realiza a partir de datos muestrales.
Se tratar de determinar si la diferencia que presentan las medias de las dos muestras es indicativa de una diferencia en las medias poblacionales o si, por el contrario,
29
puede ser atribuida al azar. Es importante tener presente que el estudio estadstico no se refiere simplemente a la aplicacin del anlisis de datos, se empieza con un claro
planteamiento del problema y sigue con el adecuado diseo de la obtencin de datos. A continuacin de realiza un anlisis exploratorio para detectar posibles valores anmalos, constatar que no existe evidencia de incumplimiento de las hiptesis del mtodo, y tambin para obtener unas primeras conclusiones en torno al objetivo del estudio. Finalmente, se realiza el contaste de hiptesis y se interpreta el resultado obtenido.
2.1.1
Comparacin de dos tratamientos
Ilustracin. Planteamiento del problema y obtencin de datos
Una industria dedicada al curtido de pieles utiliza normalmente una cierta solucin A, en la que sumerge el cuero durante 4 horas en la fase final de su proceso de curtido. Aunque el producto A, produce unos resultados satisfactorios, se presenta la oportunidad de sustituirlos por otro producto B, considerablemente ms barato. Se sospecha, sin embargo, que la nueva solucin puede afectar a las caractersticas del cuero reduciendo su resistencia a la traccin. Los responsables del proceso deciden cambiar, slo en el caso de constatar experimentalmente que la nueva solucin no reduce la resistencia a la traccin. Para ello, realizan unos experimentos con el fin de analizar los resultados obtenidos y tomar una decisin sobre este tema.
Para la realizacin del experimento se toman 20 porciones de cuero, todos ellos de calidad y caractersticas lo ms parecidas posibles, y aleatoriamente se asignan 10 para ser tratados con el producto A y otros 10 con el B.
Para realizar la prueba se dispone de 20 recipientes, todos ellos idnticos, a 10 de los cuales se le asigna la solucin A y a otros 10 la B. Los trozos de cuero se sumergen simultneamente, y todos ello se retiran al cabo de las 4 horas. Posteriormente se dejan reposar durante 2 das (todos ellos en iguales condiciones) y se procede a medir su
30
resistencia a la traccin, aplicando una metodologa perfectamente definida. Para evitar la influencia de posibles derivas en el aparato de medida, o vicios, en el proceso de medicin, ste se realiza tambin de manera aleatoria.
La obtencin de datos debe hacerse de forma que el nico factor que influya de forma distinta en ambas muestras sea aquel cuyo efecto se desea estudiar. Si otros factores afectaran de forma distinta, sera imposible distinguir si las diferencias apreciadas deberan ser atribuidas al factor estudiado o a otros de los que accidentalmente hubieran podido influir.
Deber, seguirse, por tanto, dos reglas bsicas al planificar la obtencin de datos:
1) Asegurarse de que todos los factores que puedan tener alguna influencia en la respuesta influyan igual en las muestras de estudio. 2) Aleatorizar todo lo que se pueda para protegerse de posibles sesgos introducidos por factores no identificados.
As, en el ejemplo de la comparacin de soluciones ha sido necesario asegurarse de que todos los factores que podan influir en la respuesta (tipo de piel, tiempo que est sumergida en la solucin, tiempo y condiciones de secado) afectaran de la misma forma a las unidades experimentales. Y aunque consideremos que los 20 cortes de piel son muy parecido (no sern idnticos), los asignaremos aleatoriamente a cada tratamiento y, por si influyera el orden de medicin, tambin se midio aleatoriamente.
Los valores obtenidos (en unidades de la escala del aparato de medida) son los que figuran en la Tabla 2. El valor indicado en parntesis en la tabla de resultados, se refiere a su orden de obtencin.
31
Tabla 2. Datos del experimento.

Solucin A
Solucin B
Supongamos, como hiptesis de partida, que las resistencias a la traccin son iguales, independientemente de la solucin utilizada. A esta hiptesis se la denomina hiptesis nula y supondremos, asimismo, que en caso de no cumplirse dicha hiptesis,
las unidades curtidas con la solucin A tendrn una resistencia mayor que las que hayan utilizado la solucin B. Esta hiptesis, que es la que consideramos que se cumple en el caso de no cumplirse la hiptesis nula, se denomina hiptesis alternativa pueden plantearse mediante la siguiente expresin: . Estas hiptesis
vs
Es frecuente realizar la hiptesis de que las poblaciones de las cuales provienen las muestras son normales, por tanto, podemos escribir:
y anlogamente para los valores obtenidos con la solucin B:
El estadstico de prueba empleado para realizar la prueba de hiptesis es:

tc ( y A yB ) 1 1 s n A nB
32
donde:
2 (n A 1)s12 (nB 1)s 2 (n A nB 2)
2 p
La conclusin estadstica de evidencia para rechazar la hiptesis nula, es:

tc t (n1 n2 2, / 2)
Para emplear este estadstico de prueba, se debe suponer que las varianzas poblacionales son iguales. En el caso de que las varianzas muestrales presentaran mayor diferencia, antes de realizar este supuesto se debera realizar la prueba de igualdad de varianzas.
Anlisis exploratorio. Siempre conviene representar los datos grficamente. En la Figura 8 se presentan el diagrama de cajas y alambres correspondientes a ambos conjuntos de datos. No se observan valores anmalos, y ya se prev que la diferencia de medias va a resultar significativa.
27
26
25
Resistencia
24
23
22
21 A B
Figura 8. Grfico de cajas correspondiente a los datos obtenidos en las pruebas de curtido
33
Los clculos para determinar la diferencia entre las medias es: en primer lugar se obtienen las estadsticas descriptivas para cada tratamiento, tal como se muestra en la Tabla 3. Tabla 3. Resumen estadstico Solucin A 10 ni
Solucin B 10 23.62 1.237
y si
25.14 1.242
Posteriormente se obtiene el estadstico de prueba t-student.
Finalmente se obtiene el valor de tablas de la distribucin t (ver anexo ), y se propone un nivel de , tenemos que:
Una vez realizados los clculos y con base en la conclusin estadstica, se comparan los valores y se observa que:
tc
2.74
2.10
Esto indica rechazar estadsticamente la hiptesis nula
con un nivel de confianza
del 95%., se concluye que existen diferencias en las resistencias a la traccin.
34
Los resultados que proporciona el paquete Minitab es el siguiente:
Figura 9. Salidas del paquete Minitab.
Empleando los resultados del programa Minitab, se compara el valor de probabilidad (P-value = 0.013) con un nivel de significancia de 0.05, dado que el valor p es menor que el nivel de significancia, se rechaza la hiptesis nula.
Una vez recogidos los datos es necesario constatar que nada se opone al cumplimiento de las hiptesis en que se basa el mtodo a aplicar. stas son: * Normalidad: Una forma prctica de comprobarlo sera realizando los histogramas de ambas muestras, o a travs de las pruebas de bondad de ajuste, entre las cuales se encuentran las pruebas de Kolmogorov-Smirnov, Lillieford y Shapiro Wilks. (Se abordaran ms adelante)
En cualquier caso, sta es una hiptesis poco crtica, ya que lo que realmente se supone es que las medias se distribuyen normal, lo cual en general podr considerarse cierto por el teorema central del lmite. Por otra parte, se conoce que las pruebas que utilizan como distribucin de referencia la t-Student son robustas frente a la hiptesis de normalidad.
* Independencia: Es una hiptesis que suponemos al decir que el origen de los datos pone de manifiesto si las poblaciones pueden considerarse independientes o no.
35
* Igualdad de varianzas poblacionales: Para probar de manera formal la hiptesis de igualdad de varianzas existen varios estadsticos propuestos; Hartley, Leven y F de Snedecor. Este tema de homogeneidad es importante porque frecuentemente en la naturaleza o en los procesos, aparecen datos que tiene el error experimental con una variabilidad no homognea entre tratamientos. Ante la presencia de heterogeneidad algunos ajustes a los datos o la aplicacin de otros procedimientos se deben emplear para su anlisis. El planteamiento estadstico es realizar la prueba de hiptesis sobre la igualdad de varianzas, esto es:
2.1.2
Comparacin de ms de dos tratamientos.
Como se vio anteriormente, para la comparacin de dos medias se utiliza, en la mayora de los casos, un estadstico que tiene como distribucin de referencia la t-Student.
Algunos ejemplos donde el inters es comparar el efecto de ms de dos tratamientos.
a) Una compaa decide cambiar las formulaciones para aumentar la resistencia de papel, las nuevas formulaciones se basan en el uso de un slido al cual se le agregan alternativamente cuatro diferentes concentraciones (en %), de una sustancia qumica; se consideraron cuatro porcentajes. La tensin del papel es la respuesta y se mide en unidades psi.
Factor: La formulacin Niveles: Las cuatro concentraciones de sustancias. Respuesta: Tensin del papel.
36
b) El objetivo es evaluar el efecto que la temperatura de fundicin tiene sobre la soldadura en un circuito electrnico montado en una tarjeta. En el ensamble final, un ingeniero evala la efectividad de la soldadura considerando el nmero de falsos contactos en cada circuito.
Factor: Diferentes temperaturas Niveles: (120 0 C , 1400 C , 180 0 C ) Respuesta: Nmero de falsos contactos
c) En cierta empresa, se realiz un experimento psicolgico para comparar los tiempos de reaccin ante emergencias. Se utilizaron tres estmulos diferentes, que fueron aplicados a 16 empleados del rea administrativa.
Factor: Estimulo Niveles: Estimulo A, Estimulo B, Estimulo C Respuesta: tiempo de reaccin
d) Un psiclogo clnico
desea comparar cuatro mtodos para reducir los niveles de
hostilidad en trabajadores de cierta dependencia de gobierno que atienden al pblico. Los niveles de hostilidad se miden con una prueba (puntajes altos indican alta hostilidad). Seleccion al azar 20 trabajadores, a 16 se les aplicaron los mtodos A, B y C
aleatoriamente. A los cuatro empleados restantes, no se les aplic ningn mtodo, tratamiento D o control. Interesa medir la puntuacin obtenida por cada trabajador en la prueba de hostilidad
Factor: Mtodo Niveles: Mtodo A, Mtodo B, Mtodo C, Mtodo D (control) Respuesta: puntaje obtenido en la prueba
Como se puede notar del planteamiento de los ejemplos, la comparacin se puede extender a ms de dos tratamientos, es decir considerar un factor con dos o ms niveles, si
37
as se considera que un factor influye en la respuesta de una caracterstica de inters para el producto.
Cuando se trata de comparar ms de dos medias, la tcnica que se utiliza recibe el nombre de anlisis de varianza.
2.1.3
Modelo estadstico
En diseo experimental asumiremos que la variable de respuesta est afectada por los factores de investigacin y por el error aleatorio o ruido, el cual incluye todos los factores que durante el experimento no estn bajo control del experimentador: distracciones locales; factores ambientales que el experimentador no puede controlar durante el experimento; algunos errores de medicin y; otras variables que en principio no fueron de inters para ser consideradas de manera explcita en la investigacin.
Por medio del modelo se pretende poner en evidencia que las salidas del proceso (respuestas, variable de respuesta, variable dependiente, caractersticas de calidad)
dependen de las entradas (estmulos, tratamientos, factores, variables independientes, insumos) y del error. La expresin en s misma ya lleva implcito el supuesto de aditividad, es decir, la variable respuesta se obtiene sumando los efectos de los factores de
investigacin con el error
Tenemos
tratamientos, los cuales tienen sus respectivas medias
,...,
respectivamente. Las observaciones para cada tratamiento son las siguientes:
Tratamiento 1 2 k
Observaciones y11 , y12 ,.., y1n1
y21 , y22 ,.., y2 n 2
yk1 , yk 2 ,.., y knk

38
donde
representa la j sima observacin en el i simo tratamiento y n i representa el
tamao para el i simo tratamiento El modelo toma la siguiente cada forma , ,
donde
es la respuesta en la j-sima unidad experimental en el i-simo tratamiento.; es el efecto en el i-simo tratamiento;
es es el
la media global de todos los tratamientos;
error aleatorio asociado con la j-sima unidad experimental en el i-simo tratamiento. Este modelo se conoce como el modelo de una va.
Conceptualmente las observaciones en un tratamiento difiere fundamentalmente en las observaciones de otro tratamiento, debido a que las unidades fueron tratadas en forma diferente. En este sentido, el parmetro se desva representa un promedio global a partir del cual Las magnitudes de estas desviaciones son
la media de cada tratamiento. .
representadas por el parmetro,
2.1.4
Anlisis de varianza (ANOVA)
En este apartado se presentar el procedimiento del anlisis estadstico denominado anlisis de varianza (ANOVA) que permite probar la hiptesis que se plantea en un diseo de un factor con dos o ms niveles sobre las diferencias entre tratamientos
El anlisis de varianza es la tcnica central en el anlisis de datos experimentales. La idea central es separar la variacin total de la variable respuesta en las partes con las que contribuye cada fuente de variacin en el experimento, es decir, se separa la variabilidad debida a los tratamientos y la debida al error. Cuando la primera predomina claramente sobre la segunda, es cuando se concluye que los tratamientos tienen efecto, dicho de otra
39
manera, las medias son diferentes. Cuando los tratamientos no dominan contribuyen igual o menos que el error, por lo que se concluye que las medias son iguales.
El objetivo
del anlisis de varianza es probar la hiptesis de igualdad de
tratamientos con respecto a la media de la correspondiente variable respuesta. Cuando un factor tiene k niveles, el problema de comparacin de los k efectos se plantea como el contraste de dos hiptesis:
H0 :
H1 :
...
para al menos un par i
En trminos de los tratamientos
para probar que hay efecto de tratamiento, una
prueba de hiptesis equivalente a la planteada en trminos de las medias es:
, para alguna
donde
es el efecto del tratamiento sobre la variable respuesta.
En la Figura 10 se observa que el efecto del tratamiento , es la distancia entre la respuesta media del tratamiento, , y la respuesta media global , y cuando un efecto es
igual a cero equivale a decir que la media del tratamiento correspondiente es igual a la media global. As, se observa que para que todas las respuestas medias de tratamiento sean iguales a la respuesta media global , representada por la lnea horizontal, se requiere que todos los efectos sean iguales a cero.
40
Figura 10. Representacin de los efectos de los tratamientos.
2.1.5
Construccin e interpretacin de la tabla de anlisis de varianza.
Lo primero es descomponer la variabilidad total de los datos en sus dos componentes: la variabilidad debida al tratamiento y la que corresponde al error aleatorio, como se hace a continuacin:
El primer componente es la suma de cuadrados de tratamientos por:

SCtrat n1 ( y1 y) 2 n2 ( y 2 y) 2 ... ni ( y i y) 2
, esta dada
A la media general de todos los datos se le denomina . El segundo es la suma de cuadrados del error .
SCerror
( y11
y1 ) 2
( y21
y1 ) 2 ... ( yij
yk ) 2
La descomposicin de la suma total de cuadrados se puede escribir como:
SCtotal
SCTrat
SC Error
41
Cuando hay un total de libertad. Hay
, observaciones, la
tiene N-1 grados de tiene
tratamientos o niveles del factor de inters, as que tiene
grados de libertad, mientras que la
. La suma de cuadrados divididos
entre sus respectivos grados de libertad se llaman cuadrados medios. Los dos que ms interesan son el cuadrado medio de tratamiento y el cuadrado medio del error, que se denota por:
y En la Tabla 4 se muestra la tabla de anlisis de varianza para un diseo completamente al azar.
Tabla 4. Anlisis de varianza.
El estadstico numerador y
sigue una distribucin
con
grados de libertad en el es grande, se es pequeo
grados de libertad en el denominador. Se deduce que si
contradice la hiptesis de que no hay efectos de tratamientos; en cambio, si se confirma la validez de si rechaza valor-p= , donde si el valor . As, para un nivel de significancia
prefijado, se rechaza Tambin se , es decir, el
es el percentil de la distribucin
, donde valor-p es el rea bajo la distribucin
.Esta probabilidad es difcil obtener en forma manual, para ello se
obtiene con ayuda del software estadstico.
Para ilustrar su aplicacin utilizaremos los datos que corresponden a la productividad media por hora en el montaje de un cierto mecanismo, segn que el procedimiento empleado sea el A, el B o el C. Supondremos que la obtencin de los datos se ha aleatorizado convenientemente y que nada hace suponer que exista algn factor que
42
no ejerza el mismo tipo de influencia. puede decirse que los tres procedimientos dan diferente productividad?, y en este caso, cul o cules son distintos?. El razonamiento que se hace en la solucin de este tipo de problemas es considerar que los tres procedimientos dan la misma productividad o, por el contrario, la productividad es diferente.
Que los tres procedimientos den la misma productividad significa que sus medias poblacionales son iguales, es decir que podemos plantear la hiptesis nula de la forma:
La hiptesis alterna
es la que se considera cierta en el caso de que no se
cumpliese la hiptesis nula, que en este caso ser simplemente considerar que no todas las medias son iguales. Los datos para el ejemplo son:
Tabla 5. Datos sobre productividad. Procedimiento A B C 2.6 3.2 2.6 Productividad 2.5 3.1 3.1 3.5 2.5 2.7 2.6 3.4 2.7 Media 2.7 3.3 2.6
Antes de realizar el anlisis de varianza, se deben considerar algunos supuestos: Los datos correspondientes a cada tratamiento deben ser muestras aleatorias de sus correspondientes poblaciones, poblaciones que deben ser normales y con varianzas homogneas, es decir, iguales en todo excepto, quiz, en su media. Un adecuado anlisis exploratorio sirve para verificar que nada se opone al cumplimiento de los supuestos establecidos.
Clculos manuales para el ANOVA

SCtrat 4(2.70 2.875 ) 2 4(3.30 2.875 ) 2 4(2.625 2.875 ) 2 1.095
SCerror
(2.60 2.70) 2 (2.5 2.70) 2 (3.1 2.70) 2 (2.6 2.70) 2 (3.2 3.30) 2 (3.1 3.30) 2 (3.5 3.30) 2 (3.4 3.30) 2 (2.6 2.625) 2 (2.5 2.625) 2 (2.7 2.625) 2 (2.7 2.625) 2 0.3475
43
SCtotal
1.095
0.3475
1.4425
Los cuadrados medios de tratamientos y del error son los siguientes:
=0.0386
Estadstico de prueba:
Con toda esta informacin se procede a llenar la tabla de anlisis de varianza. Tabla 6. Resultados del anlisis de varianza.
Comparando el estadstico de prueba
con el valor de tablas
. Tenemos que (14.18>4.26), entonces se rechaza la hiptesis nula, con lo cual se concluye que con una confiabilidad del 95% existe diferencia en la productividad entre los tres procedimientos. Uso de software.
Casi cualquier software estadstico incluye procedimientos para realizar anlisis de varianza, a continuacin se presenta el anlisis con el software Minitab.
44
Figura 11. Resultados del anlisis de varianza, utilizando el software Minitab.
Recordar que otro criterio para rechazar la hiptesis nula es comparando el valor de probabilidad y el nivel de significancia. Si el valor p es menor que que es menor que , entonces se rechaza se rechaza . . Dado
2.1.6
Grfico de medias.
Cuando se rechaza
mediante el ANOVA, y se concluye que no hay igualdad
entre las medias poblacionales de los tratamientos, pero no se tiene informacin especfica sobre cules tratamientos son diferentes entre s, el grfico de medias (means plot) permite hacer una comparacin visual ms estadstica de las diferencias de medias de los tratamientos que la hecha con los diagramas de cajas. En la Figura 12 se presenta el grfico de medias. Este grfico muestra intervalos de confianza para las medias de cada uno de los tratamientos, si dos intervalos de confianza se traslapan, los tratamientos correspondientes son estadsticamente iguales en cuanto a sus medias; si no se traslapan, entonces son diferentes.
45
Intervalos de coanfianza al 95% 3.6 3.4 3.2
Productividad
3.0 2.8 2.6 2.4 2.2 A B C
Figura 12. Grfico de medias para el ejemplo de la productividad obtenida mediante tres procedimientos. La conclusin del experimento en base al grfico de medias es que el mejor procedimiento parece ser el B ya que sus calificaciones de productividad son las ms altas que los procedimientos A y C. De ah tenemos que los procedimientos B y C son diferentes, dado que los intervalos no se traslapan. Si se quisiera decidir en forma estadstica sobre la diferencia entre los procedimiento, una forma de hacerlo es a travs de las Comparaciones o pruebas de rango mltiples. Las cuales se detallan a continuacin.
2.2
Comparaciones mltiples.
Cuando se acepta la hiptesis nula , el objetivo del
experimento est cubierto y la conclusin es que los tratamientos son iguales. Si por el contrario se rechaza algn , y por consiguiente se acepta la hiptesis alterna para
, es necesario investigar cules tratamientos resultaron diferentes, o cules
tratamientos provocan la diferencia. Como se acaba de ilustrar en la grfica de medias, estas interrogantes se responden probando la igualdad de todos los posibles pares de medias, mediante las hiptesis vs
46
para toda
. Para probar estas hiptesis se han propuesto muchos mtodos diferentes,
conocidos como mtodos de comparaciones mltiples o pruebas de rango mltiple. La diferencia primordial entre los mtodos radica en la potencia que tienen para detectar las diferencias entre las medias. Se dice que una prueba es ms potente si es capaz de detectar diferencias ms pequeas, siempre y cuando estas diferencias sean reales.
1. Mtodo de Diferencia Mnima Significativa (LSD)
Una vez que se rechaz
en el ANOVA, el problema es probar la igualdad de
todos los posibles pares de medias con la hiptesis vs para toda ejemplo, si . Para tratamientos se tienen en total pares de medias. Por
existen
posibles pares de medias. El estadstico de prueba para
cada una de las hiptesis dadas es la correspondiente diferencia en valor absoluto entre sus medias muestrales . Se rechaza la hiptesis , s ocurre que
donde
se localiza en las tablas de la distribucin
de Student con
grados de
libertad que corresponden al error, el de la tabla de anlisis de varianza, tratamientos y
es el cuadrado medio del error y se obtiene son el nmero de observaciones para los
y , respectivamente. La cantidad LSD se llama la diferencia mnima
significativa ya que es la diferencia mnima que debe haber entre dos medias muestrales para poder considerar que los tratamientos correspondientes son significativamente diferentes. As, cada diferencia de medias muestrales en valor absoluto que sea mayor que el nmero LSD se declara significativa. Se destaca que el diseo es balanceado, es decir, si , la diferencia mnima significativa se reduce a:
47
El mtodo LSD tiene una potencia importante, por lo que en ocasiones aun pequeas diferencias las declara significativas. Trabaja con un usuario. mayor al declarado por el
Ilustraremos esta prueba continuando con el ejemplo de la productividad, en el cual se rechaz la hiptesis
Y se concluye que al menos una de las medias de tratamiento (procedimientos) son diferentes entre s. Para investigar cules pares de medias son estadsticamente diferentes se prueban los tres posibles pares de hiptesis:
vs vs vs
En la tabla de anlisis de varianza se observa que los grados del error son 9, y que el cuadrado medio del error es , de la distribucin . Si usamos una significancia predefinida de de student con 9 grados de libertad se obtiene replicas, se procede a calcular
. Recordar que en cada tratamiento se hicieron el nmero LSD como:
La decisin sobre cada una de las tres hiptesis listadas arriba se obtiene al comparar las correspondientes diferencias de medias muestrales en valor absoluto con el nmero . Se declaran significativas aquellas diferencias que son mayores a este nmero. Los resultados se muestran a continuacin:
48
Tabla 7. Resultados de las comparaciones de medias con LSD. Diferencia poblacional Diferencia muestral en valor absoluto 0.60 > 0.3142 0.075 < 0.3142 0.675 > 0.3142 y . Decisin Significativa No significativa Significativa
De esta tabla se concluye que
2. Mtodo de Tukey
Un mtodo ms conservador para comparar pares de medias de tratamientos es el mtodo de Tukey, que consiste en comparar las diferencias entre medias muestrales con el valor crtico dado por
donde
se obtiene de la tabla de anlisis de varianza, en funcin del es el nmero de observaciones por tratamiento, es
cuadrado medio del error y
igual a los grados de libertad para el error,
es el nivel de significancia y el estadstico
son puntos porcentuales de la distribucin del rango estudentizado, este valor se obtiene de la tabla de Tukey (anexo). Se declaran significativamente diferentes los pares de medias cuya diferencia muestral en valor absoluto sea mayor que mtodo LSD, el mtodo Tukey trabaja con un experimentador. . A diferencia del
muy cercano al declarado por el
Para aplicar este mtodo al ejemplo de la productividad obtenida por tres tipos de procedimientos, a partir de la tabla de anlisis de varianza se calcula el error estndar de las medias de tratamientos: =0.0982
De las tablas del rango estudentizado, para de manera que el valor crtico es:
se obtiene
49
que al compararlo con las diferentes pares de medias muestrales los resultados sobre las tres hiptesis son:
Tabla 8. Resultados de las comparaciones de medias con Tukey. Diferencia poblacional Diferencia muestral en valor absoluto 0.60 > 0.3879 0.075 < 0.3879 0.675 > 0.3879 . Decisin Significativa No significativa Significativa
Se concluye que
El alumno se familiarizar con los conceptos bsicos en diseos factoriales. Ser capaz de construir y analizar diseos experimentales con dos factores; as tambin, interpretara la significancia de los efectos principales e interacciones. 3. Mtodo de Dunnet En ocasiones uno de los tratamientos a comparar es el llamado tratamiento control tratamientos restantes con dicho control. En
y el inters fundamental es comparar los
muchos casos el tratamiento se refiere a la ausencia de tratamiento, es decir, a un grupo de individuos no se les aplica el tratamiento que se est comparando. Por ejemplo, al comparar varios medicamentos para el resfriado es conveniente que uno de los tratamientos sea el que los pacientes no utilicen ningn medicamento; esto sirve de referencia para decidir la posible utilidad de los medicamentos.
Por facilidad denotemos como tratamiento control al Comparar respecto al control implica probar las hiptesis dadas por:
tratamiento.
vs
50
donde
es el tratamiento control. La hiptesis nula se rechaza si:
donde medio del error.
se encuentran en una tablas;
son lo grados de libertad del cuadrado
2.3
Verificacin de los supuestos del modelo.
Los supuestos implicados por el modelo
no deben ser rutinariamente
aceptados; la verificacin de stos se traduce en la validacin del modelo estadstico. Este modelo representa el diseo de un factor en niveles complemente aleatorizados. As el est alrededor de la media , y se expresa por ende como
modelo indica que la j-sima observacin del tratamiento ms el error . que constituye la parte aleatoria de la
Anlisis de residuales
Como todo modelo,
es slo una aproximacin a lo real y como tal
siempre debe diagnosticarse el ajuste de los datos al modelo; para el diagnstico de manera esencial se calculan los residuales.
Los residuales
representan buenas estimaciones de los errores
, si el modelo
se ajusta a los datos observados experimentalmente. Entonces se analizan los residuales para observar si se parecen o no a los errores tericos, o dicho de otra manera, para comprobar si los supuestos en el modelo se cumplen de manera adecuada.
51
En general mediante el anlisis de residuales se busca detectar:
1. Si existen dentro del conjunto de datos, datos atpicos (valores muy pequeos o muy grandes) respecto al patrn general sugerido por el modelo. 2. Si la variabilidad de los errores se muestra no constante. 3. Si hay evidencia de que la distribucin de los errores se desve con respecto a la normalidad.
El enfoque actual para el anlisis de residuales es por medio de grficas. Histograma de residuales
El histograma es una herramienta sencilla para representar de manera grfica los residuales. Con un nmero grande de observaciones, el histograma de residuales permite indagar si no hay desviaciones de una apariencia que distinga a una distribucin normal centrada en cero. Con el histograma se podran detectar tambin residuales atpicos respecto al grupo principal. Los residuales se muestran en la Tabla 9. Tabla 9. Residuales por tratamiento. Tratamiento Respuesta A 2.6 A 2.5 A 3.1 A 2.6 B 3.2 B 3.1 B 3.5 B 3.4 C 2.6 C 2.5 C 2.7 C 2.7 Medias 2.7 2.7 2.7 2.7 3.3 3.3 3.3 3.3 2.62 2.62 2.62 2.62 Residuales -0.1 -0.2 0.4 -0.1 -0.1 -0.2 0.2 0.1 -0.02 -0.12 0.08 0.08
52
Grfica de probabilidad normal de los residuales.
Este tipo de grfica, servir para verificar el supuesto de normalidad de los errores del modelo. As, este grfico lo constituyen dos ejes perpendiculares: el eje de las abscisas corresponden a los residuales, y el eje de las ordenadas son los cuantles, obtenidos de la distribucin normal. Estos ejes trazados mostrarn un patrn rectilneo aproximadamente si los son normales. En la figura anterior se muestra un grfico e probabilidad normal
para los residuales. En este caso no se aprecia una desviacin marcada, por lo que no hay evidencia para dudar de la suposicin de normalidad de los errores.
A continuacin se muestran las herramientas grficas para analizar el supuesto de normalidad. Es importante aclarar que cuando el nmero de observaciones es pequeo el histograma no es muy recomendable para analizar el supuesto de normalidad, ante esta situacin es recomendable utilizar el grfico de probabilidad normal.
Figura 13. Grficas de probabilidad normal. Pruebas de bondad de ajuste.
Las pruebas de bondad de ajuste consisten en determinar si los datos de cierta muestra corresponden a cierta distribucin poblacional (o probabilidad terica o empricas). Existen varios mtodos para evaluar la normalidad de un conjunto de datos: (a) Mtodo grfico y (b) Pruebas de hiptesis.
53
En el mtodo grfico se encuentra el histograma tal como se analizo anteriormente, mediante este procedimiento se compara los valores de los datos observados con una distribucin normal; sin embargo resulta problemtico con muestras pequeas.
Para las pruebas de hiptesis se encuentran: (1) Kolmogorov-Smirnov, (2) Lillieford y (3) Shapiro-Wilks.
La Prueba de Kolmogorov-Smirnov. Est diseada para emplearse en una variable continua. Se requiere construir una distribucin de probabilidad acumulada tanto para la muestra como para la poblacin hipottica. De forma grfica se busca lo siguiente:
Se requiere construir una distribucin de probabilidad acumulada tanto para la muestra como para la poblacin hipottica. A partir de esta idea el estadstico de prueba est definido por el punto que presenta la distancia vertical ms grande a cualquier punto entre las dos distribuciones de probabilidad acumuladas.
Dmax
Terica muestral
Grficamente se representa de la siguiente forma:
La
notacin
representa
la
distribucin acumulada de la poblacin, mientras que representa la distribucin muestral que
est siendo evaluada
54
La hiptesis que se plantea es:
vs Para ilustrar la aplicacin se muestra el siguiente ejemplo:
Un investigador dirige un estudio para evaluar el tiempo en pacientes con migraa responden a una droga administrada va intravenosa proviene de una distribucin normal. La longitud de tiempo que transcurre entre la administracin de la droga y la disminucin del dolor de cabeza para 30 pacientes son los siguientes:
21, 32, 38, 40, 48, 55, 63, 66, 70, 75, 80, 84, 86, 90, 90, 93, 95, 98, 100, 105, 106, 108, 115, 118, 126, 128, 130, 142, 155.
Utilizando el programa Minitab el resultado es el siguiente:
Normal
99 Mean StDev N KS P-Value 87.11 33.92 28 0.071 >0.150
95 90 80 70
Percent
60 50 40 30 20 10 5
20
40
60
80 100 tiempo
120
140
160
180
Figura 13. Grficas de probabilidad normal para los datos del tiempo de respuesta a una droga.
55
El programa proporciona un grafico de probabilidad normal y en un recuadro da un resumen estadstico de la variable bajo estudio, en el cual se encuentra el valor de probabilidad, el cual resulta mayor a 0.150, este valor es mayor a un nivel de significancia de 0.05, por lo tanto no se rechaza la hiptesis nula y se concluye que la muestra proviene de una distribucin normal.
2.4
Diseo en bloques completos al azar.
El diseo de bloques completos al azar (DBCA) toma en cuenta los tres principios bsicos de la experimentacin: repeticin, aleatorizacin y control local. Si por la presencia de factores de ruido se espera que las unidades experimentales no sean homogneas en su respuesta antes de ser tratadas, se tienen en general dos estrategias experimentales para controlar los efectos ruido. Una primera estrategia es imponer restricciones a la
aleatorizacin, que equivalen a formar bloques o grupos de unidades experimentales para controlar de manera explcita (cuantificable) la variabilidad aportada. El diseo en bloques completamente al azar es un concepto muy importante dentro de la estrategia experimental, porque permite tener una mayor homogeneidad de las unidades experimentales a las que se les aplican los tratamientos. La otra estrategia es no formar bloques de unidades experimentales, sino se circunscribe a medir caractersticas, llamadas covariables, a las unidades experimentales. Este ltimo punto no se abordara en el material.
Este diseo es conveniente cuando se logra determinar un factor de variabilidad que este influyendo sobre los tratamientos, por ejemplo: el grado de inclinacin del terreno donde se realizar el experimento, direccin del viento, gradiente de temperatura, maquinaria de prueba, lotes de materia prima, personas y tiempo.
Los bloques formados contienen tantas unidades experimentales como tratamientos, y cada unidad experimental recibi slo uno de stos; por ello a estos bloques se le denomina bloques completos. En caso de que cada tratamiento se repita al menos en una
56
ocasin dentro de cada bloque debe usarse el diseo de bloques generalizados; por lo que entonces sera posible estudiar interacciones entre bloques y factor de tratamiento. Los tratamientos son asignados aleatoriamente en las unidades experimentales
dentro de cada bloque. Debe considerarse que la aleatorizacin se realizar de forma independiente para cada bloque. Por ejemplo: suponiendo que se tiene un experimento que incluye un factor con 5 niveles (denotados con las letras A, B, C, D y E), distribuidos en 4 bloques, y considerando que en cada bloque los tratamientos aleatorizados, el diseo quedara de la siguiente forma: A D D E C A B D D B A B E E C A B A E C
BLOQUE l
fueron totalmente
BLOQUE ll
BLOQUE lll BLOQUE lV
2.4.1
Anlisis estadstico
Sea
el nmero de niveles del factor A (tratamientos) distribuidos en
bloques. La
notacin adoptada para representar los valores de la variable de respuesta es dada en la tabla siguiente: Tabla 10. Arreglo de los datos para un DBCA. Tratamientos 1 2 3 1 2 Bloques 3
57
Siendo
es el total obtenido en el j-simo bloque, es el total general y es la media general.
es el total obtenido en el i-
simo tratamiento, 2.4.2
Hiptesis a evaluar. La hiptesis de inters est dada por: vs Que tambin se puede expresar como: para algn
vs
para algn
En cualquiera de estas hiptesis la afirmacin a probar es que la respuesta media poblacional lograda con cada tratamiento es la misma para los tratamientos. De manera
alternativa, es posible afirmar que todos los efectos de tratamiento sobre la variable respuesta son nulos.
Tambin resulta de inters probar el efecto del bloque, por lo cual se plantea la siguiente hiptesis:
vs
para algn bloque
En la prctica se recomienda su interpretacin porque es evidencia a favor o en contra de que vali la pena el esfuerzo de controlar el factor de bloque. Si resulta significativa implica que el factor bloque tiene influencia sobre la variable respuesta, y debe ser tomado en cuenta para mejorar la calidad de sta. Pero, si no se rechaza y se acepta que los bloques son iguales en respuesta media, entonces se tiene el argumento a favor de no controlar este factor en futuros experimentos sobre la misma respuesta, adems de que su influencia en la calidad de la respuesta no es significativa.
58
2.4.3
Modelo estadstico
El modelo asociado a este diseo experimental se muestra a continuacin:
siendo:
: variable respuesta medida en el i-simo tratamiento y el j-simo bloque. : media general de la variable respuesta. : efecto del i-simo tratamiento : efecto del j-simo bloque : error asociado a la ij-sima unidad experimental.
Supuestos: a) y
b) No existe interaccin entre bloques y tratamientos 2.4.4 Anlisis de varianza
Tabla 11. Anlisis de varianza para un DBCA. Fuentes de variacin Tratamientos Bloques Error Total Grados de libertad Suma de cuadrados Cuadrado medio Valor F
59
2.4.5
Regla de decisin
Tomando los valores de las tablas de la distribucin F.
a) Rechazar
si el valor de
b) No Rechazar
si el valor de
Tomando el valor de probabilidad:
a) Rechazar
si el valor de p
b) No Rechazar
si el valor de p
Ejemplo de aplicacin. En una empresa lechera se tienen varios silos para almacenar leche (cisternas de 60, 000 L). Un aspecto crtico para que se conserve la leche es la temperatura de almacenamiento. Se sospecha que en algunos silos hay problemas, por ello, durante cinco das se decide registrar la temperatura a cierta hora crtica. Obviamente la temperatura de un da a otro es una fuente de variabilidad que podra impactar la variabilidad total.
Los datos son los siguientes:
Tabla 12. Datos de la temperatura de almacenamiento. Da Silo Lunes Martes Mircoles A 4.0 4.0 5.0 B 5.0 6.0 2.0 C 4.5 4.0 3.5 D 2.5 4.0 6.5 E 4.0 4.0 3.5
Jueves 0.5 4.0 2.0 4.5 2.0
Viernes 3.0 4.0 3.0 4.0 4.0

60
Las hiptesis a evaluar son:
La hiptesis de inters es: vs La hiptesis de los bloques es: vs Resultados: para algn bloque para algn
Considerando que el objetivo no es que el usuario haga los clculos a mano, dado que es tedioso. Se presentan los resultados con el uso del paquete estadstico Minitab.
Source DF SS MS F P Silo 4 9.76 2.440 1.51 0.246 Da 4 4.46 1.115 0.69 0.609 Error 16 25.84 1.615 Total 24 40.06
Figura 14. Resultados del anlisis de varianza.
Dado que el valor de probabilidad asociado al factor Silo
es mayor que
un nivel de significancia de o.0.5 entonces no se rechaza la hiptesis nula, se concluye que no existe diferencia en la temperatura por tipo de cisterna. Con respecto al factor bloque, no se rechaza ( , esto es los bloques son iguales en la temperatura
promedio, por lo tanto se argumenta que en futuros experimentos no es necesario controlar este factor.
Consideraciones:
61
En caso de que el factor de inters resulte significativo, se deben de aplicar las comparaciones de medias. Con la finalidad de determinar que tratamientos son los que son diferentes. Finalmente se debe realizar la validacin de supuestos.
Actividades unidad II
Preguntas de repaso
1. Cuntos factores se tienen en un diseo completamente aleatorizados? 2. Qu hiptesis nula se plantea en el diseo completamente aleatorizados? 3. Cules son las ideas bsicas del anlisis de varianza? 4. Qu son los residuos? Cmo se calculan? Por qu deben analizarse? 5. Qu componentes tiene la tabla de anlisis de varianza? 6. Cundo es apropiado utilizar un diseo en bloques aleatorizados? Ejercicios 1. Una compaa farmacutica realiz un experimento para estudiar los tiempos promedio ( en das) necesarios para que una persona se recupere de los efectos y complicaciones que siguen a un resfriado comn. En este experimento se hizo una comparacin de distintas dosis diarias de vitamina C. Para hacer el experimento se contact a un determinado nmero de personas, que en cuanto les daba el resfriado empezaban a recibir algn tipo de dosis. Si la edad de las personas es una posible fuente de variabilidad, explique con detalle cmo aplicara la idea de bloque para controlar tal fuente de variabilidad?
2. Ingeniero industrial desea conocer el efecto que tienen en la preferencia del pblico consumidor, cinco procedimientos para elaborar helado. La variable respuesta es un valor numrico que se obtiene a travs de una evaluacin sensorial. A partir de este
62
planteamiento haz una propuesta de un diseo de bloques completos al azar, defiendo las hiptesis estadsticas y el modelo estadstico. 3. El controlador de una compaa est interesado en determinar si la duracin promedio de llamadas (en minutos) de larga distancia de gerentes vara segn el tipo de telfono. Se establece un experimento en el que una llamada de larga distancia hecha por cinco gerentes se muestrea para cuatro tipos de telfonos (celular, computadora, regular e inalmbrico). Las implicaciones que pueda tener la compaa pueden ser muy altas en costos. Plantea el modelo estadstico, describiendo cada elemento del modelo, en base al contexto del problema y la hiptesis estadstica
4) Considere a una compaa fabricante de neumticos que perfeccion nuevas llantas. La compaa realiz pruebas de desgaste de dibujo (superficie de rodadura) si vara la velocidad promedio a la que se conduce el automvil. La compaa estableci un experimento en el que la variable independiente es la velocidad del automvil con tres niveles de tratamiento: (1) baja velocidad (el auto es conducido a 20 millas por hora), (2) media velocidad (el auto es conducido a 40 millas por hora) y (3) alta velocidad (el auto es conducido a 60 millas por hora). Los investigadores de la compaa se dieron cuenta que diversas variables posibles podran confundir el estudio. Una de estas variables era el proveedor, por lo que la compaa utiliz cinco proveedores para proporcionar un mejor componente del caucho con el que se fabrican los neumticos. Para controlar esta variable experimentalmente, los investigadores usaron el proveedor como una variable de bloqueo y se seleccionaron 15 llantas al azar para el estudio, tres por cada proveedor. Cada una de las tres se prob con una diferente condicin de velocidad. La variable de inters representa el desgaste de llantas en unidades de 10 mil millas. Los datos se presentan a continuacin Proveedor 1 2 Lenta 3.7 3.4 Velocidad Media 4.5 3.9 Alta 3.1 2.8
63
3 4 5
3.5 3.2 3.9
4.1 3.5 4.8
3.0 2.6 3.4
a) Suponiendo un DBCA, formule las hiptesis adecuadas y el modelo estadstico. b) Existe diferencia entre las velocidades? c) Hay alguna velocidad mejor? Argumente su respuesta. d) Hay diferencias significativas en los resultados de diferentes proveedores con los que se realiz el experimento? Argumente su respuesta. e). Verifique los supuestos de normalidad y de igualdad de varianzas entre las marcas.
64
Unidad 3. Experimentos factoriales.

En cualquier proceso o en la explicacin de un fenmeno es muy comn que intervengan dos o ms factores de inters. Si el conocimiento del rea hace necesario estudiar experimentalmente los efectos que tales factores tienen sobre una o varias variables respuesta, es necesario disear estrategias eficientes para el estudio de dos o ms factores mediante los llamados diseos factoriales.
Se denominan experimentos factoriales a aquellos experimentos en los que se estudia simultneamente el efecto de dos o ms factores, y donde los tratamientos se forman por la combinacin de los diferentes niveles de cada uno de los factores. Los experimentos factoriales en si no constituyen un diseo experimental si no que ellos deben ser llevados en cualquiera de los diseos tal como: completamente al azar, bloques al azar, entre otros ms.
Pueden considerarse dos tipos fundamentales de experimentos factoriales: a) factorial completo, el cual ensaya todas las posibles combinaciones de tratamientos que se generan con los distintos niveles de los factores en estudio; b) factorial fraccionado, el cual ensaya solo alguna de las posibles combinaciones de tratamientos que pueden generarse.
Dentro de los factoriales completos pueden distinguirse los factoriales simtricos en donde cada factor presenta igual nmero de niveles, pudindose representar mediante la notacin ejemplo: , siendo el nmero de niveles de los factores y el nmero de factores,
indica que tenemos 2 factores con 3 niveles cada uno, y en total tendremos 9
tratamientos. Y los asimtricos en donde cada factor representa desigual nmero de niveles, representndose como respectivamente. , siendo los y los niveles del factor y del factor ,
65
En este material se abordaran los factoriales completos y simtricos.
3.1
Conceptos fundamentales.
a) Factor: Un factor es cada una de las variables independientes, cuyo efecto se est interesado en evaluar. Generalmente se denotan con letras maysculas . Los
factores pueden ser cuantitativos (cantidad de fertilizante, temperatura, concentraciones de sustancias, etc) o cualitativos (variedades, mtodos de aplicacin, marcas de producto, procedencia, etc).
b) Nivel: Un nivel de un factor es cada uno de los valores o modalidades que constituyen un factor. Si el factor es cuantitativo, los niveles estn formados por las cantidades o dosis del mismo; si el factor es cualitativo los niveles los constituyen las manifestaciones del mismo. Por lo general se identifican con letras minsculas .
c) Efecto de un factor: el efecto de un factor se define como el cambio en la respuesta producida por un cambio en el nivel del factor. Con frecuencia, ste se conoce como: Efecto principal, por que se refiere a los factores de inters primordial del experimento. Este concepto se abordo con detalle en la seccin 1.3.
d) Efecto de la interaccin: en algunos experimentos puede encontrarse que la diferencia en la respuesta entre los niveles de un factor no es la misma en todos los niveles de los otros factores. Cuando esto ocurre existe una interaccin entre los factores. Este concepto se abordo con detalle en la seccin 1.3.
Algunos ejemplos en donde es necesario estudiar los efectos de varios factores. Imagine que est trabajando sobre las ventas perdidas. Las posibles razones que pueden causar la prdida de ventas son muy numerosas: a los clientes no les gusta su
66
producto o servicio, no estn de acuerdo con el precio, no les gusta el folleto publicitario, el comercial no tiene las habilidades necesarias para cerrar las ventas, etc. La tarea de reducir la lista de potenciales culpables de las ventas perdidas parece ya bastante compleja por no decir la de confirmar cul de ellas contribuye en mayor medida. En esta misma situacin se da de forma habitual en entornos de fabricacin, donde desde la eleccin de los materiales hasta la velocidad y la configuracin de los distintos equipos pueden influir en el tipo de defectos que aparecen y en su cantidad. El diseo factorial se adapta perfectamente a estas situaciones, se encarga de intentar comprender las relaciones (a menudo complejas) existentes en los procesos y de encontrar la combinacin ms efectiva y efectiva de factores para producir los mejores resultados. Puede ayudar a identificar no slo factores individuales que influyen en el resultado, sino tambin las interacciones positivas o negativas que se producen entre ellos. En la Tabla 13 se muestra un ejemplo sencillo basado en las ventas perdidas descritos anteriormente. Segn los factores y sus posibles niveles, el experimento diseado consistira en ocho tratamientos, donde en cada uno de ellos se probara una combinacin diferentes de factores. Tabla 13. Ejemplo de un diseo factorial. Diseo de un experimento con tres factores Porcentaje de ventas perdidas (quiere bajar esta cifra) o el equipo podra haber elegido Resultado de inters Porcentaje de ventas (quiere ver subir esta cifra). Factores elegidos para el estudio. (basado Orden de los contactos con el cliente. en una lluvia de ideas y en discusiones entre Experiencia del comercial. los miembros del equipo) Magnitud del descuento. Niveles de los factores. Generalmente, el diseo factorial ms sencillo prueba cada factor en dos niveles, aunque algunos diseos permiten incluir tres o ms. (Los niveles son un aspecto clave). Orden 1. El cliente recibe primero un folleto y ms tarde una llamada. 2. El cliente recibe primero una llamada y ms tarde un folleto.
67
Experiencia. 1. Menos de seis meses. 2. Seis meses o ms. Magnitud del descuento 1. 10% de descuento si el importe de la compra es de 10, 000. 2. 15% de descuento si el importe de la compra es superior a 10, 000. A continuacin se presentan los tratamientos obtenidos del los factores descritos anteriormente.
Tabla 14. Descripcin de los tratamientos. Tratamientos 1 2 3 4 5 6 7 8 Orden Folleto Folleto Folleto Folleto Llamada Llamada Llamada Llamada Experiencia Menos de 6 meses Menos de 6 meses Ms de 6 meses Ms de 6 meses Menos de 6 meses Menos de 6 meses Ms de 6 meses Ms de 6 meses Descuento 10% 15% 10% 15% 10% 15% 10% 15%
Observar que con slo estos ocho ensayos el equipo puede obtener resultados para todas las posibles combinaciones de los factores que ha identificado. El anlisis de los resultados (porcentaje de ventas perdidas) les permitir determinar si alguno de esos factores es ms importante que los dems o si una combinacin de factores tiene un impacto negativo en las ventas.
3.1.1
Preparacin de un diseo factorial
1. Definir claramente el resultado o salida que le inters.
2. Identificar el nmero manejable de factores (causas potenciales) para explorar. Aunque algunos diseos de experimentos ms sofisticados pueden llegar a probar ms de 10
68
factores a la vez, es recomendable que la primera vez que los haga se mantenga en unos niveles ms sencillos.
3. Identificando dos niveles para cada unos de los factores. Para factores de tipo atributo (como el orden del ejemplo anterior), esta seleccin de niveles consiste, simplemente, en decidir qu opciones le interesa probar. Generalmente, podr categorizar los niveles de los factores de tipo atributo como uno y dos. En el caso de datos continuos, (como la experiencia y descuentos) son cifras continuas: podra encontrar comerciales que llevan trabajando desde un mes hasta diez aos y los descuentos podran variar, en teora desde el 1% hasta el 100% (regalndolo). Basndose en su conocimiento del proceso de ventas, el equipo de trabajo decidi que seis meses era un buen punto crtico, porque pareca que eso era lo que solan tardar los nuevos en aprender todos los secretos del oficio. Y aunque los clientes estaran encantados con un descuento del 100%, el equipo saba que la empresa slo podra permitirse descuentos entre el 10 y 15 por ciento, como mximo.
El tipo de diseo factorial que se utilice ser muy importante para lograr la precisin deseada al costo mnimo. En etapas inciales es frecuente el caso en que un gran nmero de factores son de gran importancia para el experimentador. En tal caso es recomendable una estrategia experimental que se concentre en determinar econmicamente cules factores son los ms importantes; una posible estrategia es experimentar con dos niveles de cada factor. Por supuesto esos dos niveles deben ser seleccionados de tal manera que se obtenga la mayor informacin; por ejemplo, si un factor es la temperatura, habr que seleccionar dos temperaturas (dos niveles) que se piense que causan efectos diferentes de importancia sobre la respuesta de inters.
69
3.2
Experimento factorial en arreglo completamente al azar (

El diseo
es un esquema adecuado para introducir y motivar los principales . Por medio de un ejemplo se presentan
conceptos estadsticos en los diseos factoriales estos conceptos.
3.2.1
Modelo estadstico
El modelo estadstico para un diseo factorial de dos factores, sin restricciones en la aleatorizacin de tratamientos es:
donde: : es la media general,
es el efecto debido al -simo nivel del factor A,
es el
efecto del -simo nivel del factor B, combinacin y
representa al efecto de la interaccin en la
es el error aleatorio que se supone sigue una distribucin normal con y son independientes entre s.
media cero y varianza constante
3.2.2
Hiptesis a evaluar Las hiptesis a contrastar son:
1. 2. 3. para todo
vs vs vs
para algn para algn para algn
70
Estas hiptesis se prueban mediante la tcnica de anlisis de varianza, que para un diseo factorial con rplicas resulta de descomponer la variacin total como:
3.2.3
Anlisis de varianza.
El anlisis de varianza correspondiente a un diseo factorial con dos factores es:
Tabla 15. Tabla de anlisis de varianza general para el diseo Fuentes de variacin
Efecto A Efecto B Efecto AB Error Total
Grados de libertad
a-1 b-1 (a-1)(b-1) ab(n-1) abn-1
Suma de cuadrados
Cuadrado medio
3.2.4
Regla de decisin.
Tomando los valores de las tablas de la distribucin F.
a) Rechazar b) Rechazar b) Rechazar
si el valor de si el valor de si el valor de
Tomando el valor de probabilidad a) Rechazar b) No Rechazar si el valor de si el valor de

71
Ejemplo de aplicacin: Supongamos que en un proceso de fermentacin tequilera, se tienen dos factores a: tipo de levadura y B: temperatura, cada uno con dos niveles. La respuesta de inters es el rendimiento del proceso de fermentacin. En la Tabla 16, se muestran los cuatro tratamientos del diseo . En el experimento se corri tres veces (tres
replicas), lo cual da un total de 12 corridas del proceso. Tabla 16. Diseo factorial A: Tipo de levadura . B: Temperatura 28, 26, 25 41, 39, 41 63, 60, 61 45, 43, 42
En el caso de un diseo factorial, uno de los primeros resultados a analizar son los efectos principales y la interaccin. Recordar que el efecto principal de un factor se define como el cambio observado en la variable respuesta debido a un cambio de nivel de tal factor. En particular, los efectos principales son los cambios en la media de la variable respuesta que se deben a la accin individual de cada factor. En trminos matemticos, el efecto principal de un factor con dos niveles es la diferencia entre la respuesta media observada cuando un factor estuvo en su primer nivel, y la respuesta media observada cuando el factor estuvo en su segundo nivel. Por otra parte, se dice que dos factores interactan entre s o tienen un efecto de interaccin sobre la variable respuesta, cuando el efecto de un factor depende del nivel en que se encuentra el otro. Por ejemplo, los factores A y B interactan si el efecto de A es muy diferente en cada nivel de B, o viceversa.
Considerando que el objetivo no es que el usuario haga los clculos a mano, dado que es tedioso. Se presentan los resultados con el uso del paquete estadstico Minitab.
72
Estimated Effects and Coefficients for respuesta (coded units) Term Effect Coef SE Coef T P Constant 42.833 0.4167 102.80 0.000 A -2.000 -1.000 0.4167 -2.40 0.043 B 19.000 9.500 0.4167 22.80 0.000 A*B -16.000 -8.000 0.4167 -19.20 0.000
Figura 15. Salidas de los efectos.
El efecto principal del factor A es -2, lo cual implica que el rendimiento promedio del proceso de fermentacin disminuye al cambiar del nivel 1 al 2. Tambin podemos analizar que el valor de probabilidad es P=0.043, es mayor que un nivel de significancia de 0.05, esto implica que el cambio sobre la variable respuesta no es estadsticamente significativo. Con respecto al efecto del factor B se muestra que la variable respuesta aumenta 19 que el valor significativa, dado que al cambiar de 22 a 30 en la temperatura. Este cambio es significativo, dado es menor a un Finalmente la interaccin resulta
Los efectos principales y de interaccin son una medida de importancia sobre la variable respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si los efectos son estadsticamente significativos se requiere el anlisis de varianza.
Analysis of Variance for respuesta (coded units) Source DF Seq SS Adj SS Adj MS F P Main Effects 2 1095.00 1095.00 547.500 262.80 0.000 2-Way Interactions 1 768.00 768.00 768.000 368.64 0.000 Residual Error 8 16.67 16.67 2.083 Pure Error 8 16.67 16.67 2.083 Total 11 1879.67
Figura 16. Resultados del anlisis de varianza. En base a los resultados del anlisis de varianza se concluye que la interaccin tiene un efecto significativo sobre la variable respuesta. Es decir, ambos factores interactan sobre el rendimiento del proceso de fermentacin.
Cuando la interaccin resulta significativa, no es de inters analizar los efectos principales.

73
3.3
Factorial
.
, al aumentar el nmero de factores crece
En el caso de los factoriales
rpidamente el nmero de tratamientos y, por lo tanto, el nmero de corridas experimentales. Se realizan dos repeticiones en cada punto se tienen que hacer corridas experimentales, lo cual consume muchos recursos para cinco o ms factores , ya que seran 64 o ms corridas. El diseo es quizs el factorial ms grande
que todava se puede correr con dos rplicas, lo que implica 32 corridas. En estos casos se recomienda los factoriales fraccionarios.
74
Actividades unidad III
Preguntas de repaso
1. Qu es un diseo factorial completo? 2. Qu es un diseo factorial a dos niveles? 3. Cuntos experimentos elementales componen un factorial a dos niveles para cuatro factores?
Ejercicios
1. Un experimento consiste en observar el efecto del turno y del supervisor, sobre la calidad, en la fabricacin de muebles. Hay dos turnos (maana y tarde), y dos supervisores (supervisor 1 y supervisor 2). Se observa el nmero de fallas (imperfecciones) en los muebles producidos bajo cada una de las cuatro combinaciones de tratamientos, en tres rplicas cada una. La respuesta es el total de fallas observadas. La siguiente tabla resume las observaciones.
Turno Maana Tarde
Supervisor 1 2 1 2
Nmero de fallas 18,16,19 23, 20, 25 10, 5, 8 13, 10, 9
a) Realice el anlisis exploratorio, empleando grficas de cajas y alambres comparativas e intrprete. b) Estime los efectos principales y la interaccin e intrprete. c) Realice el anlisis de varianza. Concluya. d) Considerando que hay diferencias significativas, cul es el mejor tratamiento?
75
2) En una fbrica de aceites vegetales comestibles la calidad resulta afectada por la cantidad de impurezas dentro del aceite, ya que stas causan oxidacin, y ello repercute a su vez en las caractersticas de sabor y color del producto final. El proceso de blanqueo es el responsable de eliminar tales impurezas, y una forma de medir su eficacia es midiendo el color del aceite. Para generar una primera aproximacin a la solucin del problema se decide estudiar el efecto de la temperatura y el porcentaje de arcilla en el color del aceite inicialmente a nivel laboratorio. El diseo y los datos de las pruebas experimentales se muestran a continuacin.
Temperatura 90 110
Porcentaje de arcilla 0.8 1.1 5.8, 5.9, 5.0, 4.9 4.5, 4.4,4.6, 4.9 4.7, 4.6, 4.4, 4.4 3.7, 3.6, 4.0, 3.7
a) Realice el anlisis exploratorio, empleando grficas de cajas y alambres comparativas e intrprete. b) Construya el modelo estadstico y formule las hiptesis pertinentes. b) Realice un anlisis de varianza para probar las hiptesis y obtenga conclusiones. c) Apoyndose en los efectos, qu informacin es posible obtener? d) Considerando que el nivel mnimo aceptable de blancura es 4.8 qu tratamiento utilizara?
3. Una empresa productora de loza tiene tres plantas: Vajillera, Azulejos y Sanitarios. En la planta de sanitarios existe una nave de proceso que incluye una subnave denominada de colaje. En esta subnave hay 100 moldes de yeso, que se llenan de pasta lquida, una mezcla de arcilla con agua, ms aditivos. Pasado cierto tiempo se produce el colaje, que consiste en que la pasta lquida se seca parcialmente dentro de los moldes, lo que da la forma al sanitario. Luego se desmoldan, y el operario colajero les hace el despunte, consistente en pulir la pieza y afinar sus dimensiones. Terminadas las operaciones anteriores, se dejan secar los 100 sanitarios con sus respectivos moldes durante 24 horas, para extraer el agua en exceso que an contienen.
76
Para efectuar el secado de los sanitarios y los moldes, se le inyecta aire caliente a la subnave, que est aislada trmicamente. El proceso de secado debe ser capaz de extraer el mximo contenido de agua de los artefactos, en el menor tiempo posible. Afectan a este variable, el caudal de aire inyectado a la subnave y la temperatura interior.
Para hacer ms eficiente el proceso, se dise el experimento factorial que se describe a continuacin: Objetivo del experimento: es optimizar el proceso de secado, en funcin de los factores controlables.
Diseo del experimento: los factores son dos, con dos niveles cada uno, segn se describe a continuacin:
Factores A : Caudal de aire inyectado
Niveles a1 :. 15000 mt3 por hora. a2 :. 18000 mt3 por hora.
B : Temperatura interior.
b1 : 30 C. b2 : 40 C. Respuesta: Cantidad de agua evaporada por da, en litros. Esta se mide pesando una muestra de sanitarios y moldes a las cero horas de cada da de secado. El experimento se condujo con cinco rplicas por combinacin de tratamientos.
Los resultados se dan en la siguiente tabla: Combinacin de tratamientos Respuesta 790, 810, 800, 785, 815 874, 903, 888, 900, 880 835, 853, 844, 850, 838 927, 945, 936, 938, 943
a) Realiza el anlisis pertinente.

77
Bibliografa
Box, E. P., George, et al. (1993). Estadstica para Investigadores. Introduccin al Diseo de Experimentos, Anlisis de datos y Construccin de Modelos. Barcelona, Espaa.
Borror, C., Montgomery, D. y Myers, R. (2002). Evaluation of Statistical Designs for Experiments Involving Noise Variables, Journal of Quality Technology.
Castao-Tostado, E y Domnguez-Domnguez, J. (2003). Estrategia y Anlisis en Ciencia y Tecnologa.
Cuatrecasas, L. (2000). Gestin Integral de la Calidad. Implantacin, Control y Certificacin.
Gutirrez-Pulido, H y de la Vara-Salazar, R. (2008). experimentos. 2da ed. Mxico. Ed. Mc Graw Hill.
Anlisis y Diseo de
Montgomery, D. (2003). Diseo y Anlisis de Experimentos, 2da ed. Mxico. Editorial Limusa.
78
ANEXOS
Distribucin t-Student.
79
Distribucin F.
80
Cuantles de la distribucin de Tukey
81
82

Antolo - Diseño de Experimentos

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

Antolo - Diseño de Experimentos

Cargado por

Copyright:

Formatos disponibles

Experiencia educativa

Diseo de Experimentos para la Calidad

Maestra en Gestin de la Calidad

Unidad 2. Diseo estadstico de experimentos. ............................................................ 29

Unidad 3. Experimentos factoriales. ............................................................................ 65

Bibliografa .................................................................................................................. 78 ANEXOS ...................................................................................................................... 79

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Objetivos por unidad

Maestra en Gestin de la Calidad

Unidad 1. Principios bsicos del diseo de experimentos

Experimentacin en las organizaciones e industria.

Maestra en Gestin de la Calidad

El diseo de experimentos implica una secuencia de actividades:

a) Hiptesis: una conjetura que motiva el experimento.

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Fundamentos del diseo de experimentos.

Maestra en Gestin de la Calidad

Figura 1. Ilustracin de un proceso.

Figura 2. Entradas y salidas de un diseo experimental.

Maestra en Gestin de la Calidad

variables independientes (Xs) para reducir al mnimo el efecto de las Zs.

Como se ha mencionado, en la realizacin

del diseo experimental

Maestra en Gestin de la Calidad

Figura 3. Determinacin de la mezcla ptima del proceso

Estructura del diseo experimental

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

El efecto de un factor puede ser calculado usando la siguiente ecuacin:

es el valor promedio de la variable respuesta en el nivel alto del factor y

es la valor promedio de la variable respuesta en el nivel bajo.

Maestra en Gestin de la Calidad

(+1) (-1) Figura 4. Efecto de la temperatura sobre la resistencia

Maestra en Gestin de la Calidad

170 160 150 140

130 120 110 100 90 80 70 T1 T2 Temperatura P1 P2

Figura 5. Efecto de la temperatura y presin sobre la resistencia

Figura 6. Grfico de Pareto de los efectos estandarizados.

Maestra en Gestin de la Calidad

Principios bsicos del diseo de experimentos

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Metodologa prctica para el diseo de experimentos.

1. La fase de la planeacin. Se compone de los siguientes pasos.

Maestra en Gestin de la Calidad

sobre los objetivos del experimento, un equipo puede ser

de variables independientes o factores. Algunas maneras posibles de

Maestra en Gestin de la Calidad

Figura 7. Clasificacin de los diseos experimentales.

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

1.6 Seleccin de caractersticas de calidad para los experimentos industriales.

Barreras en la aplicacin del diseo de experimentos.

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Maestra en Gestin de la Calidad

Unidad 2. Diseo estadstico de experimentos.