Documentos de Académico
Documentos de Profesional
Documentos de Cultura
N
G
E
N
I
E
R
A
C
I
V
I
L
I
N
D
U
S
T
R
I
A
L
Estadstica Aplicada II
Dayana Jaque S.
I
N
G
E
N
I
E
R
A
C
I
V
I
L
I
N
D
U
S
T
R
I
A
L
UNIDAD III
PARTE 1: DISEO
DE EXPERIMENTOS
Definiciones Preliminares
Para llevar a cabo diseos de experimentos a menudo
utilizaremos los conceptos Factor y Niveles, lo que se
define a continuacin.
Factor: Es la caracterstica que diferencia a los
tratamientos o poblaciones entre s. Puede ser cuantitativo
o cualitativo.
Niveles: Los diferentes tratamientos o poblaciones.
Qu es un diseo de experimento?
Es el estudio
experimentales
cuantitativas.
distintas
ciertas
situaciones
respuestas
Ejemplos:
Diseo de Experimentos
Todo experimento involucra una secuencia de actividades:
1.
2.
3.
4.
Ejercicio 3.1
Ejemplo 10.1 de Devore:
El artculo Compression of Single-Wall Corrugated Shipping Containers
Using Fixed and Floating Test Platens (J. Testing and Evaluation, 1992:
318-320) describe un experimento en el cual se compararon varios tipos
diferentes de cajas con respecto a resistencia a la compresin (lb).
La tabla siguiente presenta los resultados de un experimento ANOVA
unifactorial que implica 4 tipos de cajas (las medias y desviaciones
estndar muestrales concuerdan con los valores dados en el artculo).
Ejercicio 3.1
Con i denotando la resistencia a la compresin promedio verdadera
de las cajas de tipo i (i : 1, 2, 3, 4), la hiptesis nula es:
H0: 1 = 2 = 3 = 4.
Anlisis de caja comparativo:
Yij i ij
Efecto del i-simo tratamiento
Tambin puede escribirse:
10
Tratamiento
1
y 11
2
.
.
nA
y 21
.
.
ynA1
i 1, 2, ... n A
j 1, 2, ... n
n: cantidad de
observaciones por
tratamiento
Residuo ~ N(0,2)
Yij i ij
Observaciones
y 12
y 22
ynA2
Promedios
y1n
Totales
y 1.
y 2n
.
.
y n An
y 2.
.
.
ynA.
y2.
.
.
yn .
y..
y..
y1.
i 1
H 0 : 1 2 ... n A 0
H a : i 0
11
12
Tipos de Experimentos
Tipos de Experimentos Completamente Aleatoriazados
13
Variabilidad inherente
de los datos (SSE)
(Variabilidad Dentro)
y
nA
i 1 j 1
ij
nA
i 1
i 1 j 1
nA
Error aleatorio
(variabilidad dentro)
i 1
SSTr
2
E
nA 1
nA
E SSTr n A 1 n i2
2
n i2
SSTr
2 i 1
E
nA 1
nA 1
E SSE n A n 1 2
SSE
2
E
n A n 1
16
17
Regin de Rechazo: f c
P F c | H 0 es verdadera
TEOREMA:
Sea F = MSTr/MSE el estadstico de un ANOVA de un factor con nA
poblaciones y el tamao de cada muestra es n. Cuando H0 es
verdadera y se cumplen las suposiciones anteriormente planteadas,
entonces F tiene una distribucin F con 1 = nA - 1 y 2 = nA(n - 1).
18
SST y
i 1 j 1
2
ij
y 2 ..
nAn
2
yi2 . y ..
SSTr
nAn
i 1 n
nA
ni
SST yij2
i 1 j 1
nA
2
i
y 2 ..
N
y 2 ..
y .
SSTr
N
i 1 ni
Qu opinas
sobre esta
cita?
20
Grados de
Libertad
nA-1
Suma de
Cuadrados
SSTr
Error
nA(n-1)
SSE
Total
nAn-1
SST
Cuadrado Medio
MSTr/MSE
Grados de
Libertad
Suma de
Cuadrados
Cuadrado Medio
Tratamientos
nA-1
SSTr
Error
N-nA
SSE
Total
N-1
SST
f
MSTr/MSE
Ejercicio 3.2
(Ejemplo 10.13 J.L. Devore)
Los datos adjuntos se obtuvieron con un experimento que compara el
grado de manchado de telas copolimerizadas con tres mezclas
diferentes de cido metracrlico (datos similares aparecieron en el
artculo Chemical Factors Affecting Soiling and Soil Release from
Cotton DP Fabric, American Dyestuff Reporter, 1983: 25-30).
22
Ejercicio 3.2
Solucin:
La hiptesis a probar es:
Suma de
Cuadrados
Cuadrado
Medio
Tratamientos
0,061
0,0304
Error
12
0,370
0,0308
Total
14
0,431
Fuente de
Variacin
0,987
Mtodo LSD de
Fisher
Mtodos de
Comparaciones Mltiples
Trabaja con la distribucin
de rango estudentizado
Mtodo de
Tuckey
24
Y i i
~ t n A ( n 1)
MSE / n
y i t / 2,n A ( n 1)
25
MSE
MSE
i y i t / 2,n A ( n 1)
n
n
Y i Y j
La varianza de este estimador es:
V Y i Y j
2 2
n
n
n
s
26
2 MSE
sY i Y j
n
2 MSE
n
Y i Y j i j
2MSE / n
~ tn A ( n 1)
Intervalo de Confianza del 100(1-)% para la Diferencia entre las Medias de dos
Tratamientos i - j es:
y i y j t / 2,n A ( n 1)
2 MSE
2 MSE
i j y i y j t / 2,n A ( n 1)
n
n
Y i Y j
~ t n A ( n 1)
2 MSE
n
y i y j LSD
LSD t / 2, n A ( n 1)
LSD t / 2, N n A
28
2 MSE
n
1 1
MSE
n n
j
i
Ejercicio 3.3
Un fabricante de papel utilizado para fabricar bolsas de caramelo, est
interesado en mejorar la resistencia a la tensin del producto. El grupo
de ingeniera del producto piensa que la resistencia a la tensin es una
funcin de la concentracin de madera dura en la pulpa, y que el
rango de inters prctico de las concentraciones de madera dura est
entre 5% y 20%.
El equipo de ingenieros responsable del estudio decide investigar
cuatro niveles de concentracin de madera dura: 5, 10, 15 y 20%. Para
ello, deciden fabricar seis especmenes de prueba para cada nivel de
concentracin, utilizando una planta piloto.
Los 24 especmenes se someten a prueba en un probador de tensin
de laboratorio, en orden aleatorio.
Concentracin de
madera dura (%)
5
10
15
20
29
1
7
12
14
19
2
8
17
18
25
Observaciones
3
4
15
11
13
18
19
17
22
23
5
9
19
16
18
6
10
15
18
20
Ejercicio 3.3
Los datos son:
nA = 4, n = 6, MSE = 6,51 y t0,025;20 = 2,086.
Las medias de cada tratamiento son:
y1 10,00 [psi]
y 2 15,67 [psi]
y 3 17,00 [psi]
y 4 21,17 [psi]
A partir del mtodo LSD de Fisher concluya si existe diferencia entre los
tratamientos, identificndolos.
30
Ejercicio 3.3
Solucin:
El valor de LSD es:
2 MSE
2 6,51
2,086
3,07
n
6
31
Ejercicio 3.3
Solucin:
A partir del anlisis, se deduce que existen diferencias significativas entre todos
los pares de medias excepto los pares 2 y 3. Esto implica que el 10% y 15% de
concentracin de madera dura producen aproximadamente la misma
resistencia a la tensin y que todos los otros niveles de concentracin probados
producen diferentes resistencias a la tensin.
32
Mtodo LSD de
Fisher
Mtodos de
Comparaciones Mltiples
Trabaja con la distribucin
de rango estudentizado
Mtodo de
Tukey
33
Q ,m,
34
MSE
MSE
1
P Y i Y j Q ,n A ,n A ( n 1)
i j Y i Y j Q ,n A ,n A ( n 1)
n
n
35
2.
Determine:
3.
Haga una lista de las medias muestrales en orden creciente y subraye los pares que
difieren en menos de W. Cualquier par de medias muestrales no subrayadas por la
misma lnea corresponde a un par de medias de tratamiento significativamente
diferentes.
Ejercicio 3.4
(J.L. Devore)
Se efectu un experimento para comparar 5 marcas distintas de filtros
de aceite automotrices, en relacin con su capacidad para capturar
materia extraa. Se us una muestra de nueve filtros de cada marca y
se obtuvieron las siguientes cantidades promedio:
37
Ejercicio 3.4
1.- Hiptesis a probar:
38
Ejercicio 3.4
Procedimiento de Tukey:
1.- Para = 0,05 el valor de Q, nA, nA (n - 1) es igual a: Q0,05; 5; 40 = 4,04
2.- Clculo de W:
y5
y3
y2
y4
y1
13,1
13,3
13,8
14,3
14,5
4. Conclusiones:
Las marcas 1 y 4 no son considerablemente diferentes entre s, pero
son considerablemente ms altas que las otras tres marcas en el
verdadero promedio de su contenido.
La marca 2 es considerablemente mejor que la 3 y la 5, pero peor
que la 1 y la 4; y las marcas 3 y 5 no difieren en forma significativa.
39
Wij Q ,n A , N n A
MSE 1 1
2 ni n j
40
Ejercicio 3.5
(J.L. Devore)
Un artculo present los siguientes datos del mdulo de elasticidad, en
GPa, obtenidos con un nuevo mtodo ultrasnico, para muestras de
cierta aleacin producida con tres mtodos de colado diferente.
ni
y i.
i.
Moldeo permanente
45,5
45,3
45,4
44,4
44,6
43,9
44,6
44
357,7
44,71
Colado a presin
44,2
43,9
44,7
44,2
44
43,8
44,6
43,1
352,5
44,06
Moldeo de yeso
46,0
45,9
44,8
46,2
45,1
45,5
273,5
45,58
22
983,7
y..
41
Ejercicio 3.5
1.- Hiptesis a probar:
42
Ejercicio 3.5
Luego, utilizando el procedimiento de Tukey-Kramer, tenemos que:
n1 = 8, n2 = 8, n3 = 6 y na = 3, N na = 22 - 3 = 19, MSE = 0,316. Por lo tanto, un
nivel de confianza simultneo de aproximadamente 95% requiere:
MSE 1 1
2 ni n j
0,316 1 1
0,713, W13 0,771, W23 0,771
2 8 8
Esquema de subrayado:
2. A presin
44,06
1. Permanente
44,71
3.Yeso
45,58
44
Ejercicio 3.6
Un economista obtuvo datos sobre la mejora en la productividad el ao pasado,
para una muestra de empresas que producen accesorios para equipos
elctricos. Las empresas fueron clasificadas de acuerdo al promedio de los
gastos en investigacin y desarrollo en los ltimos 3 aos (nivel bajo, moderado y
alto). Los resultados del estudio se detallan a continuacin, donde la mejora en
la productividad se mide en una escala de 0 a 10.
Gasto en
I&D
Mejora en la productividad
Bajo
8,9
8,5
8,6
5,1
6,1
8,5
5,3
6,4
5,4
7,4
Moderado
7,8
6,8
8,4
7,7
6,3
7,7
9,3
7,1
7,2
6,1
Alto
8,9
8,7
7,7
9,7
8,6
9,0
8,9
8,8
8,7
8,5
a)
b)
c)
45
Tipos de Experimentos
Tipos de Experimentos Completamente Aleatoriazados
46
i 1, 2, ... n A
j 1, 2, ... n
Yij i ij
Variable aleatoria que
explique el efecto
aleatorio del factor,
Residuos,
ij ~ N(0,2)
i ~ N(0,2)
(Para efectos fijos, se
supone que 2 = 0)
V Yij 2 2
el
lado
derecho
es
llamado
i 1
H 0 : 2 0
H a : 0
2
SSTr
2 n 2
E MSTr E
nA 1
Y el valor esperado de media de cuadrados para el error es:
SSE
2
E MSE E
n A (n 1)
Los estimadores de los
s 2 MSE
51
son:
y
s2
MSTr MSE
n
Ejercicio 3.7
En el texto Design and Analysis of Experiments de Montgomery, se describe un
experimento de un solo factor donde se utiliza un modelo de efectos aleatorios,
en el que una compaa textil produce una tela en varios telares. La compaa
tiene inters en la variabilidad de la resistencia a la tensin de un telar a otro.
Para investigar esta variabilidad, un ingeniero de produccin selecciona al azar
cuatro telares y determina la resistencia a la tensin de las muestras de tela
tomadas aleatoriamente de cada telar. Los datos obtenidos aparecen en la
siguiente tabla:
Telar
1
2
3
4
52
1
98
91
96
95
2
97
90
95
96
Observaciones
3
4
99
96
93
92
97
95
99
98
Totales
391
368
386
392
1537
Promedios
97,50
91,50
95,75
97,00
95,44
Ejercicio 3.7
Solucin:
Fuente de
Variacin
Suma de
Cuadrados
Grados de
Libertad
Media de
Cuadrados
f0
Valor P
Telar
Error
Total
89,19
22,75
111,94
3
12
15
29,73
1,9
15,68
1,88E-04
Desde el Anlisis de Varianza, se concluye que la resistencia a la tensin de los telares en la planta
difieren significativamente en su capacidad para producir telas de uniformes. La varianza es
estimada por s2 = 1,90 y:
29,73 1,90
s
6,96
4
2
53
Ejercicio 3.7
Por lo tanto, la varianza de la resistencia en el proceso de fabricacin es
estimada por:
54
Ejercicio 3.7
Este ejemplo ilustra el aislamiento de diferentes fuentes de variabilidad en un proceso
de fabricacin.
Problemas de variabilidad excesiva aparecen con frecuencia en programas de mejora
de la calidad.
En el ejemplo anterior, las estimaciones de los parmetros del proceso son:
y 95,45
[psi]
55
Ejercicio 3.7
Si el ingeniero o administrador lograra detectar y eliminar las fuentes de
variabilidad del proceso, asociadas a las diferencias entre los telares, la
reduccin en la variabilidad del proceso sera notable:
un costo menor
una calidad mayor
un cliente ms satisfecho
una posicin competitiva mejor para la compaa.
56
Bloque 2
Bloque 3
Bloque 4
t1
t2
t3
t1
t2
t3
t1
t2
t3
t1
t2
t3
57
58
y11
y21
y31
Bloques (Viga)
2
3
y12
y22
y32
y13
y23
y33
y14
y24
y34
59
Tratamiento
1
1
y 11
2
.
.
nA
y 21
.
.
ynA1
Bloques
2
y 12
y 22
ynA2
Totales
y. 1
y. 2
Promedios
y.1
y. 2
nB
y1nB
Totales
y 1.
Promedios
y2nB
.
.
y n An B
y 2.
.
.
ynA.
y2.
.
.
yn .
y.nB
y..
y .n
y1.
y..
i 1, 2, ... n A
j 1, 2, ... nB
Yij i j ij
Cantidad de bloques
Asumimos que:
bloques no interactan.
i 1
60
nB
j 1
H 0 : 1 2 ... n A 0
H a : i 0
y
nA
nB
i 1 j 1
ij
nA
nB
nA
nB
i 1
j 1
i 1 j 1
O equivalentemente
SST SS A SS B SSE
(tratamientos)
61
(bloques)
Estadstica Aplicada II - Ing. Civil Industrial - 2015
SS A
MS A
nA 1
SSB
MS B
nB 1
SSE
MSE
nA 1nB 1
62
Valores Esperados
nA
nB i2
SS A
2 i 1
E
nA 1
nA 1
nB
n A j2
SSB
j 1
2
E
nB 1
nB 1
E MSE 2
nB
SST yij2
i 1 j 1
1
SS A
nB
y 2 ..
n A nB
nA
y 2 ..
i 1
n A nB
2
y
i .
nB
y 2 ..
1
2
SSB
y
.j
n A i 1
n A nB
SSE SST SS A SS B
63
Grados de Suma de
Libertad Cuadrados
Cuadrado Medio
Tratamientos
nA-1
SSA
Bloques
nB-1
SSB
Error
(nA-1)(nB-1)
SSE
Total
nAnB-1
SST
64
f
MSA / MSE
MSB / MSE
Ejercicio 3.8
(13-5 Montgomery, 4th ed.)
Se realiza un experimento para determinar el efecto de cuatro sustancias
qumicas diferentes sobre la resistencia de una tela. Las sustancias se emplean
como parte del proceso terminal de planchado permanente. Para ello se
escogen cinco muestras de tela y se aplica un diseo completamente
aleatorizado por bloques mediante la prueba de cada sustancia en un orden
aleatorio sobre cada una de las muestras de tela. Observe que cada muestra de
tela puede tener caractersticas propias que haga obtener distintas resistencias,
sin deberse esto a la sustancia qumica aplicada (por eso se bloquear el posible
efecto de la muestra de tela en el experimento). En caso de existir efecto por
parte de las sustancias qumicas sobre la resistencia de las telas, se identificarn
aquellas sustancias que provoquen efecto sobre la resistencia, con = 0,05.
Sustancia Qumica
1
2
3
4
Totales
Promedios
65
1
1,3
2,2
1,8
3,9
9,2
2,3
Muestra de Tela
2
3
4
1,6
0,5
1,2
2,4
0,4
2,0
1,7
0,6
1,5
4,4
2,0
4,1
10,1 3,5
8,8
2,5
0,9
2,2
5
1,1
1,8
1,3
3,4
7,6
1,9
Totales
5,7
8,8
6,9
17,8
39,2
Promedios
1,14
1,76
1,38
3,56
1,96
Ejercicio 3.8
Solucin
Tipo
fijo
fijo
Niveles
4
5
Valores
1. 2. 3. 4
1. 2. 3. 4. 5
S = 0,281514
GL
3
4
12
19
SC
18,0440
6,6930
0,9510
25,6880
R-cuad. = 96,30%
MC
6,0147
1,6733
0,0793
F
75,89
21,11
P
0,000
0,000
R-cuad.(ajustado) = 94,14%
Minitab -> Estadsticas -> Anova -> Modelo lineal general (modelo: factor,
bloque)
66
Ejercicio 3.8
Solucin
Comparaciones Mltiples
Aplicaremos el mtodo LSD de Fisher:
67
Ejercicio 3.8
Notamos que el mtodo se aplica tal cual como lo vimos anteriormente, con la
salvedad de que el nmero de muestras por tratamiento en este tipo de diseos lo
denotamos por
(bloques) y no por .
68
Tipo de
Sustancia
Quimica
1
2
3
4
Muestra de Tejido
1
-0,18
0.10
0,08
0,00
-0,10
0,08
-0,24
0,28
0,44
-0,28
0,30
-0,48
-0,18
0,00
-0,12
0,30
0,02
0,10
-0,02
-0,10
70
72
73
Qu opinas
sobre esta
cita?
76
77
Experimentos Factoriales
Definicin
Por experimento factorial entendemos aquel donde en cada
ensayo o rplica completa del experimento se investigan todas
las combinaciones posibles de los niveles de los factores.
Factor B
78
Factor A
Abajo
Bbajo
Balto
10
20
Aalto
30
40
79
Factor B
80
Factor A
Abajo
Bbajo
Balto
10
20
Aalto
30
81
Configuracin Experimental
i 1, 2, ... n A
j 1, 2, ... nB
k 1, 2, ... n
Yij i j ij ijk
Con:
nA
i 0
i 1
nB
j 1
nA
i 1
ij
nB
j 1
ij
ijk ~ N 0, 2
85
nB
yi .. yijk
j 1 k 1
nA
y. j. yijk
y. j.
y. j.
i 1 k 1
nAn
i 1, 2, ... n A
yij .
j 1, 2, ... nB
yij . yijk
y ij .
k 1
nA
nB
y... yijk
i 1 j 1 k 1
86
yi ..
y i ..
nB n
n
y...
y...
n A nB n
Pruebas de Hiptesis
H 0 : 1 2 ... n A 0
H a : i 0
H 0 : 1 2 ... nB 0
Ha : j 0
H 0 : 11 12 ... n AnB 0
H a : ij 0
87
Estimadores
A continuacin se definen los estimadores puntuales insesgados de los
parmetros desconocidos , i , i y ()ij.
y...
i yi .. y...
j y. j. y...
ij yij . yi .. y. j. y...
E (Yij ) yij . y de E (Yij ) i j ij
i j ij yij .
y .
Se deduce de
ij
88
Estadsticos
Para probar H0: i = 0 use la razn
MS A
F
MSE
Para probar H0: j = 0 use la razn
MS B
F
MSE
Para probar H0: ()ij = 0 use la razn
MS AB
F
MSE
89
nB
y2
SST y
n A nB n
i 1 j 1 k 1
n
2
ijk
yi2
y2
SS A
n A nB n
i 1 nB n
nA
nB
y2j
y2
SSB
n A nB n
j 1 n A n
nA
nB
SS AB
i 1 j 1
yij2
y2
SS A SSB
n n A nB n
ANOVA
Fuente de
Variacin
Grados de
Libertad
Suma de
Cuadrados
Cuadrado Medio
Tratamiento A
nA-1
SSA
MSA / MSE
Tratamiento B
nB-1
SSB
MSB / MSE
Interaccin
(nA-1)(nB-1)
SSAB
MSAB / MSE
Error
nAnB (n-1)
SSE
Total
nAnBn-1
SST
91
Ejercicio 3.9
Se aplican pinturas tapaporos para aeronaves en superficies de
aluminio, con dos mtodos: inmersin y rociado. La finalidad del
tapaporos es mejorar la adhesin de la pintura, y puede aplicarse en
algunas partes utilizando cualquier mtodo. El grupo de ingeniera de
procesos responsable de esta operacin se encuentra interesado en
saber si existen diferencias entre tres tapaporos diferentes en cuanto a
sus propiedades de adhesin. Para investigar el efecto que tienen el tipo
de pintura tapaporos y el mtodo de aplicacin sobre la adhesin de la
pintura, se realiza un experimento factorial. Para ello se pintan tres
especmenes con cada tapaporo utilizando cada mtodo de
aplicacin, despus se aplica una capa final de pintura y a
continuacin se mide la fuerza de adhesin. Los datos de este
experimento aparecen en la siguiente tabla.
92
Ejercicio 3.9
Tipo de
Tapaporo
Inmersin
1
2
3
y. j .
40,2
93
Rociado
12,8
15,9
11,5
yi ..
15,9
18,2
15,5
28,7
34,1
27,0
y = 89,8
nTipos nMtodos n
i 1
j 1
y2
y
nTiposnMtodosn
k 1
2
ijk
89,8
4,0 4,5 ... 5,0
2
18
nTipos
SSTipos
10,72
yi2
y2
nTiposnMtodosn
i 1 nMtodosn
2
2
2
2
SSMtodos
nMtodos
j 1
18
y2j
y2
nTiposn nTiposnMtodosn
2
2
2
94
4,58
18
4,91
nTipos nMtodos
i 1
j 1
yij2
y2
SSTipos SSMtodos
n nTipos nMtodosn
2
2
2
2
2
2
2
4,58 4,91
18
0,24
Suma de
Cuadrados
Grados de
Libertad
Media de
Cuadrados
Tipo de Tapaporos
Mtodos de
Aplicacin
Interaccin
Error
Total
4,58
2,29
4,91
4,91
61,38 5,0E-07
0,24
0,99
10,72
2
12
17
0,12
0,08
1,50
96
F0
Valor P
0,2621
GL
2
1
2
12
17
SC
4,5811
4,9089
0,2411
0,9867
10,7178
R-cuad. = 90,79%
MC
2,29056
4,90889
0,12056
0,08222
F
27,86
59,70
1,47
P
0,000
0,000
0,269
R-cuad.(ajustado) = 86,96%
Grficos de Interaccin
Grficos que nos ayudan a inferir si los factores interactan entre s o no.
Paralelos
(ms o menos)
Paralelos
(ms o menos)
99
eijk yijk y ij .
Mtodo de Aplicacin
100
Tipo de Tapaporo
Inmersin
Rociado
101
102
103
104
i 1, 2, ... n A
j 1, 2, ... n
k 1, 2, ... nC
l 1, 2, ... n
105
Interacciones de 2 factores
ANOVA
Fuente de
Variacin
Grados de Libertad
Suma de
Cuadrados
Cuadrado Medio
Tratamiento A
nA-1
SSA
MSA / MSE
Tratamiento B
nB-1
SSB
MSB / MSE
Tratamiento C
nC-1
SSC
MSC / MSE
Interaccin AB
(nA-1)(nB-1)
SSAB
Interaccin AC
(nA-1)(nC-1)
SSAC
Interaccin BC
(nB-1)(nC-1)
SSBC
Interaccin ABC
(nA-1)(nB-1)(nC-1)
SSABC
Error
nAnBnC(n-1)
SSE
Total
nAnBnCn-1
SST
106
Ejercicio 3.10
(14-2 Montgomery, 4th ed.)
Un ingeniero mecnico estudia la rugosidad superficial de una
pieza producida en una operacin de corte de metal. El inters
recae en tres factores: la rapidez con la que se hace el corte (),
la profundidad de ste () y el ngulo de la herramienta (). A
los tres factores se les asignan dos niveles, y se realizan dos
rplicas del diseo factorial. Los datos aparecen en la siguiente
tabla.
107
Ejercicio 3.10
Profundidad de corte (B)
0,025 ''
0,040 ''
Rapidez de ngulo de la herramienta
Corte (A)
(C)
20''/min.
30''/min.
ngulo de la
herramienta (C)
15
9
7
16
10
12
22
25
11
10
21
10
13
23
15
9
11
20
12
15
27
25
10
8
18
16
14
30
38
44
47
48
y i
75
102
Totales BxC
y.jk.
108
177
y.
Ejercicio 3.10
Modelo lineal general: Rugosidad Su vs. Rapidez de C. Profundidad . ...
Factor
Rapidez de Corte (A)
Profundidad de Corte (B)
ngulo de la herramienta (C)
Tipo
fijo
fijo
fijo
Niveles
2
2
2
Valores
20. 30
0,025. 0,040
15. 25
S = 1,56125
109
R-cuad. = 79,02%
GL
1
1
1
1
SC sec.
45,562
10,563
3,063
7,563
SC ajust.
45,562
10,563
3,063
7,563
MC ajust.
45,562
10,563
3,063
7,563
F
18,69
4,33
1,26
3,10
P
0,003
0,071
0,295
0,116
0,063
0,063
0,063
0,03
0,877
1,563
1,563
1,563
0,64
0,446
5,062
5,062
5,062
2,08
0,188
8
15
19,500
92,938
19,500
2,438
R-cuad.(ajustado) = 60,66%
Diseos Factoriales 2k
Si un experimentador desea estudiar al mismo tiempo el efecto de k
factores diferentes en una variable de respuesta y los factores tienen I1,
I2, . . . , Ik niveles, respectivamente, entonces un experimento completo
requiere por lo menos I1, I2, . . . , Ik observaciones. En tales situaciones, el
experimentador a menudo puede realizar un experimento de
filtracin con cada factor a solo dos niveles para obtener informacin
preliminar sobre los efectos del factor. Un experimento en el cual existen
k factores, cada uno a dos niveles, se conoce como experimento 2k
factorial. El anlisis de los datos de tal experimento es
computacionalmente ms simple que para experimentos factoriales
ms generales. Adems, un experimento 2k proporciona un entorno
ms simple para introducir los importantes conceptos de confusin y
rplicas fraccionarias. (J.L. Devore)
110
Diseos Factoriales 2k
Diseo 22
111
Diseos Factoriales 2k
Diseo 22
El efecto principal del factor A es estimado por:
112
Diseos Factoriales 2k
Diseo 22
113
Diseos Factoriales 2k
Las cantidades entre corchetes, se llaman contrastes.
Por ejemplo, el contraste de A es:
ContrasteA = a + ab b (1)
114
Diseos Factoriales 2k
Estos contrastes se utilizan para estimar el tamao de los efectos
(principales e interaccionales).
Tambin se utilizan para calcular las sumas de cuadrados:
115
Ejercicio 3.11
Un artculo publicado en el AT&T Technical Journal, describe la
aplicacin de diseos factoriales de dos factores a la fabricacin
de circuitos integrados. Un paso bsico de procesamiento en
esta industria es el crecimiento de una capa epitaxial sobre
pastillas de silicio pulidas. Las pastillas se montan en un dispositivo
sensible y se introducen en una campana de percusin. Despus
se introducen vapores qumicos a travs de boquillas ubicadas
cerca de la parte superior de la campana. Se gira el dispositivo
sensible y se aplica calor. Estas condiciones se mantienen hasta
que la capa epitaxial tiene un espesor suficiente.
116
Ejercicio 3.11
Ejercicio 3.11
118
Ejercicio 3.11
119
Anlisis Residual
Grfico de
probabilidad normal
de los residuos para
el experiemento del
proceso epitaxial.
120
Anlisis Residual
Grfico de los
residuos v/s el
tiempo de
descomposicin
121
Anlisis Residual
Grfico de los
residuos v/s la
rapidez de flujo
de arsnico
122
Anlisis Residual
Desviacin estndar del espesor de la capa epitaxial en las cuatro corridas del diseo 22.
123
Diseos Factoriales 2k
Diseo 23
124
Diseos Factoriales 2k
Diseo 23
125
Diseos Factoriales 2k
Estimacin de efectos principales de A, B y C por:
126
Diseos Factoriales 2k
Interacciones de dos factores:
127
Diseos Factoriales 2k
128
Diseos Factoriales 2k
Propiedades de la tabla anterior:
1. Aparte de la columna de la identidad (I), cada columna tiene la
misma cantidad de - y de +
2. La suma-producto de cualquier pareja de columnas es cero; es
decir que las columnas son ortogonales
3. La multiplicacin de cualquier columna por I no cambia la columna;
es decir que I es un elemento de identidad
4. El producto de cualquier pareja de columnas da una columna que
est en la tabla,
por ejemplo:
129
AB
= AB
AB ABC = A2B2C = C
Diseos Factoriales 2k
Clculo de los contrastes:
Contraste
Efecto
n2 k1
Contraste
SS
n2 k
130
Ejercicio 3.12
Considrese el experimento de rugosidad superficial descrito en el ejemplo
3.10 (14-2 Mont.). Este es un diseo 23 en los factores velocidad de corte (),
profundidad de corte () y ngulo de la herramienta (), con = 2 rplicas.
La tabla presenta los datos observados de rugosidad superficial.
131
Ejercicio 3.12
Solucin:
Para A se calcula:
Ejercicio 3.12
133
Anlisis Residual
Grfico de probabilidad
normal de los residuos del
experimento de rugosidad
superficial.
134
135
Ejemplo 3.13
(14-5 Montgomery, 4th ed.)
Un artculo publicado en Solid State Technology describe la
aplicacin de los diseos factoriales en el desarrollo de un proceso
de grabado nitroso sobre una sola oblea de plasma de grabado.
El proceso utiliza C2F6 como gas reactivo. Es posible modificar la
rapidez de flujo de gas, la potencia aplicada al ctodo, la presin
en la cmara de reaccin y el espaciamiento entre el nodo y el
ctodo (hueco). Lo usual en este proceso es que el inters recaiga
en varias variables de respuesta, pero en este ejemplo slo se
considera la rapidez de grabado del nitruro de silicio.
136
Ejemplo 3.13
Para investigar el proceso se hace uso de una sola rplica de un
diseo 24. Puesto que es poco probable que las interacciones
entre tres y cuatro factores sean significativas, el plan tentativo es
combinarlas como una estimacin del error. Los niveles de los
factores utilizados en el diseo son los siguientes:
137
Ejemplo 3.13
La siguiente tabla presenta los datos provenientes de 16 corridas
del diseo 24. Los signos de las columnas de esta tabla pueden
emplearse para estimar los efectos de los factores. Por ejemplo, la
estimacin del efecto del factor A es:
138
Ejemplo 3.13
139
Ejemplo 3.13
140
Ejemplo 3.13
Solucin:
Verificar (usando Minitab por ejemplo) que el conjunto completo de
estimaciones de efectos es:
141
Ejemplo 3.13
142
Grfico de probabilidad
Normal de los efectos del
experimento de rapidez
de grabado.
143
Grfico de interaccin AD
144
Anlisis residual
Grfico de probabilidad
normal de los residuos del
experimento de rapidez de
grabado.
145
I
N
G
E
N
I
E
R
A
C
I
V
I
L
I
N
D
U
S
T
R
I
A
L
Estadstica Aplicada II
Dayana Jaque S.