Resp Ejercicios Fase Mejora de Factoriales

RESP_EJERCICIOS FASE DE MEJORA BB P.
Reyes / febrero 2008
PREGUNTAS:
1. ¿Cuál es el propósito de la fase de mejora?
Desarrollar, probar e implementar soluciones que atiendan a las causas raíz
2. ¿Cuáles son los entregables de la fase de mejora? Dar un ejemplo.

 Acciones planeadas y probadas que eliminen o reduzcan el impacto de las
causas raíz identificadas
 Comparaciones de la situación antes y después para identificar la dimensión de
la mejora, comparar los resultados planeados (meta) contra lo alcanzado
a. Identificación de mejores niveles de operación

Temperatura 30º 40º
Velocidad 70 rpm 100 rpm
b. Generación de alternativas de solución, usar métodos de Creatividad

Verificar las diferentes combinaciones entre los factores indicados para
determinar la de mayor productividad
c. Evaluación de alternativas de solución con diagrama de árbol:
DESCRIPCIÓN ALTERNATIVAS VENTAJAS DESVENTAJAS FACTIBILIDAD SELECCIÓN

DE LA CAUSA DE SOLUCIÓN
Temperatura Mantener el a.Controlable a.Requiere Si SI
proceso a 30º b.Econòmico supervisión
Mantener el a.Menor a.Requiere Si SI
proceso a 40º tiempo de supervisión
proceso b. Control cte.
Velocidad Procesar a 70 Estabilidad Baja Si Si

rpm productividad
Procesar a 100 Productividad Poca Si Si
rpm inestabilidad
d. Selección de alternativas de solución

Procesar a 30 º y 100 rpm
e. Plan 5W-1H para implementación de las soluciones seleccionadas

Qué Por qué Cómo Donde Quién Cuándo
Procesar a La respuesta Ajustar el En la Supervisor Inmediato
30ª y 100 es confiable proceso a maquina
rpm y la estas
productividad condiciones
mayor
f. Prueba piloto y Verificación de la efectividad de las soluciones

Se labora una prueba piloto de un turno y con una sola de las máquinas para
verificar si las condiciones indicadas son posibles de mantener en condiciones
normales de producción y se identifica que los parámetros indicados si funcionan y
la productividad se vió aumentada en un 5% mientras que la calidad del producto
se verifica mediante un muestreo a lo largo del turno evaluando las características
de calidad del producto llegando a la conclusión de que son adecuadas.
g. Implementación y documentación de la solución a nivel sistema

Para que este proceso se implemente en el resto de máquinas se elaborará un
Instructivo del proceso y se difundirá a todos los departamentos involucrados para
su pronta implementación.
DISEÑO DE EXPERIMENTOS
Página 1 de 82
RESP_EJERCICIOS FASE DE MEJORA BB P. Reyes / febrero 2008
3. ¿Qué desventajas se observan cuando se experimenta con un factor a la vez?

 Se requieren demasiados experimentos para el estudio
 No se puede encontrar la combinación óptima de variables
 No se puede determinar la interacción
 Se puede llegar a conclusiones erróneas
 Se puede perder tiempo en analizar las variables equivocadas
4. ¿Qué es el diseño de experimentos?

Cambios deliberados y sistemáticos de las variables de entrada (factores) para
observar los cambios correspondientes en la salida (respuesta).
5. ¿Cuáles son las ventajas que proporciona el diseño de experimentos?

 El DOE cambia varios factores simultáneamente de forma que se puede
identificar su efecto combinado en forma económica:
o Se identifican los Factores que son significativos
o No es necesario un alto conocimiento estadístico
o Las conclusiones obtenidas son confiables
o Se pueden encontrar los mejores niveles de factores controlables que
inmunicen al proceso contra variaciones en factores no controlables
6. ¿Cuáles los diferentes propósitos que puede tener un diseño de experimentos?

 Las X’s con mayor influencia en las Y’s
 Cuantifica los efectos de las principales X’s incluyendo sus interacciones
 Produce una ecuación que cuantifica la relación entre las X’s y las Y’s
 Se puede predecir la respuesta en función de cambios en las variables de
entrada
7. ¿Cuáles son los pasos principales para la realización de diseños de experimentos?

a. Establecer objetivos
b. Seleccionar variables del proceso
c. Seleccionar un diseño experimental
d. Ejecutar el diseño
e. Verificar que los datos sean consistentes con los supuestos
experimentales
f. Analizar e interpretar los resultados
g. Usar / presentar los resultados
8. ¿Qué consideraciones deben tomarse en cuenta al planear y desarrollar

experimentos?
h. Desarrolle métodos, materiales y equipo.
i. Aplique los métodos o técnicas.
j. Supervise y cheque los detalles modificando los métodos si es necesario.
k. Registre cualquier modificación al diseño del programa.
l. Sea cuidadoso en la colección de datos.
m. Registre el avance del programa
9. ¿Cuáles son las implicaciones al realizar experimentos en la empresa?

a. Se requiere desviar recursos de la empresa para llevar a cabo el
experimento
b. Se garantizan condiciones reales de producción
10. ¿Qué criterios se deben tomar para seleccionar las variables de proceso y sus
niveles?
Las variables de proceso incluyen ambas entradas y salidas, es decir factores y
respuestas. La selección de estas variables debe:
 Incluir todos los factores relevantes
Página 2 de 82
 Ser brillantes en seleccionar los niveles de factores bajos y altos

 Evitar ajustes de factores para combinaciones imprácticas o imposibles
 Incluir todas las respuestas relevantes
 Evitar usar respuestas que combinen dos o más mediciones de proceso
 Evitar valores extremos en los factores de entrada
11. ¿Cuáles son los supuestos que se asumen cuando se realizan experimentos?
 Sistemas de medición capaces con R&R <10% para todas las respuestas
 Proceso en control estadístico
 Comportamiento normal de los residuos, con medio cero y varianza
constante. Independientes.
Ocurre una interacción cuando el efecto de un factor controlable, cambia el nivel de

otros factores controlables de entrada. Su efecto se puede perder con los diseños
factoriales fraccionales
12. ¿Cuáles son los diferentes métodos experimentales disponibles y cuál es su

alcance y aplicación?
Diseño experiemental Aplicación

Factorial de dos niveles 2K Filtraje de factores significativos
Fraccional de dos niveles ½ 2K Filtraje de factores significativos – bajo costo
Taguchi Arreglos ortogonales Diseños robustos de productos y procesos
Factorial completo FK Identificación de mejores niveles de operación
Ascenso rápido Ruta hacia el punto de operación óptimo
Diseño central compuesto CCD Identificación del punto óptimo de operación
EVOP diseño evolutivo Experimentación en la producción sin afectarla
Diseños de mezclas Encontrar la mejor mezcla de ingredientes

para el mejor rendimiento
Diseños óptimos - D Diseños por computadora para reducir costos
13. ¿Qué significan los conceptos siguientes?

a. Caracterizar el proceso (identificar los factores que influyen en la
ocurrencia de errores)
b. Replicas experimentales experimentos repetidos en diferente tiempo para
estimar el error puro experimental entre intentos de modo que se pueda
evaluar la falta de ajuste
c. Aleatorización: hacer en forma aleatoria:
 Permite confundir el efecto de los factores no controlables
 La asignación de los materiales utilizados en la experimentación
 El orden en que se realizan los experimentos
d. Bloqueo:Orden de corridas aleatorio en cada bloque
(Ej. , bloque de tiempo: AM vs PM, o Día 1 vs Día 2).
14. ¿Qué son las interacciones y cómo se identifican?

Ocurre cuando el efecto de un factor de entrada en la respuesta depende del nivel
de otro factor de entrada diferente
Página 3 de 82
 A veces se pierden con los diseños factoriales fraccionales
Sin interacción Interacción Interacción Interacción

moderada fuerte fuerte
15. ¿Qué características tiene un diseño experimental factorial completo?

Es un experimento donde se prueban todas las posibles combinaciones de los
niveles de todos los factores.
16. ¿Qué características tiene un diseño experimental factorial de dos niveles?

Una estrategia que frecuentemente se emplea es la de considerar un gran
número de factores, cada uno dispuesto en dos niveles para identificar los
factores que son significativos.
2k son diseños en los que se trabaja con k factores, todos ellos con dos
niveles (se suelen denotar + y -). Estos diseños son adecuados para tratar el tipo de
problemas descritos porque permiten trabajar con un número elevado de factores y
son válidos para estrategias secuenciales. Si k es grande, el número de
observaciones que necesita un diseño factorial 2k es muy grande (n = 2k).
Por este motivo, las fracciones factoriales 2k-p son muy utilizadas, éstas son
diseños con k factores a dos niveles, que mantienen la propiedad de ortogonalidad
de los factores y donde se suponen nulas las interacciones de orden alto (se
confunden con los efectos simples) por lo que para su estudio solo se necesitan 2k-
p observaciones (cuanto mayor sea p menor número de observaciones se necesita
pero mayor confusión de efectos se supone).
17. ¿Cómo se obtiene la ecuación de regresión de los resultados del diseño de

experimentos de 2 niveles?
y = b 0 + b1 x1 + b 2 x2 + b12 x1 x2 y = b 0 + b1 x1 + b 2 x2 + b12 x1 x2
bˆ = (20 + 40 + 30 + 52) / 4 = 35.5
0 bˆ = (20 + 40 + 30 + 52) / 4 = 30.5
0
bˆ1 = 21/ 2 = 11 bˆ1 = 2 / 2 = 1

bˆ = 11/ 2 = 5.5
2 bˆ = -18 / 2 = -9
2
bˆ12 = 1/ 2 = 0.5 bˆ12 = -58 / 2 = -29

18. ¿Cómo se identifican los factores significativos
yˆ = 35.5 + 10.5 x1 + 5.5 x2 + 0.5 x1 x2 en la tabla ANOVA de los
experimentos factoriales? yˆ = 30.5 + 1x1 - 9 x2 - 29 x1 x2
Aquellos cuyo P-value sea menor al nivel de significancia son factores significativos.
19. ¿Qué indican las gráficas factoriales y cómo se seleccionan los niveles para la
mejor operación?
Permiten visualizar los efectos de los factores.
Página 4 de 82
 Si la interacción es significativa, entonces los mejores niveles de operación

del proceso ya sea para maximizar o para minimizar la respuesta Y, se
seleccionan de la Gráfica de Interacción
 Si no es significativa la interacción, entonces los mejores niveles de los
factores se seleccionan de las gráficas de efectos principales
20. ¿Qué indican las gráficas factoriales de interacciones y cómo se seleccionan los
niveles para la mejor operación?
Se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la

interacción es significativa, los mejores niveles se seleccionan de las gráficas de
interacciones, de otra forma se seleccionan de las gráficas de efectos de los
factores principales.
Si se desea maximizar la respuesta de la gráfica se selecciona la combinación
(90,0.125) si se desea minimizar se selecciona (90, 0.063).
Interaction Plot for Vibración

Data Means
Diametro
40 0.063
0.125
35
30
Mean
25
20
15
40 90
Velocidad
21. ¿Qué indica la gráfica de superficie de respuesta?

La gráfica de Superficie de respuesta nos indica el comportamiento del proceso, es
decir, como varia la respuesta Y en función de variaciones de los factores.
Página 5 de 82
22. ¿Cuál es el propósito de la gráfica de contornos?
La gráfica de contornos indica la combinación de niveles para A y B manteniendo la

Y resp. Constante. Sirve para indicar hacia donde se debe seguir experimentando si
se quiere mejorar la respuesta, trazando una recta casi perpendicular a los
contornos:
Página 6 de 82
Contour Plot of Vibración vs Velocidad, Diametro

90
Vibración
< 15
15 – 20
20 – 25
80
25 – 30
30 – 35
35 – 40
> 40
70
Velocidad
60
50
40
0.07 0.08 0.09 0.10 0.11 0.12
Diametro
Página 7 de 82
METODOS DE CREATIVIDAD
23. ¿Qué otros métodos pueden servir de apoyo para generar alternativas de
solución?
a. Tormenta de ideas
b. SCAMPER
c. Lista de atributos
d. Análisis morfológico
e. Los seis sombreros del pensaminento
24. Dar algunos ejemplos de técnicas de creatividad para la generación de ideas de

mejora de procesos
a. Listas de verificación (5W – 1H)
b. Mapas mentales
c. Mapas conceptuales
25. ¿Qué es el método TRIZ para la solución creativa de problemas?
Es un método que se basa en eliminar contradicciones con base en utilizar

fenómenos y propiedades físicas.
26. Dar algunos ejemplos de técnicas TRIZ para la generación de ideas de mejora
de procesos
a. Segmentación: dividir un problema
Página 8 de 82
b. Calidad local: considerar las condiciones locales de operación
c. Asimetría: hacer las partes asimétricas para evitar montaje equivocado
27. ¿Cuál es el propósito de los métodos de teoría de colas?
Determinar la longitud de las colas, tiempos de servicio y tiempos de espera

probabilísticas, en función de la simulación de llegadas de entidades,
tiempos de espera, etc.
28. ¿Cuál es el propósito de los métodos de simulación?
Simular los procesos discretos y continuos para probar lay outs, eficiencias,
colas, calidad de productos y servicios (ver ejemplos de Arena).
29. ¿Después de cuanto tiempo se recomienda se evalúen los resultados de las

mejoras?
Una vez implementada la solución, esperar a que se estabilice y después de

un tiempo razonable reevaluar los resultados
30. ¿Cómo se puede cuantificar estos resultados?
a. En base a la métrica específica (rechazos, defectos, tiempos muertos, dias

de cuantas por cobrar, etc.
b. Con base en métricas Seis Sigma (DPU, PPM, DPMO, sigmas, Yrt, etc.)
31. ¿Qué formas de reconocimiento a los equipos de proyecto Seis Sigma se

recomiendan?
a. Apoyos económicos (despensas, bonos, incentivos, sobresueldo, etc.)
b. Publicidad, cartas, diplomas, etc.
c. Viajes, asistencia a otras subsidiarias o congresos para presentaciones,

etc.
d. Inclusión en la evaluación periódica de desempeño
32. ¿Cuáles son las salidas de la fase de mejora?
a. Alternativas de solución evaluadas y seleccionadas
b. Alternativas de solución implementadas con medidas para prevenir

recurrencia
c. Verificación de resultados de soluciones implementadas, documentadas y

con personal capacitado en las mismas
Página 9 de 82
PROBLEMAS: (Utilizar Minitab 13 para las soluciones)
DISEÑOS DE EXPERIMENTOS FACTORIALES DE DOS NIVELES

1. Diseño de experimentos de dos niveles: En un proceso de fabricación de
Mofles se desea mejorar el proceso de soldadura en un componente de acero
inoxidable. Para lo cual se realiza un diseño de experimentos de 2 factores y 3
niveles.
Factor Nivel bajo Nivel Alto

A. Caudal de gas (l/min.) 8 12
B. Intensidad de Corriente (A) 230 240
C. Vel. de Cadena
(m/min.) 0.6 1
Como respuesta se toma la calidad del componente en una escala de 0 a 30 entre

mayor sea mejor es la calidad
Paso 1. Generar diseño
Stat > DOE > Factorial > Create Factorial Design

Seleccionar 2-Level factorial (default generators); Number of factors
3
Designs: Seleccionar Full Factorial Seleccionar 1 Replicates
Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1
Options: Quitar bandera de Random
OK
Puede colocar la matriz del diseño en orden aleatorio o estándar con
Stat > DOE > Display Design: Standard order for design
Para cambiar de unidades sin codificar a unidades codificadas:
Stat > DOE > Display Design: Coded o Uncoded Units
Paso 2. Introducir los datos en el diseño:
RunOrder Intensida
StdOrder Caudal d Velocidad Y
1 1 8 230 0.6 10
2 2 12 230 0.6 26.5
3 3 8 240 0.6 15
4 4 12 240 0.6 17.5
5 5 8 230 1 11.5
6 6 12 230 1 26
7 7 8 240 1 17.5
8 8 12 240 1 20
Página 10 de 82
Paso 3. Analizar el diseño
Stat > DOE > Factorial > Analyze Factorial Design

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Seleccionar Normal Plot y Residuals vs Fits
Results Seleccionar todos los términos con >>
OK OK
Los resultados se muestran a continuación.
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant -893.750
Caudal 102.625
Corriente 3.75000
Velocidad 186.250
Caudal*Corriente -0.425000
Caudal*Velocidad -30.0000
Corriente*Velocidad -0.750000
Caudal*Corriente*Velocidad 0.125000
La ecuación del modelo se puede formar a partir de los siguientes coeficientes:
Y = -893.750 + 102.625 Caudal + - 0.425 Caudal*Corriente
Pareto Chart of the Effects

(response is Y, Alpha = .05)
5.646
F actor Name
A C audal
A
B C orriente
C V elocidad
AB
C
Term
BC
ABC
AC
0 1 2 3 4 5 6 7 8 9
Effect
Lenth's PSE = 1.5
Los factores significativos pasan de la línea roja y son: A y AB
Página 11 de 82
Normal Probability Plot of the Effects

(response is Y, Alpha = .05)
99
Effect Type
Not Significant
95 Significant
90 A F actor N ame
A C audal
80 B C orriente
70 C V elocidad
Percent
60
50
40
30
20
10 AB
5
1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5
Paso 4. Obtener las gráficas factoriales para seleccionar los

mejores niveles de operación
Stat > DOE > Factorial Plots
Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad,

Caudal y Vel. Con >>
Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad,

Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad,

OK
Main Effects Plot (data means) for Y

Caudal Corriente
22
20
18
16
Mean of Y
14
8 12 230 240
Velocidad
22
20
18
16
14
0.6 1.0
Página 12 de 82
Interaction Plot (data means) for Y

28 Caudal
8
26 12
24
22
20
Mean
18
16
14
12
10
230 240
Corriente
Los factores significativos se seleccionan de esta gráfica ya que la

interacción fue significativa, en este caso Caudal = 12; Corriente =
230
Cube Plot (data means) for Y
17.5 20.0
15.0 17.5
240
Corriente 11.5 26.0

1
Velocidad
10.0 26.5
230 0.6
8 12
Caudal
Paso 5. Obtener las gráficas de contornos y de superficie de

respuesta
Stat > DOE > Contour and Surface Plots

Seleccionar Contour Plot: Setup: Response Y; Pasar Intensidad,
Seleccionar Surface response Plot: Setup: Response Y; Pasar
Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad,
OK
Página 13 de 82
Contour Plot of Y vs Intensidad, Caudal

240.0
Y
< 12
12 - 15
238.5
15 - 18
18 - 21
21 - 24
237.0
> 24
Intensidad
Hold Values
235.5 Velocidad 0.6
234.0
232.5
231.0
8 9 10 11 12
Caudal
Dirección de experimentación para la búsqueda del punto óptimo
Paso 6. Obtener una ampliación de la respuesta en la zona de

Y = 21 a 24
Stat > DOE > Factorial > Overlaid Contour Plot

Seleccionar en Response Y
Seleccionar en Settings Hold Extra factors in Low setting
Seleccionar en Contours Low 21 High 26
OK
Overlaid Contour Plot of Y

240.0
Y
21
26
238.5
Hold Values
Velocidad 0.6
237.0
Intensidad
235.5
234.0
232.5
231.0
8 9 10 11 12
Caudal
Ampliación de la gráfica de contornos en cierta respuesta específica
Paso 7. Obtener una respuesta optimizada
Stat > DOE > Factorial > Response Optimizer

Seleccionar en Response Y
Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Goal Maximize Lower 21 Target 26
OK
Seleccionar y mover las líneas de cada factor hasta obtener el máximo rendimiento:
Página 14 de 82
Se mueve la línea roja hasta encontrar la máxima respuesta Y, en este punto los
valores de los factores de control se muestran en rojo
2. Diseño de dos niveles: Se usa un Router para hacer los barrenos de

localización de una placa de circuito impreso. La vibración es fuente principal de
variación. La vibración de la placa a ser cortada depende del tamaño de los
barrenos (A1 = 1/16" y A2 = 1/8") y de la velocidad de corte (B1 = 40 RPMs y B2 =
90 RPMs).
La variable de respuesta se mide en tres acelerómetros A,Y,Z en cada uno de los

circuitos impresos.
Los resultados se muestran a continuación.
Niveles reales Réplica

A B I II III IV
0.063 40 18.2 18.9 12.9 14.4
0.125 40 27.2 24.0 22.4 22.5
0.063 90 15.9 14.5 15.1 14.2
0.125 90 41.0 43.9 36.3 39.9
PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO

Type of Design: Two Level Factorial (default generators)
Number of Factors 2
Designs Full Factorial
Number of Center points 0
Number of replicates: 4
Number of Blocks 1 OK
Factors
Factor Name Type Low High
A Diámetro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK
Página 15 de 82
PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA

CORRESPONDIENTE A CADA
COMBINACION DE FACTORES DESPUÉS QUE MINITAB GENERO EL DISEÑO O
ARREGLO
Para ver los datos en orden estándar
1. Stat > DOE > Display Design

2. Seleccionar Standar order for design Uncoded units
3. OK
StdOrder RunOrder CenterPt Blocks Diametro Velocidad Resp

1 11 1 1 0.063 40 18.2
2 9 1 1 0.125 40 27.2
3 12 1 1 0.063 90 15.9
4 13 1 1 0.125 90 41.0
5 16 1 1 0.063 40 18.9
6 2 1 1 0.125 40 24.0
7 10 1 1 0.063 90 14.5
8 1 1 1 0.125 90 43.9
9 5 1 1 0.063 40 12.9
10 15 1 1 0.125 40 22.4
11 8 1 1 0.063 90 15.1
12 7 1 1 0.125 90 36.3
13 4 1 1 0.063 40 14.4
14 3 1 1 0.125 40 22.5
15 6 1 1 0.063 90 14.2
16 14 1 1 0.125 90 39.9
PASO 3 ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL

COMPLETO

Response Seleccionar la columna de las respuestas Vibración
Terms Pasar todos los términos a Selected terms con >> OK
Graphs Seleccionar Effects Plots Normal y Pareto
Seleccionar Alfa = 0.05
Seleccionar Residual for Plots Standardized
Seleccionar Residual plots: Normal y vs fits OK
Results Seleccionar Unusual observations in addition to the above
Seleccionar en Display of alias table Default interactions
Seleccionar todos los términos a Selected terms con >> OK
OK
El comportamiento de los residuos es adecuado: siguen una

distribución normal y son aleatorios respecto a la media, como se
observa en las siguientes gráficas:
Página 16 de 82
Estimated Coefficients for Resp using data in uncoded units
Term Coef
Constant 23.0550
Diametro -96.2400
Velocidad -0.372000
Diametro*Velocidad 5.57600
La ecuación del modelo se estima a partir de los coeficientes

anteriores como sigue:
Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad +

5.576*Diametro*velocidad
De la gráfica normal de efectos de los factores, se puede observar

que los factores significativos son: A, B, y AB.
Normal Plot of the Standardized Effects

(response is Resp, Alpha = .05)
Effect Type
1.0E+02 Not Significant
Significant
99.9999
F actor N ame
A D iametro
99.99 B V elocidad
Percent
99
95
80 A
50 AB
20 B
5
1
0 4 8 12 16
Standardized Effect
Página 17 de 82
Pareto Chart of the Standardized Effects

(response is Resp, Alpha = .05)
2.18
F actor N ame
A D iametro
B V elocidad
A
Term
AB
0 2 4 6 8 10 12 14
Standardized Effect
paso 4. Obtener las gráficas factoriales para identificar las

mejores condiciones de operación
Las instrucciones son las siguientes:

Stat > DOE > Factorial > Factorial Plots
Seleccionar Main effects, Interaction Plots y Cube Plot
Realizar el Setup para cada una de estas:
Seleccionar columna Response vibración
y con >> seleccionar todos los factores a Selected OK
Seleccionar Data Means
OK
Página 18 de 82
Main Effects Plot for Vibración

Data Means
Diametro Velocidad
32.5
30.0
27.5
Mean
25.0
22.5
20.0
17.5
15.0
0.063 0.125 40 90
Interaction Plot for Vibración

Data Means
Diametro
40 0.063
0.125
35
30
Mean
25
20
15
40 90
Velocidad
Como la interacción fue significativa, los mejores niveles de los

factores se seleccionan de esta gráfica, es este caso como se busca la
menor, se tiene: Velocidad en 90 y diámetro en 0.063.
Página 19 de 82
Cube Plot (data means) for Vibración
14.925 40.275
90
Velocidad
16.100 24.025
40
0.063 0.125
Diametro
paso 5. Obtención de las gráficas de contornos y de superficie

de respuesta
Las instrucciones son las siguientes:

Stat > DOE > Factorial > Contour / Surface Plots
Seleccionar Contour y Surface Plots
Seleccionar columna Response vibración
Seleccionar Uncoded units (valores reales) o Codificados
OK
La gráfica de contornos indica la combinación de niveles para A y B manteniendo la

Y respuesta Constante. Sirve para indicar hacia donde se debe seguir
experimentando si se quiere mejorar la respuesta, trazando una recta casi
perpendicular a los contornos:
Página 20 de 82
Contour Plot of Vibración vs Velocidad, Diametro

90
Vibración
< 15
15 – 20
20 – 25
80
25 – 30
30 – 35
35 – 40
> 40
70
Velocidad
60
50
40
0.07 0.08 0.09 0.10 0.11 0.12
Diametro
Dirección de experimentación en la ruta de ascenso rápido, para encontrar el punto

óptimo.
Optimizador
Stat > DOE > Factorial > Response optimizer

Seleccionar como response Vibración
Seleccionar Options Diametro 0.065 Velocidad 50
Set up Vibración Minimize Target 10 Upper 40
OK
Respuesta óptima en Diámetro 0.125 y Velocida 90
Página 21 de 82
3. Un ingeniero está interesado en los efectos de la velocidad de corte (A), la

geometría de la herramienta (B) y el ángulo de corte (C) sobre la vida (en horas) de
una máquina herramienta. Se eligen dos niveles de cada factor y se corren tres
réplicas de un diseño factorial 23. Los resultados fueron los siguientes:
Réplicas
A B C I II III
-1 -1 -1 22 31 25
+1 -1 -1 32 43 29
-1 +1 -1 35 34 50
+1 +1 -1 55 47 46
-1 -1 +1 44 45 38
+1 -1 +1 40 37 36
-1 +1 +1 60 50 54
+1 +1 +1 39 41 47
a) Correr el diseño de experimentos:
Paso 1. Generar el diseño factorial

Number of Factors 4
Number of Blocks 1
Página 22 de 82
Factors
A Velocidad Numeric -1 +1
B Geometría Numeric -1 +1
C Ángulo Numeric -1 +1
Options: quitar la bandera de Randomize runs
OK
Paso 2. En el arreglo generado agregar la columna de respuesta
StdOrder RunOrder CenterPt Blocks A B C Vida_Herram

1 1 1 1 -1 -1 -1 22
2 2 1 1 1 -1 -1 32
3 3 1 1 -1 1 -1 35
4 4 1 1 1 1 -1 55
5 5 1 1 -1 -1 1 44
6 6 1 1 1 -1 1 40
7 7 1 1 -1 1 1 60
8 8 1 1 1 1 1 39
9 9 1 1 -1 -1 -1 31
10 10 1 1 1 -1 -1 43
11 11 1 1 -1 1 -1 34
12 12 1 1 1 1 -1 47
13 13 1 1 -1 -1 1 45
14 14 1 1 1 -1 1 37
15 15 1 1 -1 1 1 50
16 16 1 1 1 1 1 41
17 17 1 1 -1 -1 -1 25
18 18 1 1 1 -1 -1 29
19 19 1 1 -1 1 -1 50
20 20 1 1 1 1 -1 46
21 21 1 1 -1 -1 1 38
22 22 1 1 1 -1 1 36
23 23 1 1 -1 1 1 54
24 24 1 1 1 1 1 47
Paso 3. Analizar el diseño de experimentos factorial completo de dos

niveles

Response Seleccionar la columna de las respuestas Vida_Herram
Graphs Seleccionar Effects Plots Normal y Pareto Selecc. Alfa = 0.05
Storage: seleccionar Fits y Residuals
OK
Página 23 de 82
b) Obtener los residuos y hacer una prueba de normalidad, comentar la adecuación

del modelo
Normal Probability Plot

(response is Vida_Herram)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Standardized Residual
Los residuos se apegan a una distribución normal y varían de manera aleatoria

respecto a su media de cero, por tanto el modelo es adecuado.
Versus Fits
(response is Vida_Herram)
2.5
2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
25 30 35 40 45 50 55
Fitted Value
Página 24 de 82
c) Determinar los efectos de los factores principales y de las interacciones: B, C y

AC
Probar a un nivel del 5% identificar si hay los factores o las interacciones son
significativas
Factorial Fit: Vida_Herram versus A, B, C
Estimated Effects and Coefficients for Vida_Herram (coded units)
Term Effect Coef SE Coef T P

Constant 40.833 1.121 36.42 0.000
A 0.333 0.167 1.121 0.15 0.884
B 11.333 5.667 1.121 5.05 0.000 Significativos con alfa = 0.05
C 6.833 3.417 1.121 3.05 0.008
A*B -1.667 -0.833 1.121 -0.74 0.468
A*C -8.833 -4.417 1.121 -3.94 0.001
B*C -2.833 -1.417 1.121 -1.26 0.224
A*B*C -2.167 -1.083 1.121 -0.97 0.348
S = 5.49242 PRESS = 1086

R-Sq = 76.96% R-Sq(pred) = 48.17% R-Sq(adj) = 66.89%
d) Identificar en las graficas normal y Pareto los efectos principales e interacciones

que son significativos

(response is Vida_Herram, Alpha = .05)
2.120
F actor N ame
A A
B B B
C C
AC
C
Term
BC
ABC
AB
0 1 2 3 4 5
Standardized Effect
Página 25 de 82

(response is Vida_Herram, Alpha = .05)
99
Effect Ty pe
Not Significant
95 Significant
90 B F actor N ame
A A
80 B B
C C C
70
Percent
60
50
40
30
20
10 AC
5
1
-5.0 -2.5 0.0 2.5 5.0
Standardized Effect
Los factores significativos coinciden con los determinados en la tabla de valores P,

resultando significativos: B, C y AC.
e) Determinar la ecuación de regresión del modelo del proceso con valores no

codificados para predecir la respuesta:

Constant 40.833 1.121 36.42 0.000
A 0.333 0.167 1.121 0.15 0.884
B 11.333 5.667 1.121 5.05 0.000 Significativos con alfa = 0.05
C 6.833 3.417 1.121 3.05 0.008
A*B -1.667 -0.833 1.121 -0.74 0.468
A*C -8.833 -4.417 1.121 -3.94 0.001
B*C -2.833 -1.417 1.121 -1.26 0.224
A*B*C -2.167 -1.083 1.121 -0.97 0.348
La ecuación de regresión es: Y = 40.833 + 11.333*B + 6.833*C –

8.833*A*C
f) Determinar los valores Y estimados hacer prueba de normalidad
En Storage: Fits y Residuals (al hacer el análisis)
Stat > Basic statistics > Normality Test Variable Fits1 OK
Página 26 de 82
Probability Plot of FITS1

Normal
99
Mean 40.83
StDev 8.374
95 N 24
AD 0.575
90
P-Value 0.120
80
70
Percent
60
50
40
30
20
10
1
20 30 40 50 60
FITS1
Página 27 de 82
Para el caso de los residuos:
Graph > Probability Plot > Single Graph Variables Resi1 OK
Probability Plot of RESI1

Normal - 95% CI
99
Mean -2.36848E-15
StDev 4.581
95 N 24
AD 0.674
90
P-Value 0.069
80
70
Percent
60
50
40
30
20
10
1
-15 -10 -5 0 5 10 15
RESI1
g) Obtener las gráficas factoriales y de cubo y dar conclusiones

Seleccionar columna Vida_Herram
y para cada caso con >> seleccionar todos los factores a Selected OK
Seleccionar Data Means OK
Main Effects Plot for Vida_Herram

Data Means
A B
45.0
42.5
40.0
37.5
35.0
Mean
-1 1 -1 1
C
45.0
42.5
40.0
37.5
35.0
-1 1
Conclusión: como el factor principal B fue significativo pero no así sus interacciones,
su mejor nivel se selecciona de esta gráfica, B = 1 (nivel alto).
Página 28 de 82
Interaction Plot for Vida_Herram

Data Means
-1 1 -1 1
50
A
-1
1
40
A
30
50
B
-1
1
40
B
30
Como la interacción de los factores A y C fue significativa, sus mejores niveles se

seleccionan de esta gráfica, o sea: A = -1 (bajo), C = +1 (alto)
Por tanto la mejor salida posible con la combinación de los tres factores es: A=-1,
B=1, C=1:
Cube Plot (data means) for Vida_Herram
54.6667 42.3333
39.6667 49.3333
1
B 42.3333 37.6667
1
C
26.0000 34.6667
-1 -1
-1 1
A
h) Obtener las gráficas de contornos y de superficie de respuesta y dar conclusiones
Página 29 de 82

Seleccionar columna Response Vida_Herr
Seleccionar Generate plots for all pairs of numeric factors
Seleccionar In separate panels of the same graph
Seleccionar Coded units (valores Codificados)
En Contours seleccionar Contour lines OK
OK
Contour Plots of Vida_Herram

-1.0 -0.5 0.0 0.5 1.0
B*A C*A Hold Values
1.0
45 A -1
40
B -1
0.5
C -1
35
35
0.0
40
-0.5
30 30
-1.0
C*B
1.0
45
0.5 50
0.0 35
-0.5
30 40
-1.0
-1.0 -0.5 0.0 0.5 1.0
Las flechas indican la dirección de la trayectoria de ascenso rápido para continuar

la optimización
Surface Plots of Vida_Herram

Hold Values
A -1
B -1
C -1
50
40
Vida_Herram 40 Vida_Herram 35
1 30 1
30
0 B 25 0 C
-1 -1
0 -1 0 -1
A 1 A 1
50
Vida_Herram
40
1
30
0 C
-1
0 -1
B 1
Página 30 de 82
i) Obtener una ampliación de la zona de contornos de interés

Stat > DOE > Ovelaid Contour Plot
Response Vida_Herram
Contours Low 45 High 100
Settings Low settings A: 0.5 B: 0.5 C: 0.5
Factors X y Y combinar AB, AC, BC
Seleccionar Coded Units
OK
Contour Plot of Vida_Herram

1.0
Vida_Herram
45
100
Hold Values
0.5 C 0.7
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A

1.0
Vida_Herram
45
100
Hold Values
0.5 B 0.7
0.0
C
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A
Página 31 de 82

1.0
Vida_Herram
45
100
Hold Values
0.5 A 0.7
0.0
C
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
B
Aquí se puede apreciar mejor la respuesta ampliada de los contornos cercanos a la

respuesta máxima
j) Utilizar el optimizador para encontrar una combinación óptima de factores para

maximizar la vida

Seleccionar como response Vida_Herram
Seleccionar Options Diametro 0.065 Velocidad 50
Set up Selected Vida_Herram Maximize Target 45 Upper 80
Options: Starting value A 0.7 B 0.7 C 0.7
OK
La solución coincide con la encontrada en las gráficas factoriales.
Página 32 de 82
k) Con las gráficas factoriales si se quiere maximizar la vida, ¿en que niveles
conviene operar el proceso?
A=-1, B=1, C=1:
4. Se utiliza una aleación de níquel y titanio para fabricar componentes de los

motores de turbinas de aviones. La formación de fisuras es un problema
potencialmente serio de las piezas terminadas, ya que pueden provocar fallas
irreversibles. Se realiza una prueba de las piezas para determinar el efecto de
cuatro factores sobre las fisuras. Los cuatro factores son la temperatura de vaciado
(A), el contenido de titanio (B), el método de tratamiento térmico (C) y la cantidad
de refinador de grano usada (D). se hacen dos réplicas de un diseño 24 y se mide la
longitud de las fisuras (en mm
x 10-2) inducidas en un ejemplar de prueba de muestra sometido a una prueba
estándar. Los datos se muestran en la siguiente tabla:
Combinación de Réplica Réplica

A B C D Tratamientos I II
-1 -1 -1 -1 -1 7.037 6.376
+1 -1 -1 -1 a 14.707 15.219
-1 +1 -1 -1 b 11.635 12.089
+1 +1 -1 -1 ab 17.273 17.815
-1 -1 +1 -1 c 10.403 10.151
+1 -1 +1 -1 ac 4.368 4.098
-1 +1 +1 -1 bc 9.36 9.253
+1 +1 +1 -1 abc 13.44 12.923
-1 -1 -1 +1 d 8.561 8.951
+1 -1 -1 +1 ad 16.867 17.052
-1 +1 -1 +1 bd 13.876 13.658
+1 +1 -1 +1 abd 19.824 19.639
-1 -1 +1 +1 cd 11.846 12.337
+1 -1 +1 +1 acd 6.125 5.904
-1 +1 +1 +1 bcd 11.19 10.935
+1 +1 +1 +1 abcd 15.653 15.053
a) Correr el diseño de experimentos

Number of Factors 3
Number of Blocks 1
Factors
A Temperatura Numeric -1 +1
B Titanio Numeric -1 +1
Página 33 de 82
C Temple Numeric -1 +1
D Grano Numeric -1 +1
OK
StdOrder RunOrder CenterPt Blocks A B C D Fisuras

1 1 1 1 -1 -1 -1 -1 7.037
2 2 1 1 1 -1 -1 -1 14.707
3 3 1 1 -1 1 -1 -1 11.635
4 4 1 1 1 1 -1 -1 17.273
5 5 1 1 -1 -1 1 -1 10.403
6 6 1 1 1 -1 1 -1 4.368
7 7 1 1 -1 1 1 -1 9.36
8 8 1 1 1 1 1 -1 13.44
9 9 1 1 -1 -1 -1 1 8.561
10 10 1 1 1 -1 -1 1 16.867
11 11 1 1 -1 1 -1 1 13.876
12 12 1 1 1 1 -1 1 19.824
13 13 1 1 -1 -1 1 1 11.846
14 14 1 1 1 -1 1 1 6.125
15 15 1 1 -1 1 1 1 11.19
16 16 1 1 1 1 1 1 15.653
17 17 1 1 -1 -1 -1 -1 6.376
18 18 1 1 1 -1 -1 -1 15.219
19 19 1 1 -1 1 -1 -1 12.089
20 20 1 1 1 1 -1 -1 17.815
21 21 1 1 -1 -1 1 -1 10.151
22 22 1 1 1 -1 1 -1 4.098
23 23 1 1 -1 1 1 -1 9.253
24 24 1 1 1 1 1 -1 12.923
25 25 1 1 -1 -1 -1 1 8.951
26 26 1 1 1 -1 -1 1 17.052
27 27 1 1 -1 1 -1 1 13.658
28 28 1 1 1 1 -1 1 19.639
29 29 1 1 -1 -1 1 1 12.337
30 30 1 1 1 -1 1 1 5.904
31 31 1 1 -1 1 1 1 10.935
32 32 1 1 1 1 1 1 15.053

niveles
significativas

Response Seleccionar la columna de las respuestas Fisuras
OK
Página 34 de 82

del modelo

(response is Fisuras)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Los residuos siguen una distribución normal y son aleatorios alrededor de la media
de cero
Versus Fits
(response is Fisuras)
2
1
-1
-2
5.0 7.5 10.0 12.5 15.0 17.5 20.0
Fitted Value
Página 35 de 82
c) Determinar los efectos de los factores principales y de las interacciones

significativas
Factorial Fit: Fisuras versus A, B, C, D
Estimated Effects and Coefficients for Fisuras (coded units)

Constant 11.988 0.05036 238.04 0.000
A 3.019 1.509 0.05036 29.97 0.000 Son significativos
B 3.976 1.988 0.05036 39.47 0.000
C -3.596 -1.798 0.05036 -35.70 0.000
D 1.958 0.979 0.05036 19.44 0.000
A*B 1.934 0.967 0.05036 19.20 0.000
A*C -4.008 -2.004 0.05036 -39.79 0.000
A*D 0.076 0.038 0.05036 0.76 0.459
B*C 0.096 0.048 0.05036 0.95 0.355
B*D 0.047 0.024 0.05036 0.47 0.645
C*D -0.077 -0.038 0.05036 -0.76 0.456
A*B*C 3.137 1.569 0.05036 31.15 0.000 No es físicamente importante
A*B*D 0.098 0.049 0.05036 0.97 0.345
A*C*D 0.019 0.010 0.05036 0.19 0.852
B*C*D 0.036 0.018 0.05036 0.35 0.728
A*B*C*D 0.014 0.007 0.05036 0.14 0.890
S = 0.284885 PRESS = 5.19422



(response is Fisuras, Alpha = .05)
2.12
F actor N ame
AC
A A
B B B
C C C
D D
ABC
A
D
AB
Term
ABD
BC
CD
AD
BD
BC D
AC D
A BCD
0 10 20 30 40
Standardized Effect
Son significativos los factores e interacciones que pasan de la línea roja.
Página 36 de 82

(response is Fisuras, Alpha = .05)
99
Effect Type
Not Significant
95 B Significant
90 F actor N ame
ABC
A A
80 A B B
D C C
70 AB D D
Percent
60
50
40
30
20
10 C
5 AC
1
-50 -40 -30 -20 -10 0 10 20 30 40
Standardized Effect
Son significativos los factores e interacciones que aparecen fuera de la gráfica

normal,
e) Determinar la ecuación de regresión del modelo del proceso con valores

codificados para predecir la respuesta
Effect
Constant 40.833 1.121 36.42 0.000
A 3.019 1.509 0.05036 29.97 0.000 Son significativos
B 3.976 1.988 0.05036 39.47 0.000
C -3.596 -1.798 0.05036 -35.70 0.000
D 1.958 0.979 0.05036 19.44 0.000
A*B 1.934 0.967 0.05036 19.20 0.000
A*C -4.008 -2.004 0.05036 -39.79 0.000
Y = 40.833 + 3.019*A + 3.976*B – 3.596*C + 1.958*D + 1.934*A*B –

4.008*A*C

Página 37 de 82

Normal
99
Mean 11.99
StDev 4.292
95 N 32
AD 0.198
90
P-Value 0.877
80
70
Percent
60
50
40
30
20
10
1
0 5 10 15 20
FITS1

Seleccionar columna Fisuras
Main Effects Plot for Fisuras

Data Means
A B
14
13
12
11
10
Mean
-1 1 -1 1
C D
14
13
12
11
10
-1 1 -1 1
El factor D no tuvo interacciones de dos factores, por lo que su menor nivel se

selecciona de esta gráfica. D = -1.
Página 38 de 82
Interaction Plot for Fisuras

Data Means
-1 1 -1 1 -1 1
16 A
-1
A 12 1
8
16 B
-1
B 12 1
8
16 C
-1
C 12 1
Los mejores nieveles de A,B y A, C se obtienen de esta gráfica de interacción ya que

fue significativa, para una respuesta mínima se tiene: A= 1, B = -1, C = 1
Cube Plot (data means) for Fisuras
9.3065 13.1815 11.0625 15.3530
1 11.8620 17.5440 13.7670 19.7315
B
10.2770 4.2330 12.0915 6.0145
1
C
6.7065 14.9630 8.7560 16.9595
-1 -1
-1 1
A
-1 1
D
El menor nivel se obtiene en A = 1, B = -1, C = 1, D = -1

Seleccionar columna Response Fisuras
OK
Página 39 de 82
Contour Plots of Fisuras

-1 0 1
B*A C*A D*A Hold Values
1.0
12.5 7.5 12.5 A -1
B -1
0.5
C -1
D -1
0.0
15.0
15.0
-0.5
12.5
10.0 10.0 7.5 10.0
-1.0
C*B D*B D*C
1.0
10.0 12.5
0.5
0.0
-0.5 7.5
7.5
7.5 10.0 10.0 10.0
-1.0
-1 0 1 -1 0 1
Direcciones de trayectoria de ascenso rápido para continuar la optimización.
Página 40 de 82

Response Fisuras
Contours Low 2 High 10
Settings Low settings A: -1 B: -1 C: 1
Factors X y Y combinar AB, AC
OK
Vista ampliada de las gráficas de contornos de la superficie de respuesta
Contour Plot of Fisuras

1.0
Fisuras
2
10
Hold Values
0.5 C 1
D -1
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A
Contour Plot of Fisuras

1.0
Fisuras
2
10
Hold Values
0.5 B -1
D -1
0.0
C
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A
Página 41 de 82

minimizar las fisuras

Seleccionar como response Fisuras
Seleccionar Options A -1 B -1 C - D -1
Set up Selected Fisuras Minimize Target 2 Upper 10
Options: Starting value A 1 B -1 C 1 D -1
OK
k) Con las gráficas factoriales si se quieren miminizar las fisuras, ¿en que niveles
El menor nivel se obtiene en A = 1, B = -1, C = 1, D = -1
Página 42 de 82
5. Se realiza un experimento para estudiar el efecto del porcentaje de

carbonatación,
la presión de operación del llenador y velocidad de la línea, en la altura de llenado
de un refresco minimizando la desviación respecto al estándar.
Nivel bajo -1 Nivel alto1 n

A - Porcentaje de carbonatación 30 40 2
B - Presión del llenador (psi) 100 150
C - Velocidad de llenado
(Botellas/minuto) 60 100
Los resultados de las desviaciones en la respuesta media se muestran a

continuación:
A B C Réplica 1 Réplica 2
-1 -1 -1 -3 -1
1 -1 -1 0 1
-1 1 -1 -1 0
1 1 -1 2 3
-1 -1 1 -1 0
1 -1 1 2 1
-1 1 1 1 1
1 1 1 6 5
a) Correr el experimento
Paso 1. Generar el diseño factorial

Number of Factors 3
Number of Blocks 1
Factors
A % Carbonat. Numeric -1 +1
B Presión LlenadoNumeric -1 +1
C Velocidad Numeric -1 +1
OK
StdOrder RunOrder CenterPt Blocks A B C Desviacion FITS1 RESI1

1 1 1 1 -1 -1 -1 -3 -2 -1
2 2 1 1 1 -1 -1 0 0.5 -0.5
3 3 1 1 -1 1 -1 -1 -0.5 -0.5
4 4 1 1 1 1 -1 2 2.5 -0.5
5 5 1 1 -1 -1 1 -1 -0.5 -0.5
6 6 1 1 1 -1 1 2 1.5 0.5
7 7 1 1 -1 1 1 1 1 3.3307E-16
Página 43 de 82
8 8 1 1 1 1 1 6 5.5 0.5
9 9 1 1 -1 -1 -1 -1 -2 1
10 10 1 1 1 -1 -1 1 0.5 0.5
11 11 1 1 -1 1 -1 0 -0.5 0.5
12 12 1 1 1 1 -1 3 2.5 0.5
13 13 1 1 -1 -1 1 0 -0.5 0.5
14 14 1 1 1 -1 1 1 1.5 -0.5
15 15 1 1 -1 1 1 1 1 3.3307E-16
16 16 1 1 1 1 1 5 5.5 -0.5

niveles
Response Seleccionar la columna de las respuestas Desviación
OK

del modelo

(response is Desviacion)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Los residuos se distribuyen normalmente y son aleatorios alrededor de la su media

de cero,
Página 44 de 82
Versus Fits
(response is Desviacion)
2
1
-1
-2
-2 -1 0 1 2 3 4 5 6
Fitted Value

significativas
Factorial Fit: Desviacion versus A, B, C
Estimated Effects and Coefficients for Desviacion (coded units)

Constant 1.0000 0.1976 5.06 0.001
A 3.0000 1.5000 0.1976 7.59 0.000 Significativos
B 2.2500 1.1250 0.1976 5.69 0.000
C 1.7500 0.8750 0.1976 4.43 0.002
A*B 0.7500 0.3750 0.1976 1.90 0.094
A*C 0.2500 0.1250 0.1976 0.63 0.545
B*C 0.5000 0.2500 0.1976 1.26 0.242
A*B*C 0.5000 0.2500 0.1976 1.26 0.242
S = 0.790569 PRESS = 20

Página 45 de 82

(response is Desviacion, Alpha = .05)
2.306
F actor Name
A A
A B B
C C
B
C
Term
AB
BC
ABC
AC
0 1 2 3 4 5 6 7 8
Standardized Effect

(response is Desviacion, Alpha = .05)
99
Effect Type
Not Significant
95 Significant
90 A F actor N ame
A A
80 B B
B C C
70
C
Percent
60
50
40
30
20
10
1
-2 0 2 4 6 8
Standardized Effect
Los factores significativos son A, B y C. No hay interacciones significativas.
e) Determinar la ecuación de regresión del modelo del proceso con valores

codificados para predecir la respuesta

Constant 1.0000 0.1976 5.06 0.001
A 3.0000 1.5000 0.1976 7.59 0.000 Significativos
B 2.2500 1.1250 0.1976 5.69 0.000
C 1.7500 0.8750 0.1976 4.43 0.002
La ecuación de regresión es:
Y = 1 + 1.5*A + 1.125*B + 0.875*C
Página 46 de 82


Normal
99
Mean 1
StDev 2.206
95 N 16
AD 0.557
90
P-Value 0.126
80
70
Percent
60
50
40
30
20
10
1
-5.0 -2.5 0.0 2.5 5.0 7.5
FITS2
Para el caso de los residuos:
Graph > Probability Plot > Single Graph Variables Resi1 OK
Probability Plot of RESI2

Normal - 95% CI
99
Mean -6.93889E-17
StDev 0.5774
95 N 16
AD 1.063
90
P-Value 0.006
80
70
Percent
60
50
40
30
20
10
1
-2 -1 0 1 2
RESI2
Tanto los valores estimados FITS como los residuos presentan normalidad.
Página 47 de 82

Seleccionar columna Desviacion
Main Effects Plot for Desviacion

Data Means
A B
0
Mean
-1 1 -1 1
C
-1 1
De esta gráfica se seleccionan los mejores niveles para los factores, la menor
desviación se obtiene co: A= B = C = -1.
Interaction Plot for Desviacion

Data Means
-1 1 -1 1
4 A
-1
2 1
A
0
4
B
-1
2 1
B
0
Página 48 de 82
Cube Plot (data means) for Desviacion
1.0 5.5
-0.5 2.5
1
B -0.5 1.5
1
C
-2.0 0.5
-1 -1
-1 1
A
La menor desviación respecto a cero (+-0.5) se encuentra en los niveles:
A = B = -1 y C = 1 y A=1, B = -1, C = -1

Seleccionar columna Response Desviacion
OK
Página 49 de 82
Contour Plots of Desviacion

B*A C*A Hold Values
1.0 1.0
0.8 0.8 A -1
B -1
0.5 1.6 0.5
C -1
-0.8
-0.8
0.0 0.0
-0.5 -0.5
-1.6 0.0 -1.6 0.0

-1.0 -1.0
-1.0 -0.5 0.0 0.5 1.0 -1.0 -0.5 0.0 0.5 1.0
C *B
1.0
0.5
-0.8
0.0
0.0
-0.5
-1.6
-1.0
-1.0 -0.5 0.0 0.5 1.0
Se iobserva que el cero que es punto óptimo se encuentra en la región de

resppuesta.

Response Desviacion
Contours Low -1 High 1
Settings Low settings A: -1 B: -1 C: -1
Factors X y Y combinar AB, AC, BC
Contour Plot of Desviacion

1.0
Desviacion
-1
1
Hold Values
0.5 C -1
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A
Página 50 de 82

1.0
Desv iacion
-1
1
Hold Values
0.5 B -1
0.0
C
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
A

1.0
Desv iacion
-1
1
Hold Values
0.5 A -1
0.0
C
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0
B
Página 51 de 82

minimizar la desviación

Seleccionar como response Desviacion
Set up Selected Desviacion Target Minimum -1 Target 0 Upper 1
Options: Starting value A -1 B -1 C -1
OK
k) Con las gráficas factoriales si se quiere minimizar la desviación, ¿en que niveles
A = - 0.5 B = -0.7 C = 0.5
l) General el diseño y repetir el análisis considerando como respuesta el Logaritmo

natural de la varianza o la desviación estándar
Stat > DOE > Factorial > Preprocess Responses for Analyze Variability.
En Standard deviation to use for analysis, seleccionar Compute for replicates in each
response column
En Response, en el primer renglón, poner Desviación.
En Store Std Dev, en el primer renglón, poner Desv_estandar para nombrar la columna donde
se guardará la desviación estándar.
En Store Counts, en el primer renglón, poner Num para registrar el número de réplicas. Click
OK
Desv_estand Datos Ln_Var

1.414213562 2 0.6931
0.707106781 2 -0.6931
0.707106781 2 -0.6931
0.707106781 2 -0.6931
0.707106781 2 -0.6931
Página 52 de 82
0.707106781 2 -0.6931
0 2
0.707106781 2 -0.6931
Para analizar la variabilidad:
Stat > DOE > Factorial > Analyze Variability

En Response (standard deviations), seleccionar Desv_estandar
Click Terms
En Include terms from the model up through order, seleccionar A B C de la lista. Click OK.
Click Graphs. En Effects Plots, Seleccionar Normal, y Pareto.
Residual for plots Ln Residual Plots Individual Plots Histogram
Click OK en cada cuadro de diálogo.
MLE Estimated Effects and Coefficients for Ln of Desv_estandar (coded units)
Ratio
Term Effect Effect Coef SE Coef Z P
Constant -0.3466 0.3536 -0.98 0.327
A 0.0000 1.0000 0.0000 0.3536 0.00 1.000
B -0.3466 0.7071 -0.1733 0.3536 -0.49 0.624
C -0.3466 0.7071 -0.1733 0.3536 -0.49 0.624
A*B 0.3466 1.4142 0.1733 0.3536 0.49 0.624
A*C 0.3466 1.4142 0.1733 0.3536 0.49 0.624
B*C 0.0000 1.0000 0.0000 0.3536 0.00 1.000
Fitted Means for Desv_estandar
Mean SE Mean
A
-1 0.7071 0.4330
1 0.7071 0.2500
B
-1 0.8409 0.2973
1 0.5946 0.3641
C
-1 0.8409 0.2973
1 0.5946 0.3641
A*B
-1 -1 1.0000 0.5000
1 -1 0.7071 0.3536
-1 1 0.5000 0.5590
1 1 0.7071 0.3536
A*C
-1 -1 1.0000 0.5000
1 -1 0.7071 0.3536
-1 1 0.5000 0.5590
1 1 0.7071 0.3536
B*C
-1 -1 1.0000 0.5000
1 -1 0.7071 0.3536
-1 1 0.7071 0.3536
1 1 0.5000 0.5590
Página 53 de 82

(Response is ln of Desv_estandar, Alpha = 0.05)
1.960
F actor N ame
A A
AC B B
C C
AB
Term
BC
0.0 0.5 1.0 1.5 2.0

Standardized Effect
m) Para minimizar la variabilidad, ¿en que niveles conviene operar el proceso?
No hay factores que afecten la variabilidad, por tanto los niveles no son relevantes
Página 54 de 82
DISEÑOS DE EXPERIMENTOS FACTORIALES COMPLETOS
6. Diseño de experimentos factorial completo: Se estudia el rendimiento de un

proceso químico (Y), donde se piensa que los factores que mayor influencia tienen
son la temperatura y la presión (X1, X2).
Se diseña un experimento factorial completo con dos réplicas y tomando tres

niveles
en cada factor como se muestra en la tabla de rendimientos.
Hacer los análisis de la significancia de cada factor a un 5% de significancia.
PRESION
(psig) 200 215 230
TEMP. 90.4 90.7 90.2
150 90.2 90.6 90.4
90.1 90.5 89.9
160 90.3 90.6 90.1
90.5 90.8 90.4
170 90.7 90.9 90.1
a) Generar el diseño

Type of Design: General Full Factorial Design
Number of factors 2
Designs: Factor A Name Temperatura Levels 3

Factor B Name Presion Levels 3
Number of Replicates 2
Options Quitar bandera de randomize runs
Factors Introducir los niveles para TEMPERATURA 200 215 230

PRESIÓN 150 160 170
OK

ARREGLO
Ver diseño con Stat > DOE > Display Design

Seleccionar Standard order for design Uncoded Units
OK
NOTA: Coded units muestra 1, 2 y 3
StdOrder RunOrder PtType Blocks Temperatura Presion Rendimiento

1 1 1 1 200 150 90.4
2 2 1 1 200 160 90.1
3 3 1 1 200 170 90.5
4 4 1 1 215 150 90.7
Página 55 de 82
5 5 1 1 215 160 90.5

6 6 1 1 215 170 90.8
7 7 1 1 230 150 90.2
8 8 1 1 230 160 89.9
9 9 1 1 230 170 90.4
10 10 1 1 200 150 90.2
11 11 1 1 200 160 90.3
12 12 1 1 200 170 90.7
13 13 1 1 215 150 90.6
14 14 1 1 215 160 90.6
15 15 1 1 215 170 90.9
16 16 1 1 230 150 90.4
17 17 1 1 230 160 90.1
18 18 1 1 230 170 90.1
PASO 3. ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL

COMPLETO
Response Seleccionar la columna de Rendimiento

Terms Pasar todos los términos a Selected con >> OK
Graphs Residuals for Plots standardized

Results ANOVA table, Unusual observations

Seleccionar todos los términos a Selected con >> OK
OK
b) Analizar la adecuación del modelo de acuerdo a los residuos

(response is Rendimiento)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Página 56 de 82
Versus Fits
2
1
-1
-2
90.0 90.1 90.2 90.3 90.4 90.5 90.6 90.7 90.8 90.9
Fitted Value
Los residuos siguen una distribución normal y se distribuyen

aleatoriamente respecto a la media de cero
c) Identificar los factores que tienen influencia significativa en el

rendimiento con base en la tabla ANOVA
Determinar los valores P correspondientes a los factores principales y las
interacciones y establecer conclusiones
General Linear Model: Rendimiento versus Temperatura, Presion
Factor Type Levels Values

Temperatura fixed 3 200, 215, 230
Presion fixed 3 150, 160, 170
Analysis of Variance for Rendimiento, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P

Temperatura 2 0.76778 0.76778 0.38389 21.59 0.000 Significativo
Presion 2 0.30111 0.30111 0.15056 8.47 0.009
Temperatura*Presion 4 0.06889 0.06889 0.01722 0.97 0.470
Error 9 0.16000 0.16000 0.01778
Total 17 1.29778
S = 0.133333 R-Sq = 87.67% R-Sq(adj) = 76.71%
c) Obtener lãs gráficas factoriales para seleccionar lãs mejores

condiciones de operación
Least Squares Means for Rendimiento
Temperatura Mean SE Mean

200 90.37 0.05443
215 90.68 0.05443
230 90.18 0.05443
Presion
150 90.42 0.05443
160 90.25 0.05443
170 90.57 0.05443
Página 57 de 82
Temperatura*Presion
200 150 90.30 0.09428
200 160 90.20 0.09428
200 170 90.60 0.09428
215 150 90.65 0.09428
215 160 90.55 0.09428
215 170 90.85 0.09428
230 150 90.30 0.09428
230 160 90.00 0.09428
230 170 90.25 0.09428
PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS

MEJORES CONDICIONES DE OPERACIÓN
Seleccionar Main effects e Interaction Plots

Setup para ambas: En Response seleccionar Rendimiento
y con >> seleccionar todos los factores OK
De aquí se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la

Main Effects Plot for Rendimiento

Data Means
Temp Presion
90.7
90.6
90.5
Mean
90.4
90.3
90.2
200 215 230 150 160 170
Para maximizar el rendimiento se selecciona:
Presión = 170 psig
Temperatura = 215ºC
Página 58 de 82
Interaction Plot for Rendimiento

Data Means
90.9 Temp
200
90.8 215
230
90.7
90.6
90.5
Mean
90.4
90.3
90.2
90.1
90.0
150 160 170

Presion
Esta gráfica no se utiliza.
7. Se está estudiando el rendimiento para un proceso industrial, los dos factores de

interés son temperatura y presión. Se utilizan tres niveles de cada factor, con los
resultados siguientes:
Presión en libras / pulg. 2

Temperatura 250 260 270
20 86.3 84 85.8
86.1 85.2 87.3
40 88.5 87.3 89
89.4 89.9 90.3
60 89.1 90.2 91.3
91.7 93.3 93.7
Temperatura Presion Rendimiento

20 250 86.3
20 260 84
20 270 85.8
40 250 88.5
40 260 87.3
40 270 89
60 250 89.1
60 260 90.2
Página 59 de 82
60 270 91.3
20 250 86.1
20 260 85.2
20 270 87.3
40 250 89.4
40 260 89.9
40 270 90.3
60 250 91.7
60 260 93.3
60 270 93.7
Para un nivel alfa de 0.05
a) Crear el diseño de experimentos


Number of factors 2

Factors Introducir los niveles para TEMPERATURA 20 40 60

PRESIÓN 250 260 270
OK

ARREGLO

OK
StdOrder RunOrder PtType Blocks Temperatura Presión Rendimiento

1 1 1 1 20 250 86.3
2 2 1 1 20 260 84
3 3 1 1 20 270 85.8
4 4 1 1 40 250 88.5
5 5 1 1 40 260 87.3
6 6 1 1 40 270 89
7 7 1 1 60 250 89.1
8 8 1 1 60 260 90.2
9 9 1 1 60 270 91.3
Página 60 de 82
10 10 1 1 20 250 86.1
11 11 1 1 20 260 85.2
12 12 1 1 20 270 87.3
13 13 1 1 40 250 89.4
14 14 1 1 40 260 89.9
15 15 1 1 40 270 90.3
16 16 1 1 60 250 91.7
17 17 1 1 60 260 93.3
18 18 1 1 60 270 93.7

COMPLETO


Storage Seleccionar FITS y Residuals
OK
b) Hacer una prueba de normalidad de los residuos estandarizados

99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Los residuos siguen una distribución normal
Página 61 de 82
Los residuos tienen un comportamiento aleatorio respecto a la media.
Versus Fits
2
1
-1
-2
84 85 86 87 88 89 90 91 92 93
Fitted Value
d) Determinar los efectos de los factores principales y de las interacciones

Determinar los valores P correspondientes a los factores principales y las
interacciones y establecer conclusiones
Analysis of Variance for Rendimiento, using Adjusted SS for Tests

Temperatura 2 100.403 100.403 50.202 25.73 0.000 Significativo
Presión 2 5.410 5.410 2.705 1.39 0.299
Temperatura*Presión 4 4.587 4.587 1.147 0.59 0.680
Error 9 17.560 17.560 1.951
Total 17 127.960
S = 1.39682 R-Sq = 86.28% R-Sq(adj) = 74.08%
e) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes

niveles. De los valores siguientes:

20 85.78 0.5703
40 89.07 0.5703
60 91.55 0.5703
Presión
250 88.52 0.5703
260 88.32 0.5703
270 89.57 0.5703
Temperatura*Presión
20 250 86.20 0.9877
20 260 84.60 0.9877
20 270 86.55 0.9877
40 250 88.95 0.9877
40 260 88.60 0.9877
40 270 89.65 0.9877
60 250 90.40 0.9877
60 260 91.75 0.9877
60 270 92.50 0.9877
Página 62 de 82


y con >> seleccionar a Selected todos los factores OK

Main Effects Plot for Rendimiento

Data Means
Temperatura Presión
92
91
90
89
Mean
88
87
86
85
20 40 60 250 260 270
El mayor rendimiento se obtiene en: Temperatura = 60º
Interaction Plot for Rendimiento

Data Means
93 Temperatura
20
92 40
60
91
90
89
Mean
88
87
86
85
84
250 260 270
Presión
Página 63 de 82
f) Si se quiere maximizar el rendimiento, ¿en que niveles conviene operar el

proceso?
La temperatura en 60º, la presión en donde sea más económica.
8. Johnson y Leone describen un experimento realizado para investigar la torcedura

de placas de cobre. Los dos factores estudiados fueron la temperatura y el
contenido de cobre de las placas.
La variable de respuesta fue de una medida de la cantidad de torcedura. Los datos

fueron los siguientes:
Contenido de cobre (%)

Temperatura 40 60 80 100
(°C)
50 17, 20 16, 21 24, 22 28, 27
75 12, 9 18, 13 17, 12 27, 31
100 16, 12 18, 21 25, 23 30, 23
125 21, 17 23, 21 23, 22 29, 31
a) Crear el Diseño

Number of factors 2

Factor B Name Contenido de cobre Levels 4
Factors Introducir los niveles para TEMPERATURA 50 75 100 125

PRESIÓN 40 60 80 100
OK

ARREGLO

OK
NOTA: Coded units muestra 1, 2 , 3 y 4
StdOrder RunOrder PtType Blocks Temperatura Cont_cobre Torcedura

1 1 1 1 50 40 17
2 2 1 1 50 60 16
3 3 1 1 50 80 24
4 4 1 1 50 100 28
Página 64 de 82
5 5 1 1 75 40 12
6 6 1 1 75 60 18
7 7 1 1 75 80 17
8 8 1 1 75 100 27
9 9 1 1 100 40 16
10 10 1 1 100 60 18
11 11 1 1 100 80 25
12 12 1 1 100 100 30
13 13 1 1 125 40 21
14 14 1 1 125 60 23
15 15 1 1 125 80 23
16 16 1 1 125 100 29
17 17 1 1 50 40 20
18 18 1 1 50 60 21
19 19 1 1 50 80 22
20 20 1 1 50 100 27
21 21 1 1 75 40 9
22 22 1 1 75 60 13
23 23 1 1 75 80 12
24 24 1 1 75 100 31
25 25 1 1 100 40 12
26 26 1 1 100 60 21
27 27 1 1 100 80 23
28 28 1 1 100 100 23
29 29 1 1 125 40 17
30 30 1 1 125 60 21
31 31 1 1 125 80 22
32 32 1 1 125 100 31

COMPLETO
Response Seleccionar la columna de Torcedura


OK

del modelo
Página 65 de 82

(response is Torcedura)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Los residuos siguen una distribución normal y se distribuyen aleatoriamente

alrededor de la media de cero
Versus Fits
(response is Torcedura)
2
-1
-2
10 15 20 25 30
Fitted Value

A un nivel de significancia del 5% identificar si hay los factores o las interacciones
son significativas
General Linear Model: Torcedura versus Temperatura, Cont_cobre

Temperatura fixed 4 50, 75, 100, 125
Cont_cobre fixed 4 40, 60, 80, 100
Analysis of Variance for Torcedura, using Adjusted SS for Tests

Temperatura 3 156.094 156.094 52.031 7.67 0.002
Cont_cobre 3 698.344 698.344 232.781 34.33 0.000
Temperatura*Cont_cobre 9 113.781 113.781 12.642 1.86 0.133
Página 66 de 82
Error 16 108.500 108.500 6.781

Total 31 1076.719
S = 2.60408 R-Sq = 89.92% R-Sq(adj) = 80.48%
Son significativos a um nível alfa de 0.05 la Temperatura y el Contenido de

Cobre.
d) Obtener las gráficas factoriales e identificar en cuales seleccionar los diferentes

niveles

50 21.88 0.9207
75 17.38 0.9207
100 21.00 0.9207
125 23.38 0.9207
Cont_cobre
40 15.50 0.9207
60 18.88 0.9207
80 21.00 0.9207
100 28.25 0.9207
Temperatura*Cont_cobre
50 40 18.50 1.8414
50 60 18.50 1.8414
50 80 23.00 1.8414
50 100 27.50 1.8414
75 40 10.50 1.8414
75 60 15.50 1.8414
75 80 14.50 1.8414
75 100 29.00 1.8414
100 40 14.00 1.8414
100 60 19.50 1.8414
100 80 24.00 1.8414
100 100 26.50 1.8414
125 40 19.00 1.8414
125 60 22.00 1.8414
125 80 22.50 1.8414
125 100 30.00 1.8414
Main Effects Plot for Torcedura

Data Means
Temperatura Cont_cobre
30.0
27.5
25.0
Mean
22.5
20.0
17.5
15.0
50 75 100 125 40 60 80 100
Página 67 de 82
Interaction Plot for Torcedura

Data Means
Temperatura
30
50
75
100
125
25
Mean
20
15
10
40 60 80 100
Cont_cobre
La gráfica a considerar para los mejores niveles es la de factores principales, que

para una torcedura mínima se pueden fijar en: Temperatura 75º Contenido de cobre
40.
e) Si se quiere minimizar la torcedura, ¿en que niveles conviene operar el proceso?
Temperatura 75º Contenido de cobre 40.

f) Suponga que no es sencillo controlar la temperatura en el medio ambiente donde
van a usarse las placas de cobre ¿Este hecho modifica la respuesta que se dio en el
inciso d?
Con el contenido de cobre en 40, se tiene la garantía de obtener un mínimo, a pesar

de cambios en la temperatura.
9. Los factores que influyen para el esfuerzo a la ruptura de una fibra sintética
están siendo estudiados 4 maquinas de producción, se seleccionan tres operadores
y se corre un experimento factorial usando la fibra de los mismos lotes de
producción, con los siguientes resultados.
MAQUIINA
OPERADOR A B C D
JUAN 109 110 108 110
110 115 109 108
PEDRO 110 110 111 114

112 111 109 112
JORGE 116 112 114 120
114 115 119 117
Página 68 de 82
a) Correr el experimento

Number of factors 2
Designs: Factor A Name Operador Levels 3

Factor B Name Máquina Levels 4
Factors Introducir los niveles para OPERADOR JUAN PEDRO JORGE

MAQUINA A B C D
OK

ARREGLO

OK
StdOrder RunOrder PtType Blocks Operador Máquina Resistencia FITS1 RESI1

1 1 1 1 JUAN A 109 109.5 -0.5
2 2 1 1 JUAN B 110 112.5 -2.5
3 3 1 1 JUAN C 108 108.5 -0.5
4 4 1 1 JUAN D 110 109.0 1.0
5 5 1 1 PEDRO A 110 111.0 -1.0
6 6 1 1 PEDRO B 110 110.5 -0.5
7 7 1 1 PEDRO C 111 110.0 1.0
8 8 1 1 PEDRO D 114 113.0 1.0
9 9 1 1 JORGE A 116 115.0 1.0
10 10 1 1 JORGE B 112 113.5 -1.5
11 11 1 1 JORGE C 114 116.5 -2.5
12 12 1 1 JORGE D 120 118.5 1.5
13 13 1 1 JUAN A 110 109.5 0.5
14 14 1 1 JUAN B 115 112.5 2.5
15 15 1 1 JUAN C 109 108.5 0.5
16 16 1 1 JUAN D 108 109.0 -1.0
17 17 1 1 PEDRO A 112 111.0 1.0
18 18 1 1 PEDRO B 111 110.5 0.5
19 19 1 1 PEDRO C 109 110.0 -1.0
20 20 1 1 PEDRO D 112 113.0 -1.0
21 21 1 1 JORGE A 114 115.0 -1.0
22 22 1 1 JORGE B 115 113.5 1.5
23 23 1 1 JORGE C 119 116.5 2.5
24 24 1 1 JORGE D 117 118.5 -1.5
Página 69 de 82

COMPLETO
Response Seleccionar la columna de Resistencia


OK

del modelo

(response is Resistencia)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Los residuos siguen una distribución normal y se distribuyen al azar alrededor de la

media.
Versus Fits
2
-1
-2
110.0 112.5 115.0 117.5 120.0
Fitted Value
Página 70 de 82

son significativas
General Linear Model: Resistencia versus Operador, Máquina

Operador fixed 3 JUAN, PEDRO, JORGE
Máquina fixed 4 A, B, C, D
Analysis of Variance for Resistencia, using Adjusted SS for Tests

Operador 2 160.333 160.333 80.167 21.14 0.000 Significativo
Máquina 3 12.458 12.458 4.153 1.10 0.389
Operador*Máquina 6 44.667 44.667 7.444 1.96 0.151
Error 12 45.500 45.500 3.792
Total 23 262.958
S = 1.94722 R-Sq = 82.70% R-Sq(adj) = 66.84%

niveles
Operador Mean SE Mean

JUAN 109.9 0.6884
PEDRO 111.1 0.6884
JORGE 115.9 0.6884
Máquina
A 111.8 0.7949
B 112.2 0.7949
C 111.7 0.7949
D 113.5 0.7949
Operador*Máquina
JUAN A 109.5 1.3769
JUAN B 112.5 1.3769
JUAN C 108.5 1.3769
JUAN D 109.0 1.3769
PEDRO A 111.0 1.3769
PEDRO B 110.5 1.3769
PEDRO C 110.0 1.3769
PEDRO D 113.0 1.3769
JORGE A 115.0 1.3769
JORGE B 113.5 1.3769
JORGE C 116.5 1.3769
JORGE D 118.5 1.3769
Página 71 de 82
Main Effects Plot for Resistencia

Data Means
Operador Máquina
116
115
114
Mean
113
112
111
110
JUAN PEDRO JORGE A B C D
El operador es el único factor significativo.
Interaction Plot for Resistencia

Data Means
120.0 Operador
JUA N
PEDRO
JORGE
117.5
115.0
Mean
112.5
110.0
A B C D
Máquina
e) Si se quiere maximizar la resistencia a la ruptura ¿en que niveles debe operar el

proceso?
De la gráfica de arriba el operador Jorge es el que produce la mayor

Resistencia de fibra
10. El porcentaje de la concentración de madera dura en la pulpa bruta, la presión

de la cuba y el tiempo de cocción de la pulpa se investiga en cuanto a sus efectos
sobre la resistencia del papel. Se seleccionan tres niveles de la concentración de
madera dura, tres niveles de la presión y dos tiempos de cocción. Se lleva a cabo un
experimento factorial con dos réplicas, obteniéndose los siguientes datos:
% concentración de Tiempo de cocción 3.0 Tiempo de cocción 4.0

la madera Presión Presión
400 500 650 400 500 650
Página 72 de 82
2 196.6 197.7 199.8 198.4 199.6 200.6

196 196 199.4 198.6 200.4 200.9
4 198.5 196 198.4 197.5 198.7 199.6
197.2 196.9 197.6 198.1 198 199
8 197.5 195.6 197.4 197.6 197 198.5
196.6 196.2 198.1 198.4 197.8 199.8
a) Crear el diseño de experimentos


Number of factors 3
Designs: Factor A Name Porc_Concentra Levels 3

Factors Introducir los niveles para PORC_CONCENTRA 2 4 8

PRESIÓN 400 500 650
TIEMPO 3 4
OK

ARREGLO

OK

StdOrder RunOrder PtType Blocks Porc_Concetra Presion Tiempo Resistencia
1 1 1 1 2 400 3 196.6
2 2 1 1 2 400 4 198.4
3 3 1 1 2 500 3 197.7
4 4 1 1 2 500 4 199.6
5 5 1 1 2 650 3 199.8
6 6 1 1 2 650 4 200.6
7 7 1 1 4 400 3 198.5
8 8 1 1 4 400 4 197.5
9 9 1 1 4 500 3 196
10 10 1 1 4 500 4 198.7
11 11 1 1 4 650 3 198.4
12 12 1 1 4 650 4 199.6
13 13 1 1 8 400 3 197.5
14 14 1 1 8 400 4 197.6
15 15 1 1 8 500 3 195.6
16 16 1 1 8 500 4 197
17 17 1 1 8 650 3 197.4
18 18 1 1 8 650 4 198.5
Página 73 de 82
19 19 1 1 2 400 3 196
20 20 1 1 2 400 4 198.6
21 21 1 1 2 500 3 196
22 22 1 1 2 500 4 200.4
23 23 1 1 2 650 3 199.4
24 24 1 1 2 650 4 200.9
25 25 1 1 4 400 3 197.2
26 26 1 1 4 400 4 198.1
27 27 1 1 4 500 3 196.9
28 28 1 1 4 500 4 198
29 29 1 1 4 650 3 197.6
30 30 1 1 4 650 4 199
31 31 1 1 8 400 3 196.6
32 32 1 1 8 400 4 198.4
33 33 1 1 8 500 3 196.2
34 34 1 1 8 500 4 197.8
35 35 1 1 8 650 3 198.1
36 36 1 1 8 650 4 199.8

del modelo

99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3

alrededor de la media de cero
Página 74 de 82
Versus Fits
2
-1
-2
196 197 198 199 200 201

Fitted Value

son significativas
General Linear Model: Resistencia versus Porc_Concetra, Presion, Tiempo

Porc_Concetra fixed 3 2, 4, 8
Presion fixed 3 400, 500, 650
Tiempo fixed 2 3, 4
Analysis of Variance for Resistencia, using Adjusted SS for Tests

Porc_Concetra 2 7.7639 7.7639 3.8819 10.62 0.001 Sign
Presion 2 19.3739 19.3739 9.6869 26.50 0.000
Tiempo 1 20.2500 20.2500 20.2500 55.40 0.000
Porc_Concetra*Presion 4 6.0911 6.0911 1.5228 4.17 0.015
Porc_Concetra*Tiempo 2 2.0817 2.0817 1.0408 2.85 0.084
Presion*Tiempo 2 2.1950 2.1950 1.0975 3.00 0.075
Porc_Concetra*Presion*Tiempo 4 1.9733 1.9733 0.4933 1.35 0.290
Error 18 6.5800 6.5800 0.3656
Total 35 66.3089
S = 0.604612 R-Sq = 90.08% R-Sq(adj) = 80.70%
Los factores principales son significativos y la interacción de Porcentaje de

concentración y Presión.

niveles
Porc_Concetr Mean SE Mean

2 198.7 0.1745
4 198.0 0.1745
8 197.5 0.1745
Presion
400 197.6 0.1745
500 197.5 0.1745
Página 75 de 82
650 199.1 0.1745

Tiempo
3 197.3 0.1425
4 198.8 0.1425
Porc_Concetr*Presion
2 400 197.4 0.3023
2 500 198.4 0.3023
2 650 200.2 0.3023
4 400 197.8 0.3023
4 500 197.4 0.3023
4 650 198.7 0.3023
8 400 197.5 0.3023
8 500 196.7 0.3023
8 650 198.5 0.3023
Porc_Concetr*Tiempo
2 3 197.6 0.2468
2 4 199.8 0.2468
4 3 197.4 0.2468
4 4 198.5 0.2468
8 3 196.9 0.2468
8 4 198.2 0.2468
Presion*Tiempo
400 3 197.1 0.2468
400 4 198.1 0.2468
500 3 196.4 0.2468
500 4 198.6 0.2468
650 3 198.5 0.2468
650 4 199.7 0.2468
Porc_Concetr*Presion*Tiempo
2 400 3 196.3 0.4275
2 400 4 198.5 0.4275
2 500 3 196.8 0.4275
2 500 4 200.0 0.4275
2 650 3 199.6 0.4275
2 650 4 200.8 0.4275
4 400 3 197.8 0.4275
4 400 4 197.8 0.4275
4 500 3 196.4 0.4275
4 500 4 198.4 0.4275
4 650 3 198.0 0.4275
4 650 4 199.3 0.4275
8 400 3 197.1 0.4275
8 400 4 198.0 0.4275
8 500 3 195.9 0.4275
8 500 4 197.4 0.4275
8 650 3 197.8 0.4275
8 650 4 199.2 0.4275


Setup para ambas: En Response seleccionar Resistencia

Página 76 de 82
Main Effects Plot for Resistencia

Data Means
Porc_Concetra Presion
199.0
198.5
198.0
197.5
Mean
2 4 8 400 500 650

Tiempo
199.0
198.5
198.0
197.5
3 4
El tiempo se selecciona de estas gráficas, ya que su interacción no fue significativa
Interaction Plot for Resistencia

Data Means
400 500 650 3 4
200 Porc_Concetra
2
4
P or c_C oncetr a 198 8
196
200 Presion
400
500
P r esion 198 650
196
T iempo
El Porcentaje de Concentración y la Presión se seleccionan de estas gráficas, ya que

la interacción fue significativa: Porc_Concentra = 2, Presión = 650
e) Si se quiere maximizar la resistencia del papel ¿en que niveles debe operar el
proceso?
Se obtiene la mayor Resistencia con Tiempo = 4, Porc_Concentra = 2

y Presión = 650
Página 77 de 82
11. Se quiere maximizar el rendimiento de un proceso:
Velocidad de
alimentacion Profundidad de corte
pulg/min 0.15 0.18 0.2 0.25
74 79 82 99
0.2 64 68 88 104
60 73 92 96
92 98 99 104
0.25 86 104 108 110
88 88 95 99
99 104 108 114
0.3 98 99 110 111
102 95 99 107
a) Crear el Diseño de experimentos factorial

Number of factors 2
Designs: Factor A Name Velocidad Levels 3

Factor B Name Profundidad Levels 4
Factors Introducir los niveles para VELOCIDAD 0.20 0.25 0.30

PROFUNDIDAD 0.15 0.18 0.20 0.25
OK

ARREGLO

OK
StdOrde PROFUNDIDA
r RunOrder PtType Blocks VELOCIDAD D RENDIMIENTO
1 1 1 1 0.2 0.15 74
2 2 1 1 0.2 0.18 79
3 3 1 1 0.2 0.2 82
4 4 1 1 0.2 0.25 99
5 5 1 1 0.25 0.15 92
6 6 1 1 0.25 0.18 98
Página 78 de 82
7 7 1 1 0.25 0.2 99
8 8 1 1 0.25 0.25 104
9 9 1 1 0.3 0.15 99
10 10 1 1 0.3 0.18 104
11 11 1 1 0.3 0.2 108
12 12 1 1 0.3 0.25 114
13 13 1 1 0.2 0.15 64
14 14 1 1 0.2 0.18 68
15 15 1 1 0.2 0.2 88
16 16 1 1 0.2 0.25 104
17 17 1 1 0.25 0.15 86
18 18 1 1 0.25 0.18 104
19 19 1 1 0.25 0.2 108
20 20 1 1 0.25 0.25 110
21 21 1 1 0.3 0.15 98
22 22 1 1 0.3 0.18 99
23 23 1 1 0.3 0.2 110
24 24 1 1 0.3 0.25 111
25 25 1 1 0.2 0.15 60
26 26 1 1 0.2 0.18 73
27 27 1 1 0.2 0.2 92
28 28 1 1 0.2 0.25 96
29 29 1 1 0.25 0.15 88
30 30 1 1 0.25 0.18 88
31 31 1 1 0.25 0.2 95
32 32 1 1 0.25 0.25 99
33 33 1 1 0.3 0.15 102
34 34 1 1 0.3 0.18 95
35 35 1 1 0.3 0.2 99
36 36 1 1 0.3 0.25 107

COMPLETO


OK

del modelo
Página 79 de 82

(response is RENDIMIENTO)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3

alrededor de la media
Versus Fits
(response is RENDIMIENTO)
2
1
-1
-2
60 70 80 90 100 110
Fitted Value

son significativas
General Linear Model: RENDIMIENTO versus VELOCIDAD, PROFUNDIDAD

VELOCIDAD fixed 3 0.20, 0.25, 0.30
PROFUNDIDAD fixed 4 0.15, 0.18, 0.20, 0.25
Analysis of Variance for RENDIMIENTO, using Adjusted SS for Tests

VELOCIDAD 2 3160.50 3160.50 1580.25 55.02 0.000
Página 80 de 82
PROFUNDIDAD 3 2125.11 2125.11 708.37 24.66 0.000

VELOCIDAD*PROFUNDIDAD 6 557.06 557.06 92.84 3.23 0.018
Error 24 689.33 689.33 28.72
Total 35 6532.00
S = 5.35931 R-Sq = 89.45% R-Sq(adj) = 84.61%
La interacción entre los factores Velocidad y Profundidad es significativa

niveles
VELOCIDAD Mean SE Mean

0.20 81.58 1.547
0.25 97.58 1.547
0.30 103.83 1.547
PROFUNDIDAD
0.15 84.78 1.786
0.18 89.78 1.786
0.20 97.89 1.786
0.25 104.89 1.786
VELOCIDAD*PROFUNDIDAD
0.20 0.15 66.00 3.094
0.20 0.18 73.33 3.094
0.20 0.20 87.33 3.094
0.20 0.25 99.67 3.094
0.25 0.15 88.67 3.094
0.25 0.18 96.67 3.094
0.25 0.20 100.67 3.094
0.25 0.25 104.33 3.094
0.30 0.15 99.67 3.094
0.30 0.18 99.33 3.094
0.30 0.20 105.67 3.094
0.30 0.25 110.67 3.094



Página 81 de 82
Main Effects Plot for RENDIMIENTO

Data Means
VELOCIDAD PROFUNDIDAD
105
100
95
Mean
90
85
80
0.20 0.25 0.30 0.15 0.18 0.20 0.25
Interaction Plot for RENDIMIENTO

Data Means
VELOC IDAD
110 0.20
0.25
0.30
100
90
Mean
80
70
60
0.15 0.18 0.20 0.25
PROFUNDIDAD
e) Si se quiere maximizar el rendimiento ¿en que niveles debe operar el proceso?
De la gráfica de interacciones se observa que la combianciñon de

factores que maximiza el rendimiento es:
Velocidad = 0.30, Profundidad = 0.25
Página 82 de 82

Resp Ejercicios Fase Mejora de Factoriales

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Resp Ejercicios Fase Mejora de Factoriales

Cargado por

Copyright:

Formatos disponibles

RESP_EJERCICIOS FASE DE MEJORA BB P.

Reyes / febrero 2008

1. ¿Cuál es el propósito de la fase de mejora?

Desarrollar, probar e implementar soluciones que atiendan a las causas raíz

2. ¿Cuáles son los entregables de la fase de mejora? Dar un ejemplo.

a. Identificación de mejores niveles de operación

b. Generación de alternativas de solución, usar métodos de Creatividad

DESCRIPCIÓN ALTERNATIVAS VENTAJAS DESVENTAJAS FACTIBILIDAD SELECCIÓN

Velocidad Procesar a 70 Estabilidad Baja Si Si

d. Selección de alternativas de solución

e. Plan 5W-1H para implementación de las soluciones seleccionadas

f. Prueba piloto y Verificación de la efectividad de las soluciones

g. Implementación y documentación de la solución a nivel sistema

3. ¿Qué desventajas se observan cuando se experimenta con un factor a la vez?

4. ¿Qué es el diseño de experimentos?

5. ¿Cuáles son las ventajas que proporciona el diseño de experimentos?

6. ¿Cuáles los diferentes propósitos que puede tener un diseño de experimentos?

7. ¿Cuáles son los pasos principales para la realización de diseños de experimentos?

8. ¿Qué consideraciones deben tomarse en cuenta al planear y desarrollar

9. ¿Cuáles son las implicaciones al realizar experimentos en la empresa?

 Ser brillantes en seleccionar los niveles de factores bajos y altos

Ocurre una interacción cuando el efecto de un factor controlable, cambia el nivel de

12. ¿Cuáles son los diferentes métodos experimentales disponibles y cuál es su

Diseño experiemental Aplicación

Fraccional de dos niveles ½ 2K Filtraje de factores significativos – bajo costo

Taguchi Arreglos ortogonales Diseños robustos de productos y procesos

Factorial completo FK Identificación de mejores niveles de operación

Ascenso rápido Ruta hacia el punto de operación óptimo

Diseño central compuesto CCD Identificación del punto óptimo de operación

EVOP diseño evolutivo Experimentación en la producción sin afectarla

Diseños de mezclas Encontrar la mejor mezcla de ingredientes

Diseños óptimos - D Diseños por computadora para reducir costos

13. ¿Qué significan los conceptos siguientes?

14. ¿Qué son las interacciones y cómo se identifican?

 A veces se pierden con los diseños factoriales fraccionales

Sin interacción Interacción Interacción Interacción

15. ¿Qué características tiene un diseño experimental factorial completo?

16. ¿Qué características tiene un diseño experimental factorial de dos niveles?

17. ¿Cómo se obtiene la ecuación de regresión de los resultados del diseño de

bˆ1 = 21/ 2 = 11 bˆ1 = 2 / 2 = 1

bˆ12 = 1/ 2 = 0.5 bˆ12 = -58 / 2 = -29

 Si la interacción es significativa, entonces los mejores niveles de operación

Se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la

Interaction Plot for Vibración

21. ¿Qué indica la gráfica de superficie de respuesta?

22. ¿Cuál es el propósito de la gráfica de contornos?

La gráfica de contornos indica la combinación de niveles para A y B manteniendo la

Contour Plot of Vibración vs Velocidad, Diametro

e. Los seis sombreros del pensaminento

24. Dar algunos ejemplos de técnicas de creatividad para la generación de ideas de

a. Listas de verificación (5W – 1H)

25. ¿Qué es el método TRIZ para la solución creativa de problemas?

Es un método que se basa en eliminar contradicciones con base en utilizar

a. Segmentación: dividir un problema

b. Calidad local: considerar las condiciones locales de operación

c. Asimetría: hacer las partes asimétricas para evitar montaje equivocado

27. ¿Cuál es el propósito de los métodos de teoría de colas?

Determinar la longitud de las colas, tiempos de servicio y tiempos de espera

28. ¿Cuál es el propósito de los métodos de simulación?

29. ¿Después de cuanto tiempo se recomienda se evalúen los resultados de las

Una vez implementada la solución, esperar a que se estabilice y después de

30. ¿Cómo se puede cuantificar estos resultados?

a. En base a la métrica específica (rechazos, defectos, tiempos muertos, dias

31. ¿Qué formas de reconocimiento a los equipos de proyecto Seis Sigma se

Yest = 23.0550 - 96.24Diametro - 0.372Velocidad +