Está en la página 1de 57

Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov.

2007

MINTAB 15 MÓDULO 7. DISEÑO DE EXPERIMENTOS

7.1 Cartas Multivari


7.2      Diseño de experimentos factoriales completos
7.3      Diseño de experimentos factoriales completos de dos niveles
7.4      Diseño de experimentos fraccionales (1/2) de dos niveles
7.5      Aplicaciones

MÓDULO 7. DISEÑO DE EXPERIMENTOS


7.1 Cartas Multivari

Las cartas Multivari permiten observar en una sola carta el


comportamiento de varias fuentes de variación. Para la teoría se
anexa un archivo Cartas Multivari.doc.

Carta Multivari con tres fuentes de variación

Ejemplo: Una empresa produce ejes para rotores eléctricos con


diámetros de 0.250 ± 0.001 mm, sin embargo el Cp es de 0.8
lo que significa que el proceso tiene una variabilidad excesiva.

La variabilidad considerada al tomar los datos se estima que proviene


de las siguientes fuentes:

** Diferencia de diámetros en los extremos del eje izquierdo y derecho.

** Diferencia de diámetro máximo y mínimo en una misma posición


que implica falta de redondez

** Variación de una pieza a otra producidas en forma consecutiva

** Variación a lo largo del tiempo (largo plazo)

Las cartas Multivari nos permiten visualizar estas fuentes de variación:

Los datos del archivo ROTOR.MTW anexos indican lo siguiente:


Hora: Hora de toma de muestra
Eje : Número de eje
Posición: indica si se trata de diámetro mínimo o máximo medido
Diametro: Valor del diámetro

Stat > Quality tools > Multi Vari Chart


Response Diametro
Factor 1 Posición Factor 2 Eje Factor 3 Hora
OK

Multi-Vari Chart for Diametro by Posicion - Hora


1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro

2.500

2.495

2.490

1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora

Como se puede observar las variabilidades en orden de importancia son:

Página 1 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

*** Por el paso del tiempo ** Falta de redondez * Entre partes

Se pueden eliminar las líneas de conexión con Options y eliminando la marca


en Connect Means for Factor 1

Multi-Vari Chart for Diametro by Posicion - Hora


1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro

2.500

2.495

2.490

1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora

El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aquí es donde conviene introducir el tiempo
El último factor introducido es el que divide a la carta en dos partes.

Carta Multivari con cuatro fuentes de variación

Se puede descomponer en dos columnas la columna "Posición", creando las columnas


"Redondez" donde se indica si el diámetro medido es máximo o mínimo, y la columna
"Inclinación" donde se indica si corresponde a la izquierda o a la derecha.

Para crear la columna "Inclinación" se tiene:

Calc > Make Patterned Data > Text Values


Store Patterned Data in Inclinación
Test Values Izq Der
List each value 2
List the whole sequence 15

Para crear la columna "Redondez" se tiene:

Calc > Make Patterned Data > Text Values


Store Patterned Data in Redondez
Test Values Min Max
List each value 1
List the whole sequence 30

y se corre de nuevo la carta Multivari

Stat > Quality tools > Multi Vari Chart


Response Diametro
Factor 1 Eje Factor 2 Redondez Factor 3 Hora Factor 4 Inclinación
OK

Multi-Vari Chart for Diametro by Eje - Inclinacion


Max Min Max Min

Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00 Eje
2.510
1
2.505 2
3
2.500

2.495
Diametro

2.490

Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
2.510

2.505

2.500

2.495

2.490

Max Min Max Min Max Min


Redondez Página 2 de 57
Panel variables: Inclinacion, Hora
2.500
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
2.495

2.490

Max Min Max Min Max Min


Redondez
Panel variables: Inclinacion, Hora

7.2 Diseño de experimentos factoriales completos de más de dos niveles

Ver el archivo Diseño de experimentos.doc para la teoría.

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

PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO

Stat > DOE > Factorial > Create Factorial Design


Type of Design: General Full Factorial Design
Number of factors 2

Designs: Factor A Name = Temp Levels = 3


Factor B Name = Presion Levels = 3
Number of Replicates 2

Options Seleccionar randomize runs OK

Factors Introducir los niveles para TEMP. 200 215 230


RESIÓN 150 160 170
OK

NOTA: Si se introducen los nombres y valores reales de los factores


en lugar de 1, 2 y 3 aparecen en la tabla los niveles reales.

PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA


COMBINACION DE FACTORES DESPUÉS QUE MINITAB GENERO EL DISEÑO O ARREGLO

1. Ver diseño con Stat > DOE > Display Design


2. Seleccionar Standard order for design Uncoded Units Copiar columna de datos
3. OK
NOTA: Coded units muestra 1, 2 y 3
StdOrder RunOrder PtType Blocks Temp Presion Rendimiento
1 10 1 1 200 150 90.4
2 12 1 1 200 160 90.1
3 3 1 1 200 170 90.5
4 9 1 1 215 150 90.7
5 6 1 1 215 160 90.5
6 15 1 1 215 170 90.8
7 8 1 1 230 150 90.2
8 13 1 1 230 160 89.9
9 2 1 1 230 170 90.4
10 14 1 1 200 150 90.2
11 1 1 1 200 160 90.3
12 7 1 1 200 170 90.7
13 4 1 1 215 150 90.6

Página 3 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

14 11 1 1 215 160 90.6


15 18 1 1 215 170 90.9
16 16 1 1 230 150 90.4
17 5 1 1 230 160 90.1
18 17 1 1 230 170 90.1

PASO 3. ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO

Stat > DOE > Factorial > Analyze Factorial Design

Response Seleccionar la columna de Rendimiento


Terms Pasar todos los términos a Selected con >> OK

Graphs Residuals for Plots Estandardized


Seleccionar Residual plots: Normal y vs fits OK

Results ANOVA table, Covariate, Unusual observations


Seleccionar todos los términos con >> OK
OK

CONCLUSIONES EN RESIDUALES

Residual Plots for Rendimiento


Normal Probability Plot Versus Fits
99 2

Standardized Residual
90 1
Percent

50 0
Gráfica Normal de residuales
deben aproximarse a la línea 10 -1

recta 1 -2
-2 -1 0 1 2 90.0 90.2 90.4 90.6 90.8
Standardized Residual Fitted Value

Histogram Versus Order


2
Standardized Residual

4.8
1
3.6
Frequency

2.4 0

1.2 -1

0.0 -2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2 4 6 8 10 12 14 16 18
Standardized Residual Observation Order

Residuales vs Y estimada
Cálculo de residuales deben ser aleatorios
Y(i,j) estimada= Promedio de valores en cada celda (i,j)
Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada

Multilevel Factorial Design


Factors:      2     Replicates:     2
Base runs:    9     Total runs:    18
Base blocks:  1     Total blocks:   1
Number of levels: 3, 3
General Linear Model: Rendimiento versus Temp, Presion 
Factor   Type   Levels  Values
Temp     fixed       3  200, 215, 230
Presion  fixed       3  150, 160, 170

Analysis of Variance for Rendimiento, using Adjusted SS for Tests


Significativos a nivel de 0.05
Source        DF   Seq SS   Adj SS   Adj MS      F      P
Temp           2  0.76778  0.76778  0.38389  21.59  0.000
Presion        2  0.30111  0.30111  0.15056   8.47  0.009
Temp*Presion   4  0.06889  0.06889  0.01722   0.97  0.470
Error          9  0.16000  0.16000  0.01778
Total         17  1.29778
No significativo a nivel 0.05
S = 0.133333   R­Sq = 87.67%   R­Sq(adj) = 76.71%

PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES


CONDICIONES DE OPERACIÓN

Las gráficas factoriales se obtienen de los promedios del rendimiento en cada nivel de cada factor

Página 4 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Least Squares Means for Rendimiento

Temp           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
Temp*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

Stat > DOE > Factorial > Factorial Plots

Seleccionar Main effects e Interaction Plots


Setup para ambas: En Response seleccionar Rendimiento
y con >> seleccionar todos los factores OK

Seleccionar Data Means OK

De aquí 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.

Main Effects Plot for Rendimiento


Data Means
Temp Presion
90.7

90.6 Para maximizar el


rendimiento se selecciona:
90.5
Presión = 170 psig
Mean

Temperatura = 215ºC
90.4

90.3

90.2

200 215 230 150 160 170

Interaction Plot for Rendimiento


Data Means
90.9 Esta
Tempgráfica no es utilizada
200
90.8 debido
215 a que la interacción

90.7
no fue
230 significativa

90.6

90.5
Mean

90.4

90.3

90.2

90.1

90.0

150 160 170


Temp.Presion

Página 5 de 57
90.1
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
90.0

150 160 170


Temp.Presion

Minitab 15 PASO 5. DISEÑO ÓPTIMO


Se usa para seleccionar puntos de diseño con base en algun criterio para obtener un diseño óptimo
que es un subconjunto del disño factorial completo. Se usa el diseño óptimo para:
- Seleccionar un conjunto de puntos de diseño "óptimo"
- Aumentar (agregar puntos a) un diseño actual
- Mejorar la Opimitalidad - D de un diseño actual
- Evaluar y comparar diseños

Para obtener el mejor diseño aumentando o disminuyendo los puntos originales en el diseño,
que corresponden a las corridas experimentales individuales. Se pueden usar dos criterios para
obtener el diseño óptimo: Optimalidad - D y optimalidad basada en la distancia.

La optimalidad D minimiza la varianza en los coeficientes de la regresión del modelo del diseño,
proporcionando el mejor estimado de los efectos. Si se especifica el modelo, Minitab selecciona
los puntos de diseño que satisfacen este criterio desde un conjunto de candidatos de puntos.

La optimalidad con base en la distancia dispersa uniformemente los puntos de diseño sobre el espacio
de diseño. Este método se usa cuando no es posible o deseable seleccionar un modelo previo.

Por ejemplo, un constructor de casas verdes, quiere usar el DOE para encontrar la combinación
ópitma de temperatura, iluminación, suelo, y agua que maximize el crecimiento de plantas colgantes.
Para esto crea un diseño de superficie de respuesta con cuatro factores y dos bloques (casas juntas)
genera un diseño con 30 puntos (30 combianciones de niveles). Sin embargo para ahorrar dinero
decide reducir el diseño original a 20 puntos, usando la optimalidad - D como criterio.

Los métodos anteriores se pueden utilizar para identificar un diseño óptimo factorial, de superficie de
respuesta, o de mezclas. Si se usan estos criterios para reducir o para aumentar un diseño depende
de los recursos disponibles, tales como tiempo, equipo, personal y dinero.

Por ejemplo, del caso anterior:


Si por alguna razón no se pudieran hacer todos los experimentos y de los 18 solo se pueden hacer 12:

1. Stat > DOE > Select Optimal Design


2. Number of points in the optimal design 12
3. Select Optimal Design
4. OK

StdOrder RunOrder PtType Blocks Temp Presion Rendimiento


1 3 1 1 200 150 90.4
1 3 1 1 200 150 90.2
2 10 1 1 200 160 90.1
2 10 1 1 200 160 90.3
3 14 1 1 200 170 90.5
4 7 1 1 215 150 90.7
4 7 1 1 215 150 90.6
5 12 1 1 215 160 90.5
6 13 1 1 215 170 90.8
7 8 1 1 230 150 90.2
8 16 1 1 230 160 89.9
9 11 1 1 230 170 90.4

Analysis of Variance for Rendimiento, using Adjusted SS for Tests
Source        DF   Seq SS   Adj SS   Adj MS      F      P
Temp           2  0.46000  0.40743  0.20372  13.58  0.031
Presion        2  0.21225  0.22074  0.11037   7.36  0.070
Temp*Presion   4  0.01941  0.01941  0.00485   0.32  0.848
Error          3  0.04500  0.04500  0.01500
Total         11  0.73667
S = 0.122474   R­Sq = 93.89%   R­Sq(adj) = 77.60%

Main Effects Plot for Rendimiento


Data Means

Temp Presion Página 6 de 57


90.7

90.6
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Main Effects Plot for Rendimiento


Data Means
Se seleccionan niveles
Temp Presion
90.7 similares para los factores
como en el diseño
90.6 factorial completo

Mean 90.5

90.4

90.3

90.2

90.1
200 215 230 150 160 170

Interaction Plot for Rendimiento


Data Means
Temp
90.8
200
Esta gráfica no se utiliza
215
230
90.6

90.4
Mean

90.2

90.0

150 160 170


Presion

Aumentar / Mejorar el diseño


En forma adicional a las columnas otiginales del diseño, se puede agregar otra columna que indique
cuantas veces se incluirá un punto de diseño en el diseño inicial, y si un punto debe ser protegido u
omitido del diseño final.

Columna indicadora del diseño


Hay dos formas de definir el diseño original: usar todos los renglones que se generan del diseño; o
usar una columna para "proteger" los puntos de diseño durante el proceso de optimización. Minitab no
descarta este punto de diseño en el diseño final.
La columna de indicadores puede tener números negativos y positivos.
- La magnitud de los indicadores determina el número de réplicar del punto correspondiente al diseño
original, que se incluiran en el diseño final
- El signo del indicador indica si el punto se protegerá durante el proceso de optimización o no.
Un signo positivo indica que el punto puede ser excluido del diseño, un signo negativo indica que
el punto no puede ser excluido del diseño.

Columna de evaluación
De forma adicional se puede agregar una columna adicional para evaluación del diseño, con dígitos
positivos, indicando cuantas veces se incluye un punto de diseño en la evaluación.

7.3 Diseño de experimentos factoriales completos de dos niveles (2K)

Ejemplo: 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 2 factores y 3 niveles.

Factor Nivel bajo Nivel Alto


A. Caudal de gas (l/min.) 8 12
B. Intensidad de Corriente 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 calidad

Paso 1. Generar diseño

Stat > DOE > Factorial > Create Factorial Design

Página 7 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Seleccionar 2-Level factorial (default generators); Number of factors 3


Designs: Seleccionar Full Factorial Replicates 1

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: Estándar 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:

StdOrder Caudal Intensidad Velocidad Y


1 8 230 0.6 10
2 12 230 0.6 26.5
3 8 240 0.6 15
4 12 240 0.6 17.5
5 8 230 1 11.5
6 12 230 1 26
7 8 240 1 17.5
8 12 240 1 20

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. Como es una sola réplica no hay residuos

La ecuación del modelo se puede formar a partir de los siguientes coeficientes:

Estimated Coefficients for Y using data in uncoded units

Term                             Coef
Constant                     ­893.750 Pareto Chart of the Effects
(response is Y, Alpha = .05)
Caudal                        102.625
5.646
Corriente                     3.75000 F actor Name
A C audal
A
Velocidad                     186.250 B C orriente
C V elocidad
Caudal*Corriente            ­0.425000 AB

Caudal*Velocidad             ­30.0000 C
Corriente*Velocidad         ­0.750000
Term

B
Caudal*Corriente*Velocidad   0.125000
BC

ABC
Y = -893.750 + 102.625 Caudal +
AC
- 0.425 Caudal*Corriente
0 1 2 3 4 5 6 7 8 9
Effect
Lenth's PSE = 1.5

Las gráficas donde se indica cuales factores son significativos son:
Son significativos A y AB

Normal Probability Plot of the Effects


(response is Y, Alpha = .05)
99
Página
Effect Ty pe8 de 57
Not Significant
95 Significant
90 A F actor N ame
A C audal
80 B C orriente
70 C V elocidad
t
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Normal Probability Plot of the Effects
(response is Y, Alpha = .05)
99
Effect Ty pe
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

Los efectos se pueden guardar en una columna y después graficarlos para que sean claros:

Stat > DOE > Factorial > Analize Factorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1

EFFE1
9
-1
1.5
-6.5
-0.5
1
0.5

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, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK

Main Effects Plot (data means) for Y


Caudal Corrient e
22
El único factor
20
significativo es A
18

16
Mean of Y

14

8 12 230 240
Velocidad
22

20

18

16

14

0.6 1.0

Interaction Plot (data means) for Y


28 Caudal
La interacción significativa
26
8 es AB
12

24
Los mejores resultados
22 se obtienen con:
20 Corriente = 230
Mean

18
Caudal = 12

16

14

12

10
230 240
Corriente
Página 9 de 57
14
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
12

10
230 240
Corriente

Cube Plot (data means) for Y


El cubo proporciona los
17.5 20.0
valores de las respuestas
en las diferentes
combinaciones de los
15.0 17.5
240 factores

Corriente 11.5 26.0


1

Velocidad Es el mejor resultado


10.0 26.5
230 0.6
8 12
Caudal

La experimentación podría continuar en esta dirección

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, Caudal y Vel. Con >>
Seleccionar Surface response Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK

Contour Plot of Y vs Intensidad, Caudal Surface Plot of Y vs Intensidad, Caudal

240.0 Hold Values


Y Velocidad 0.6
< 12
12 - 15
238.5
15 - 18
18 - 21
21 - 24
237.0
> 24
Intensidad

Hold Values 25
235.5 Velocidad 0.6
20
Y
234.0
15

240
10
232.5 235
8 Intensidad
10 230
Caudal 12
231.0

8 9 10 11 12
Caudal

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
Probar con High y Middle settings
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

Paso 7. Obtener una respuesta optimizada

Página 10 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

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:

CORRIDA EN MINITAB TOMANDO DE UN DISEÑO DE EXPERIMENTOS 2K (6.5)


Se usa un Router para hacer los barrenos de loc. 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.

Notación de Douglas Montgomery Niveles


Combinación Codificados
A B Trat. A B
- - (1) -1 -1
+ - a 1 -1
- + b -1 1
+ + ab 1 1

Respuesta Vibración
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

Stat > DOE > Factorial > Create Factorial Design

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

Página 11 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Factors
Factor Name Type Low High
A Diametro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK

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 enorden 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

Análisis de la variabilidad de cada combinación de niveles de factores:


1 Con los datos de este ejemplo.
2 Stat > DOE > Factorial > Preprocess Responses for Analyze Variability.
3 En Standard deviation to use for analysis, seleccionar Compute for replicates in each response column.
4 En Response, en el primer renglón, poner Rendimiento.
5 En Store Std Dev, en el primer renglón, poner DesvRend para nombrar la columna donde se guardará la desviación estándar.
6 En Store Counts, en el primer renglón, poner Num para registrar el número de réplicas. Click OK.

Los resultados son los siguientes:

Diametro Velocidad Resp DesvRend Num


0.063 40 18.2 2.90860791 4
0.125 40 27.2 2.23960562 4
0.063 90 15.9 0.75 4
0.125 90 41.0 3.14152299 4
0.063 40 18.9 * *

Ahora se analizan los factores que intervienen en la variabilidad del rendimiento:

Paso 1. Análisis de la variabilidad utilizando el método de mínimos cuadrados


1 Stat > DOE > Factorial > Analyze Variability.
2 En Response (standard deviations), seleccionar DesvRend
3 Click Terms.
4 En Include terms from the model up through order, seleccionar A B de la lista. Click OK.
5 Click Graphs. En Effects Plots, Seleccionar Normal, Half Normal, y Pareto. Click OK en cada cuadro de diálogo.

Los resultados se muestran a continuación:

Analysis of Variability: DesvRend versus Diametro, Velocidad 
Regression Estimated Effects and Coefficients for Ln of DesvRend (coded units)
Ratio
                     Ratio
Term        Effect  Effect     Coef  SE Coef      T      P
Constant                     0.6828   0.4234   1.61  0.353

Página 12 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Diametro    0.5855  1.7959   0.2928   0.4234   0.69  0.615
Velocidad  ­0.5085  0.6014  ­0.2542   0.4234  ­0.60  0.656
R­Sq = 45.61%    R­Sq(adj) = 0.00%

Analysis of Variance for Ln of DesvRend

Source          DF   Seq SS   Adj SS  Adj MS     F      P
Main Effects     2  2.57323  2.57323  1.2866  0.42  0.738
Residual Error   1  3.06893  3.06893  3.0689
Total            3  5.64216

Regression Estimated Coefficients for Ln of DesvRend (uncoded units)
Term             Coef
Constant     0.456062 Pareto Chart of the Standardized Effects
Diametro      9.44367 (Response is ln of DesvRend, Alpha = 0.05)

Velocidad  ­0.0101695 12.71

Fitted Means for DesvRend
Diametro
             Mean  SE Mean
Diametro
Term

 0.063     1.4770   0.8845
 0.125     2.6525   1.5884 Velocidad
Velocidad
 40        2.5523   1.5284
 90        1.5350   0.9192
0 2 4 6 8 10 12 14
Standardized Effect
Alias Structure
I
Diametro
Velocidad Conclusión: Ningún factor es significativo en la variabilidad

En este punto, se debe reducir el modelo por el método de mínimos cuadrados para determinar que
términos se retienen en el modelo. En este caso solo como ejemplo se toman los dos factores
aunque ninguno fue significativo. Este es solo uno de los diversos modelos reducidos a utilizar.
Una vez seleccionado el modelo reducido se corre con el método ML para tener una mayor precisión.

Paso 2. Análisis de la variabilidad utilizando el método de máxima verosimilitud

MLE Estimated Effects and Coefficients for Ln of DesvRend (coded units)

                     Ratio
Term        Effect  Effect     Coef  SE Coef      Z      P
Constant                     0.8440   0.2041   4.13  0.000
Diametro    0.5855  1.7959   0.2928   0.2041   1.43  0.152
Velocidad  ­0.5085  0.6014  ­0.2542   0.2041  ­1.25  0.213

Unusual Observations for Ln of DesvRend
St Ln
                                                         St Ln
Obs  StdOrder  Ln DesvRend   Ln Fit  SE Ln Fit  Ln Resid  Resid
  2         2      0.80630  1.39098    0.35355  ­0.58468  ­2.86 R
  3         3     ­0.28768  0.29700    0.35355  ­0.58468  ­2.86 R

R denotes an observation with a large standardized residual.
MLE Estimated Coefficients for Ln of DesvRend (uncoded units)
Term             Coef
Constant     0.617305
Diametro      9.44367 Pareto Chart of the Standardized Effects
(Response is ln of DesvRend, Alpha = 0.05)
Velocidad  ­0.0101695
1.960

Fitted Means for DesvRend

             Mean  SE Mean Diametro

Diametro
Term

 0.063     1.7354   0.5010
 0.125     3.1166   0.8997
Velocidad Velocidad

 40        2.9989   0.8657

0.0 0.5 1.0 1.5 2.0


Página 13 de 57
Standardized Effect
Mintab V15 Velocidad Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

 90        1.8035   0.5206
0.0 0.5 1.0 1.5 2.0
Alias Structure Standardized Effect

I
Diametro
Velocidad

Los resultados indican que:


- El diámetro tiene un efecto de 0.5. La tasa de efecto indica que la desviación estándar
se incrementa a una tasa de 1.79 cuando el diámentro cambia de bajo a alto.

- La velocidad tiene un efecto de -0.5. La tasa de efecto indica que la desviación estándar
se reduce a una tasa de 0.6014 cuando la velocidad cambia de baja a alta.

La gráfica de residuales se muestra a continuación:

Residual Plots for Ln of DesvRend


Versus Fits Histogram
Standardized Ln Residual

2.0
1

0 Frequency 1.5

-1 1.0

-2 0.5

-3 0.0
1 2 3 4 -3 -2 -1 0 1
Fitted Value Standardized Ln Residual

Versus Order
Standardized Ln Residual

-1

-2

-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Observation Order

No se muestran efectos anormales.

PASO 3 ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO

Stat > DOE > Factorial > Analyze Factorial Design

Response Seleccionar la columna de las respuestas Vibración

Terms Pasar todos los términos a Selected terms con >> OK

Graphs Seleccionar Effects Plots Normal Half Normal y


Pareto Seleccionar Alfa = 0.05

Seleccionar Residual for Plots Standardized


Seleccionar Residual plots: Normal y vs fits o Four in
oneOK

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

Prediction Seleccionar los niveles de los factores Diam y Vel.


0.100 y 50
Los resultados se muestran a continuación
OK
a) CONCLUSIONES EN RESIDUALES

Página 14 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Los residuales vs Valores de Y estimados Residuales vs Y estimada


(fits) deben distribuirse de manera aleatoria deben ser aleatorios
por arriba y debajo de la linea central y apegarse a la linea de regresión
indicando que son independientes de la respuesta indicando que se distribuyen en forma
normal y el modelo es válido

Residual Plots for Resp


Normal Probability Plot Versus Fits
99 2

Standardized Residual
90 1
Percent

50 0

-1
10

1 -2
-2 -1 0 1 2 20 30 40
Standardized Residual Fitted Value

Histogram Versus Order


4 2

Standardized Residual
3 1
Frequency

2 0

1 -1

0 -2
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Standardized Residual Observation Order

Los valores de los residuales se calculan comos sigue:

Y(i,j) estimada con la ecauación de regresión para cada combianción de niveles i, j.

Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada

La tabla de residuales calculada se muestra a continuación:

Obs StdOrder Vibración Fit SE Fit Residual St Resid


1 1 18.2000 16.1000 1.2224 2.1000 0.99
2 2 27.2000 24.0250 1.2224 3.1750 1.50
3 3 15.9000 14.9250 1.2224 0.9750 0.46
4 4 41.0000 40.2750 1.2224 0.7250 0.34
5 5 18.9000 16.1000 1.2224 2.8000 1.32
6 6 24.0000 24.0250 1.2224 -0.0250 -0.01
7 7 14.5000 14.9250 1.2224 -0.4250 -0.20
8 8 43.9000 40.2750 1.2224 3.6250 1.71
9 9 12.9000 16.1000 1.2224 -3.2000 -1.51
10 10 22.4000 24.0250 1.2224 -1.6250 -0.77
11 11 15.1000 14.9250 1.2224 0.1750 0.08
12 12 36.3000 40.2750 1.2224 -3.9750 -1.88
13 13 14.4000 16.1000 1.2224 -1.7000 -0.80
14 14 22.5000 24.0250 1.2224 -1.5250 -0.72
15 15 14.2000 14.9250 1.2224 -0.7250 -0.34
16 16 39.9000 40.2750 1.2224 -0.3750 -0.18

CONCLUSIONES EN LA TABLA DE ANOVA

Analysis of Variance for Vibración (coded units)

Source DF Seq SS Adj SS Adj MS F P


Main Effects 2 1334.48 1334.48 667.241 111.64 0.000
2-Way Interactions 1 303.63 303.63 303.631 50.80 0.000
Residual Error 12 71.72 71.72 5.977

Página 15 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Pure Error 12 71.72 71.72 5.977


Total 15 1709.83

CONCLUSIONES EN LOS EFECTOS ESTIMADOS Y COEFICIENTES USANDO


VALORES REALES DE LOS NIVELES

Se obtienen los resultados siguientes:

Estimated Coefficients for Vibración using data in uncoded units

Term Coef
Constant 23.0550
Diametro -96.2400
Velocidad -0.372000
Diametro*Velocidad 5.57600

La ecuación de Regresión del modelo se forma considerando unicamente los factores


e interacciones que tienen influencia en la respuesta o sea que son significativos
en este caso todos fueron significativos y la ecuación de regresión es la siguiente:

Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad + 5.576*Diametro*velocidad

Esta ecuación es válida en valores no codificados de los niveles es decir para A entre 1/16 y 1/8
y B entre 40 y 90, cualquier valor entre estos rangos.

Las gráficas de Efectos principales indican los factores significativos observando los que salen
de la recta normal e incluso se indican sus nombres como sigue (en este caso A, B y AB):

Normal Plot of the Standardized Effects Half Normal Plot of the Standardized Effects
(response is Resp, Alpha = .05) (response is Resp, Alpha = .05)
Effect Type Effect Ty pe
1.0E+02 Not Significant 1.0E+02 Not Significant
Significant Significant
99.9999
F actor N ame F actor N ame
A D iametro 1.0E+02
A D iametro
99.99 B V elocidad B V elocidad

99.98
Percent

Percent

99
95
80 A 98
95
50 AB
85
80 A
20 B
50 AB
5
20 B
1 0
0 4 8 12 16 0 2 4 6 8 10 12 14
Standardized Effect A bsolute Standardized Effect

La gráfica de Pareto de efectos principales muestra cuales son significativos


observando los que exceden la línea roja de nivel alfa (en este caso A, B y AB).

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

Página 16 de 57
0 2 4 6 8 10 12 14
Standardized Effect
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
B

0 2 4 6 8 10 12 14
Standardized Effect

Predicción de la respuesta:

Predicted Response for New Design Points Using Model for Resp
Diametro 0.90  Velocidad 50
Point       Fit   SE Fit         95% CI                95% PI
    1  169.9000  18.5456  (129.4926, 210.3074)  (129.1430, 210.6570)  XX

PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES


CONDICIONES DE OPERACIÓN

a) PROMEDIOS DE LAS RESPUESTAS EN CADA NIVEL DE FACTORES E INTERACCIÓN

Los promedios de la vibración considerando cada uno de los niveles de los factores obtenidos
en el análisis del experimento son:

Para el caso de niveles reales no codificados en (A = 1/16, 1/8 y B = 40 y 90 rpm):


Least Squares Means for Vibración
Mean SE Mean
Diametro
0.0625 15.51 0.8644
0.1250 32.15 0.8644
Velocidad
40 20.06 0.8644
90 27.60 0.8644
Diametro*Velocidad
0.0625 40 16.10 1.2224
0.1250 40 24.03 1.2224
0.0625 90 14.93 1.2224
0.1250 90 40.28 1.2224

b) OBTENCIÓN DE LAS GRÁFICAS FACTORIALES

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 Respuesta vibración

y con >> seleccionar todos los factores a Selected


OK

Seleccionar Data Means OK

La gráficas se muestran a continuación:

La gráfica de Cubo sólo muestra el arreglo experimental en forma gráfica:

Cube Plot (data means) for Vibración

14.925 Página 17 de 57
40.275
90
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Cube Plot (data means) for Vibración

14.925 40.275
90

Velocidad

16.100 24.025
40

0.063 0.125
Diametro

Se seleccionan los mejores niveles de acuerdo al resultado deseado.

Si la interacción ES significativa, los mejores niveles se seleccionan de gráficas de interacciones

Interaction Plot for Vibración


Data Means
Diametro
40 0.063
0.125

35

30
Mean

25

20

15

40 90
Velocidad

En este caso como buscamos una respuesta de menor es mejor para el caso de la vibración
seleccionamos de los cuatro puntos que forman la interacción de A y B, el que
proporcione la menor repuesta, en este cVelocidad Alta
Diametro Bajo

Si la interacción NO es significativa, los mejores niveles se seleccionan de las gráficas


de los factores principales (Main effects): - Lo cual en este caso no aplica.

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

Página 18 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

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

Realizar el Setup para cada una de estas:

Seleccionar columna Response vibración

Seleccionar Uncoded units (valores reales) o


Codificados

OK

La gráfica de contornos indica la combianción 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:

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

La gráfica de Superficie de respuesta nos indica el comportamiento del proceso es decir


como varia la respuesta Y = vibración en función de variaciones con Diametro y Velocidad

Surface Plot of Vibración vs Velocidad, Diametro

40

Vibración 30

20
80

60 Velocidad
0.06
0.08
0.10 40
0.12
Diametro

Página 19 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Optimizador

1. Stat > DOE > Factorial > Response optimizer


2. Seleccionar como response Vibración
3. Seleccionar Options Diamentro 0.065 Velocidad 50
4. Set up Vibración Minimize Target 10 Upper 40
5. OK

Respuesta óptima en Diámetro 0.125 y Velocida 90

7.4 Diseño de experimentos fraccionales (1/4) de dos niveles:

Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:


Factor Nivel Bajo Nivel Alto
A. Tipo de cola X Y
B. Temperatura 30 40
C. Cantidad 2 3
D. Temp.sec. 80 90
E. Presión 1 1.5

Al principio se realizó un diseño fraccional de dos niveles y cinco factores (25-2), en cada
condición se midió la fuerza de adhesión en 100 botellas y se tomó como respuesta el promedio.

Paso 1. Generar el diseño

Stat > DOE > Factorial > Create Factorial Design


Seleccionar 2-Level factorial (default values); Number of factors 5
Designs: Seleccionar 1/4 fraction
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random
OK OK

Paso 2. Introducir los datos en el diseño

Cola Temp Cola Cant cola Temp Secado Presion


A 30 2 90 1.5
B 30 2 80 1
A 40 2 80 1.5
B 40 2 90 1
A 30 3 90 1
B 30 3 80 1.5
A 40 3 80 1
B 40 3 90 1.5

Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)

Página 20 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

I + ABD + ACE + BCDE


A + BD + CE + ABCDE
B + AD + CDE + ABCE
C + AE + BDE + ABCD
D + AB + BCE + ACDE
E + AC + BCD + ABDE
BC + DE + ABE + ACD
BE + CD + ABC + ADE

Paso 3. Analizar el diseño

Stat > DOE > Factorial > Analyze Factorial Design


Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK

La ecuación del modelo se puede obtener de los siguientes coeficientes:

Estimated Coefficients for Y using data in uncoded units
Term                       CoefEcuación de regresión
Constant               ­36.0000
Cola                   ­2.00000 Y = -36 - 2*Cola + 0.6 Temp Cola + 0.45 Temp secado
Temp Cola              0.600000
Cantidad               0.500000
Temp secado            0.450000
Presion                 5.00000
Temp Cola*Cantidad  1.58579E­16
Temp Cola*Presion     ­0.200000

Los factores significativos se observan de las gráficas siguientes

Pareto Chart of the Effects


(response is Y, Alpha = .05)
2.823
F actor N ame
A C ola
D
B Temp C ola Son significativos los
C C antidad
A D Temp secado factores A, B, D
E Presion

B
Term

BE

BC

0 1 2 3 4 5
Effect
Lenth's PSE = 0.75

Normal Probability Plot of the Effects


(response is Y, Alpha = .05)
99
Effect Ty pe
Not Significant
95 Significant
90 D F actor N ame
A C ola
80 B Temp C ola
B
70 C C antidad
Percent

60 D Temp secado
E P resion
50
40
30
20

10 A
Página 21 de 57
5

1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
80 B Temp C ola
B
Mintab V15 70 Módulo 7.
C Diseño
C antidad de experimentos P. Reyes / Nov. 2007

Percent
60 D Temp secado
E P resion
50
40
30
Son significativos los
20
factores A, B, D
10 A
5

1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
Lenth's PSE = 0.75

Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación

Stat > DOE > Factorial Plots


Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK

Main Effects Plot (data means) for Y Se maximiza la respuesta


Cola Temp Cola en las condiciones
24 siguientes:
23 Cola = X
22 Temp Cola = 40
21 Temp Sec = 90
Mean of Y

20

X Y 30 40
Temp secado
24

23

22

21

20

80 90

Cube Plot (data means) for Y

24.0

23.5
40

Después de este
experimento de filtración
Temp Cola 24.5 se puede hacer otro más
90
completo sólo con los
Temp secado
16.0
30 80
factores A, B, D
X Y
Cola

7.5 Diseño de experimentos de superficies de respuesta

DISEÑO CENTRAL COMPUESTO DE SUPERFICIE DE RESPUESTA


Un modelo de primer orden es el siguiente:

y=β 0 +β 1 x1 +β 2 x 2 +...β k xk +ε
Su gráfica de contornos son líneas rectas que nos permiten seguir
experimentando en la trayectoria de ascenso rápido, perpendicular a los contornos

Página 22 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Incremento Niveles codificados Niveles reales Respuesta

Orig 8 3.3 75 173 70.


.+8 6 4
Orig 9 3.7 80 175 77.
.+9 8 6
Orig 10 4.2 85 177
.+10 0
80.3
Orig 11 4.6 90 179 76.
.+11 2 2
Orig 12 5.0 95 181 75.
.+12 4 1
Trayectoria de ascenso rápido

En este punto ya no funciona el


modelo lineal anterior, se requiere uno cuadrático

Respuesta

Pasos
Experimentales

Si en ANOVA se indica que un modelo cuadrático es mejor que


uno lineal, el modelo a aplicar es:

k k k−1 k
Y =β 0 + ∑ β i X i + ∑ β ii X 2i + ∑ ∑ β ij X i X j +ε
i=1 i=1 i=1 j=2

El modelo a utilizar en lugar de un rectángulo del diseño lineal, es el


diseño central compuesto con puntos axiales como se muestra abajo:

Página 23 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Puntos axiales en 1.414

Diseño lineal normal

Réplicas en (0,0)
para el error puro

Ejemplo de diseño central compuesto:

  Variables Proceso Variables   Rendimient


reales del codificadas o
Corrida Tiempo Temp.(ºF) X1 X2 Y2
(min.)
1 80 170 -1 -1 76.5

2 80 180 -1 1 77.0

3 90 170 1 -1 78.0

4 90 180 1 1 79.5

5 85 175 0 0 79.9

6 85 175 0 0 80.3

7 85 175 0 0 80.0

8 85 175 0 0 79.7
9 85 175 0 0 79.8
10 92.07 175 1.414 0 78.4
11 77.93 175 -1.414 0 75.6
12 85 182.07 0 1.41 78.5
13 85 167.93 0 4 77.0
-1.414

Corrida en Minitab:

Paso 1. Crear el diseño de exp. Central Compuesto (CCD)

Página 24 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Stat> DOE > Surface Response > Create Response Surface Design

En Type of Designs seleccionar Central Composite


Number of factors 2

En Designs seleccionar Full Runs 13 Center points 5 Axial 1.414


Number of center points seleccionar Default Value of Alfa Default
Replicates 1

En Factors seleccionar Nombre de los factores y niveles de los mismos

En Options seleccionar NO Randomize runs y Store Design in Worksheet

En Results seleccionar Summary table and Design Table


OK Design Table
Run Blk A B
Central Composite Design 1 1 -1.00000 -1.00000
Factors: 2 Replicates: 1 2 1 1.00000 -1.00000
Base runs: 13 Total runs: 13 3 1 -1.00000 1.00000
Base blocks: 1 Total blocks: 1 4 1 1.00000 1.00000
5 1 -1.41421 0.00000
Two-level factorial: Full factorial 6 1 1.41421 0.00000
7 1 0.00000 -1.41421
Cube points: 4 8 1 0.00000 1.41421
Center points in cube: 5 9 1 0.00000 0.00000
Axial points: 4 10 1 0.00000 0.00000
Center points in axial: 0 11 1 0.00000 0.00000
12 1 0.00000 0.00000
Alpha: 1.41421 13 1 0.00000 0.00000

Paso 2. Cargar los datos de respuesta de los experimentos

StdOrder RunOrder PtType A B Rendim. Viscocidad


1 1 1 -1 -1 76.5 62
2 2 1 1 -1 78.0 66
3 3 1 -1 1 77.0 57
4 4 1 1 1 79.5 59
5 5 -1 -1.41421 0 75.6 71
6 6 -1 1.41421 0 78.4 68
7 7 -1 0 -1.41421 77.0 57
8 8 -1 0 1.41421 78.5 58
9 9 0 0 0 79.9 72
10 10 0 0 0 80.3 69
11 11 0 0 0 80.0 68
12 12 0 0 0 79.7 70
13 13 0 0 0 79.8 71

Paso 3. Analizar el Diseño de superficie de respuesta CCD

Stat> DOE > Surface Response > Analyze Surface Response Design

En Response seleccionar Rendimiento y Coded Units

En Graphs seleccionar Residual Plots o Normal Plot


OK

La gráfica normal Normal


de residuos es la siguiente:
Probability Plot of the Residuals
(response is Rendim)
99
El modelo es
95 adecuado
90

80
70
Percent

60
50
40
30
20

10

5 Página 25 de 57
1
-0.50 -0.25 0.00 0.25 0.50
Residual
50
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Per
40
30
20

10

1
-0.50 -0.25 0.00 0.25 0.50
Residual

Los resultados del análisis son:

Response Surface Regression: Rendim versus A, B

The analysis was done using coded units.

Estimated Regression Coefficients for Rendim

Term Coef SE Coef T P


Constant 79.9400 0.11896 671.997 0.000
A 0.9950 0.09405 10.580 0.00SON SIGNIFICATIVOS
B 0.5152 0.09405 5.478 0.001
A*A -1.3762 0.10085 -13.646 0.000
B*B -1.0013 0.10085 -9.928 0.000
A*B 0.2500 0.13300 1.880 0.102

S = 0.2660 R-Sq = 98.3% R-Sq(adj) = 97.0%

La ecuación de regresión es:


Y = 79.94 + 0.995*A + 0.5152*B - 1.3762*A*B - 1.0013*B*B

Analysis of Variance for Rendim

Source DF Seq SS Adj SS Adj MS F P


Regression 5 28.2478 28.2478 5.64956 79.85 0.000
Linear 2 10.0430 10.0430 5.02148 70.97 0.000
Square 2 17.9548 17.9548 8.97741 126.88 0.000
Interaction 1 0.2500 0.2500 0.25000 3.53 0.102
Residual Error 7 0.4953 0.4953 0.07076
Lack-of-Fit 3 0.2833 0.2833 0.09443 1.78 0.290
Pure Error 4 0.2120 0.2120 0.05300
Total 12 28.7431

Con el error Lack of Fit se observa que el modelo lineal


no es adecuado, se reuqiere el modelo cuadrático

Paso 4. Analizar gráficas de superficie de respuesta y contornos


Stat> DOE > Surface Response > Contour/Response Plots

Seleccionar Contour y Surface plots

En Setup de cada una simplemente entrar y salir


OK

Surface Plot of Rendim vs B, A

80

78
Rendim
76
Página 26 de 57
74 1
0 B
-1 -1
0
A 1
Mintab V15 80
Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

78
Rendim
76

74 1
0 B
-1 0 -1
A 1

Punto óptimo
A=0, B=0.5

Contour Plot of Rendim vs B, A


Rendim
< 74
74 - 75
1.0
75 - 76
76 - 77
77 - 78
0.5 78 - 79
79 - 80
> 80

0.0
B

-0.5

-1.0

-1.0 -0.5 0.0 0.5 1.0


A

Se puede ampliar esta respuesta con:

Stat> DOE > Surface Response > Overlaid Contour Plot

Seleccionar Variable de respuesta con >

En Contours establecer el Low 78 y High 84 de la respuesta


OK

Overlaid Contour Plot of Rendim


Rendim
78
84
1.0

0.5

0.0
B

-0.5

-1.0

-1.0 -0.5 0.0 0.5 1.0


A

Paso 5. Optimización de las respuestas

Stat> DOE > Surface Response > Response Optimizer

Seleccionar Variable de respuesta Rendim con >

Página 27 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

En Setup poner los valores para la estimación Lower 75 Target 80 Upper 90

En Options indicar los Starting Values de los niveles de los factores 0, 0


OK

Puntos óptimos

Optimal A B
Hi 1.4142 1.4142
D Cur [0.0] [0.1781]
1.0000 Lo -1.4142 -1.4142

Rendim
Targ: 80.0
y = 80.0000
d = 1.0000

El cálculo manual se realiza como sigue:

 x1 
x 
x   2
... 
 
 xk 
 
 ˆ1 
 
 ˆ   0.995
b   2   
...   0.515
 ˆ 
 k
 ˆ11 , ˆ12 / 2,..., ˆ1k / 2

 
 ˆ / 2, ˆ22 , ....ˆ2 k / 2
  1.376, 0.1250 
B   12    0.1250, 1.001 
   
 matriz.simetrica , ˆ
  kk

1 1 1  0.7345, 0.0917   0.995   0.389 


xs   B b   0.515   0.306 
2 2 0.0917,  1.006    
ˆ 1
ˆs  0 
y xs b
2

Y = 79.94 + 0.995*A + 0.515B –1.376 A*A – 1.001 B*B + 0.25AB

Con las ecuaciones de la página siguiente el punto máximo óptimo queda


en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada Yest = 80.21

Contour Plot of Y
75
Página 28 de 57 76
1
77
78
79
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Contour Plot of Y
75
76
1
77
78
79
80
0

-1

-1 0 1
A

Surface Plot of Y

80.5

79.5

78.5
77.5

Y 76.5
75.5
74.5 1.5
1.0
73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5

7.6 Diseño de experimentos de Taguchi

CORRIDA EN MINITAB DEL DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI

Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles,
los más utilizados y difundidos según el número de factores a analizar son:

Si el número de factores que Nº de condiciones


se desean analizar es Arreglo a utilizar a probar

Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64

Taguchi sugiere utilizar un estadístico que proporcione información acerca de la media y de la variancia
denominado Relación Señal a Ruido (SNR), como la variable de respuesta.
se consideran tres tipos principales:

1. Menor es mejor (Smaller is better - s)


2. Mayor es mejor Larger is better - l)
3. Nominal es mejor - (Target is better - t)

Página 29 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Las fórmulas para cada esquema son las siguientes


n 2
SNRt =−10 log s 2
n 2
1 / Yi ¿
Yi SNRl=−10 log ∑
SNRs=−10 log ∑ i=1 n
i=1 n ¿

Donde la SNR se expresa en decibeles y debe ser maximizada

Ejemplo: Optimización de un proceso de soldadura de tarjetas de circuito impreso

Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a
una máquina de soldar donde por un transportador pasa por un baño de flux para eliminar oxido,
se precalienta para reducir la torcedura y se solda. Se diseña un experimento para determinar
las condiciones que dan el número mínimo de defectos de soldadura por millón de uniones.

Los factores de control y niveles se muestran a continuación:

Factor Descripción (-1) (+1)


A Temperatura de soldado ºF 480 510
B Velocidad del transportador (ft/min) 7.2 10.
C Densidad del flux remover oxido 0.9 1.0
D Temperatura de precalentado ºF 150 200
E Altura de ola de soldadura(pulg.) 0.5 0.6
El arreglo de los factores de control
se denomina Arreglo interno fraccional 25-2

Además se tienen otros factores denominados factores de ruido que no se pueden


o no se quieren controlar como el tipo de producto. También se pueden considerar factores de ruido
las tolerancias de algunos de los factores críticos en este proceso, en este caso la temperatura
de la soldadura varia entre ±5ºF y la velocidad del
transportador entre ± 0.2 ft/min. Esta variabilidad también tiene influencia en la respuesta.

Factor Descripción (-1) (+1)


F Temperatura de soldadura (ºF) -5 5
G Velocidad del transportador (ft/min) -0.2 +0.2
H Tipo de producto en la placa 2 1
El arreglo de los factores de ruido
se denomina Arreglo externo fraccional 23-1

El arreglo cruzado de ambos y los valores de las respuestas se muestran a continuación:


En este caso se busca la respuesta Menor es mejor para los defectos de soldadura.

F -1
Arreglo interno G -1
H -1
Experimento A B C D E
1 -1 -1 -1 -1 -1 186
2 -1 -1 1 1 1 328
3 -1 1 -1 -1 1 234
4 -1 1 1 1 -1 295
5 1 -1 -1 1 -1 47
6 1 -1 1 -1 1 185
7 1 1 -1 1 1 136
8 1 1 1 -1 -1 194

=-10*LOG10(SUMA.CUADRADOS(J69:M69)/4)

Página 30 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

1 1 -1
1 -1 1
-1 1 1
Experimento SNR
1 187 105 104 -39.37
2 326 247 322 -44.30
3 159 231 157 -41.36
Continuación 4 216 204 293 -43.38
5 125 127 42 -27.42
6 261 264 264 -39.32
7 136 132 136 -36.65
8 197 193 275 -39.74

PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO

Stat > DOE > Taguchi > Create Taguchi Design

2 Level Design

Number of factors 5

Designs L8 2**5

OK

Factors (para cambiar nombre de factores y niveles)

Seleccionar To allow estimation of selected interactions e


Interactions
Seleccionar Selected terms AB con >

Factor Name Level values Column Levels


A Temp sold 1 2 1 2
B Vel. transp. 1 2 2 2
C Densidad flux 1 2 3 2
D Temp precal 1 2 4 2
E Altura de ola 1 2 5 2
OK

Options
Seleccionar Store design in worksheet OK

PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA


COMBINACION DE FACTORES DESPUÉS QUE MINITAB GENERO EL DISEÑO O ARREGLO

A B Etc. -F-G-H FG-H F-GH -FGH


-1 -1 -- 186 187.0 105 104
-1 -1 -- 328 326.0 247 322
-1 1 -- 234 159.0 231 157
-1 1 -- 295 216.0 204 293
1 -1 -- 47 125.0 127 42
1 -1 -- 185 261.0 264 264
1 1 -- 136 136.0 132 136

Página 31 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

1 1 -- 194 197.0 193 275

PASO 3 ANALIZAR MODELO DE DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI

Stat > DOE > Taguchi > Analyze Taguchi Design

Response Data are in - Seleccionar las cuatro columnas de


respuestas C6 - C9

Graphs Seleccionar Signal to noise ratios , means, Display


interac. plots Matrix

Analysis Seleccionar Signal to noise ratios y Means para


Response tables y Fit Model

Terms Seleccionar A, B, C, D , E y AB

Options Seleccionar Smaller is better

Analysis Graphs Seleccionar Standardized Residual for plots


y Normal
OK

Los resultados se muestran a continuación

a) Gráfica normal de residuos

Normal Probability Plot of the Residuals


(response is Means)
99

95

90

80
70
Percent

60
50
40
30
20

10

1
-3 -2 -1 0 1 2 3
Standardized Residual

Indica que le modelo es adecuado

b) Coeficientes y ANOVA para Relaciones Señal a Ruido

Taguchi Analysis: -F-G-H, FG-H, F-GH, -FGH versus A, B, C, D, E

Linear Model Analysis: SN ratios versus A, B, C, D, E

Estimated Model Coefficients for SN ratios

Term Coef SE Coef T P


Constant -45.5183 0.02112 -2154.926 0.000
A -1 -1.3480 0.02112 -63.819 0.010

Página 32 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

B -1 0.3503 0.02112 16.583 0.038


C -1 2.6000 0.02112 123.089 0.005
D -1 -0.5119 0.02112 -24.233 0.026
E -1 1.0188 0.02112 48.230 0.013
A*B -1 -1 -0.1589 0.02112 -7.520 0.084

S = 0.05974 R-Sq = 100.0% R-Sq(adj) = 100.0%

Para SNR los cinco factores son


Analysis of Variance for SN ratios significativos a una alfa del 5%

Source DF Seq SS Adj SS Adj MS F P


A 1 14.5378 14.5378 14.5378 4072.88 0.010
B 1 0.9815 0.9815 0.9815 274.99 0.038
C 1 54.0796 54.0796 54.0796 15150.84 0.005
D 1 2.0961 2.0961 2.0961 587.23 0.026
E 1 8.3030 8.3030 8.3030 2326.15 0.013
A*B 1 0.2019 0.2019 0.2019 56.56 0.084
Residual Error 1 0.0036 0.0036 0.0036
Total 7 80.2035 Para SNR los cinco factores son
significativos a una alfa del 5%

c) Coeficientes y ANOVA para las medias de los factores

Linear Model Analysis: Means versus A, B, C, D, E

Estimated Model Coefficients for Means

Term Coef SE Coef T P


Constant 197.125 3.125 63.080 0.010
A -1 27.500 3.125 8.800 0.072
B -1 -2.125 3.125 -0.680 0.620
C -1 -56.875 3.125 -18.200 0.035
D -1 2.625 3.125 0.840 0.555
E -1 -22.750 3.125 -7.280 0.087
A*B -1 -1 3.125 3.125 1.000 0.500

S = 8.839 R-Sq = 99.8% R-Sq(adj) = 98.5%


Solo son significativos a un nivel alfa del 5%
Analysis of Variance for Means el factor C y al 10% A, C, E.

Source DF Seq SS Adj SS Adj MS F P


A 1 6050.0 6050.0 6050.0 77.44 0.072
B 1 36.1 36.1 36.1 0.46 0.620
C 1 25878.1 25878.1 25878.1 331.24 0.035
D 1 55.1 55.1 55.1 0.71 0.555
E 1 4140.5 4140.5 4140.5 53.00 0.087
A*B 1 78.1 78.1 78.1 1.00 0.500
Residual Error 1 78.1 78.1 78.1
Total 7 36316.1
Significativos C para 0.05 y A, C y E
para 0.1

Response Table for Signal to Noise Ratios


Smaller is better

Level A B C D E
1 -46.87 -45.17 -42.92 -46.03 -44.50
2 -44.17 -45.87 -48.12 ¿
Delta 2.70 0.70 5.20 1.02 2.04
Rank 2 5 1 4 3

d) Las respuestas promedio y gráficas factoriales para relación Señal a Ruido son:

Página 33 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Factores A, C y E
son significativos

Main Effects Plot (data means) for SN ratios


A B C Opción mayor es mejor:
A= 2
-44
C=1
E=1
-46
Mean of SN ratios

-48

-1 1 -1 1 -1 1
D E

-44

-46

-48

-1 1 -1 1

Signal-to-noise: Smaller is better

Interaction Plot (data means) for SN ratios


-1 1
A
-44 -1
1
-45
A
-46
Interacciones no
-47 significativas
B
-44 -1
1
-45
B
-46

-47
-1 1

Signal-to-noise: Smaller is better

d) Las respuestas promedio y gráficas factoriales para los factores principales son:

Main Effects Plot (data means) for Means


A B C
250 Factores A, C y E
225
son significativos
200

175
Mean of Means

150

-1 1 -1 1 -1 1
D E
250

225

200

175

150

-1 1 -1 1

Interaction Plot (data means) for Means


-1 1
A
220 -1
1

200
A Interacciones no
180

Página 34 de
16057
B
220 -1
1

200
B
1
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
200
A

180
significativas
160
B
220 -1
1

200
B

180

160
-1 1

Nota. Si se presenta conflicto entre los niveles que minimizan la variabilidad o que maximizan la
relación señal a ruido y los que ajustan la media a mayo o menor es mejor, seleccionar los primeros.

Minitab 15 Ejemplo de fabricación de bolas de Golf

Se fabrican bolas de golf con un nuevo diseño para maximizar la distancia de vuelo.
Se han identificado cuatro factores de control, cada uno con dos niveles:
- Material del nucleo (líquido y tungsteno)
- Diámetro del nucleo (118 y 156)
- Número de vueltas (392 y 422)
- Espesor del recubrimiento (0.03 y 0.06)
Se desea probar la interacción entre el material del nucleo y su diámetro.
Como respuesta se mide la distancia en dos clubes de golf como factor de ruido.
Como se quiere maximizar la respuesta se selecciona la relación señal a ruido Mayor es mejor.

1 File > Open worksheet GOLFBALL.MTW. Contiene el diseño y los datos de distancia de respuesta.

Material Diameter Dimples Thickness Driver Iron


Liquid 118 392 0.03 247.5 234.3
Liquid 118 422 0.06 224.4 214.5
Liquid 156 392 0.03 59.4 49.5
Liquid 156 422 0.06 75.9 72.6
Tungsten 118 392 0.06 155.1 148.5
Tungsten 118 422 0.03 39.6 29.7
Tungsten 156 392 0.06 92.4 82.5
Tungsten 156 422 0.03 21.9 18.6

2 Stat > DOE > Taguchi > Analyze Taguchi Design.


3 En Response data are in, seleccionar Driver and Iron
(clubes)
4 Click Analysis.
5 En Fit linear model for, seleccionar Signal-to-noise ratios and Means. Click OK.
6 Click Terms.
7 Mover los términos AB a Selected Terms con > o con doble click. Click OK.
8 Click Options.
9 En Signal to Noise Ratio, seleccionar Larger is better. Click OK en cada cuadro de diálogo

Los resultados se muestran a continuación:

Taguchi Analysis: Driver, Iron versus Material, Diameter, Dimples, Thickness 
Linear Model Analysis: SN ratios versus Material, Diameter, Dimples, Thickness 
Estimated Model Coefficients for SN ratios

Term                            Coef  SE Coef       T      P
Constant                      38.181   0.4523  84.418  0.000
Material Liquid                3.436   0.4523   7.596  0.017
Diameter 118                   3.967   0.4523   8.772  0.013
Dimples 392                    2.982   0.4523   6.593  0.022
Thicknes 0.03                 ­3.479   0.4523  ­7.692  0.016
Material*Diameter Liquid 118   1.640   0.4523   3.625  0.068
S = 1.279   R­Sq = 99.2%   R­Sq(adj) = 97Todos son significativos
Analysis of Variance for SN ratios al 10% de nivel de alfa

Source             DF   Seq SS   Adj SS   Adj MS      F      P
Material            1   94.427   94.427   94.427  57.70  0.017
Diameter            1  125.917  125.917  125.917  76.94  0.013
Dimples             1   71.133   71.133   71.133  43.47  0.022

Página 35 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Thickness           1   96.828   96.828   96.828  59.17  0.016
Material*Diameter   1   21.504   21.504   21.504  13.14  0.068
Residual Error      2    3.273    3.273    1.637
Total               7  413.083

Linear Model Analysis: Means versus Material, Diameter, Dimples, Thickness 
Estimated Model Coefficients for Means

Term                            Coef  SE Coef       T      P
Constant                      110.40    8.098  13.634  0.005
Material Liquid                36.86    8.098   4.552  0.045
Diameter 118                   51.30    8.098   6.3 Efecto mayor
Dimples 392                    23.25    8.098   2.8 Son significativos al 10%
Thicknes 0.03                 ­22.84    8.098  ­2.820  0.106
Material*Diameter Liquid 118   31.61    8.098   3.904  0.060
S = 22.90   R­Sq = 97.9%   R­Sq(adj) = 92.6%

Analysis of Variance for Means

Source             DF  Seq SS  Adj SS   Adj MS      F      P
Material            1   10871   10871  10870.8  20.72  0.045
Diameter            1   21054   21054  21053.5  40.13  0.024
Dimples             1    4325    4325   4324.5   8.24  0.103
Thickness           1    4172    4172   4172.4   7.95  0.106
Material*Diameter   1    7995    7995   7994.8  15.24  0.060
Residual Error      2    1049    1049    524.6
Total               7   49465

Normal Probability Plot


Response Table for Signal to Noise Ratios (response is SN ratios)
Larger is better 99

95

Level  Material  Diameter  Dimples  Thickness 90

80
1         41.62     42.15    41.16      34.70 70
Percent

60
2         34.75     34.21    35.20      41.66 50
40
Delta      6.87      7.93     5.96       6.96 30
20
Rank          3         1        4          2 10

Response Table for Means 1
-3 -2 -1 0 1 2 3
Level  Material  Diameter  Dimples  Thickness Standardized Residual

1        147.26    161.70   133.65      87.56
2         73.54     59.10    87.15     13Los residuos siguen una distribución
Delta     73.72    102.60    46.50      4normal por lo que el modelo es adecuado.
Rank          2         1        3          4

Un análisis gráfico de las respuestas de S/Ns y medias se muestra a continuación:

118
392
0.06

Página 36 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Con base en estos resultados, los mejores niveles son:

Material Liquid
Diameter 118
Dimples 392
Thickness 0.06

Con estos dtos se puede predecir la respuesta en relación señal a ruido y respuesta para ciertos
niveles seleccionados de los factores, utilizando el modelo del experimento de Taguchi, como sigue:

1. Examinar las tablas de respuesta y las gráficas de efectos principales para identificar los factores
que tienen el mayor efecto en la relación S/N o desviación estándar.

2. Seleccionar varias combinaciones de ajuste de los otros factores

3. Con los resultados de predicción, determinar que combinación de ajuste de factores se acerca a la
media deseada si reducir de manera siginifcativa la relación S/N.

4. Realizar un experimento piloto con los niveles seleccionados para determianr que tan bien predice
el modelo los resultados observados.

Si hay interacciones mínimas o si se consideraron adecuadamente por las predicciones, los resultados
observados serán cercanos a la predicción, y se ha producido un producto robusto. De otra forma
puede ser que algunas interacciones o factores de ruido no considerados, y se debe hacer más
investigación.

Para la predicción se puede decidir que factores e interacciones incluir, para mejorar la predicción.

1 File > Open worksheet GOLFBALL2.MTW. Ya incluye el disño y los datos de respuesta.
2 Stat > DOE > Taguchi > Predict Taguchi Results.
3 Quitar la selección de Standard deviation y Natural log of standard deviation.
4 Click Terms. Incluir los términos A, B, C, D, y AB en el cuadro Selected Terms. Click OK.
5 Click Levels.
6 En Method of specifying new factor levels, seleccionar Select levels from a list.
7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.

Factor Level
Material Liquid
Diameter 118
Dimples 392
Thickness 0.06
7 Click OK en cada cuadro de diálogo

Predicted values 
S/N Ratio     Mean    StDev  Ln(StDev)
  53.6844  276.262  8.75045    2.26309

Factor levels for predictions
Material  Diameter  Dimples  Thickness
Liquid         118      392       0.06

Minitab 15 Ejemplo de diseño dinámico - Diseños experimentales en cada nivel de la variable dinámica
Se hace un diseño experimental con tres factores: sensor, dispositivo de salida y relevador. Cada
uno con dos niveles. El factor de ruido es el valor real del producto que se mide y la respuesta es
la medición, se han identificado dos condiciones de ruido.

1 File > Open worksheet SENSOR.MTW. El diseño y las respuestas ya están en este archivo.

Sensor Output Relay Signal Noise1 Noise2


1 1 1 1.25 1.303 1.312

Página 37 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

1 1 1 25 25.057 25.072
1 1 1 250 250.207 250.441
1 1 2 1.25 1.286 1.292
1 1 2 25 25.048 25.075
1 1 2 250 250.257 250.039
1 2 1 1.25 1.286 1.291
1 2 1 25 25.047 25.075
1 2 1 250 250.213 250.013
1 2 2 1.25 1.296 1.296
1 2 2 25 25.057 25.086
1 2 2 250 250.219 250.35
2 1 1 1.25 1.287 1.29
2 1 1 25 25.049 25.061
2 1 1 250 250.217 250.6
2 1 2 1.25 1.285 1.286
2 1 2 25 25.044 25.065
2 1 2 250 250.2 250.538
2 2 1 1.25 1.288 1.288
2 2 1 25 25.049 25.069
2 2 1 250 250.217 250.585
2 2 2 1.25 1.283 1.288
2 2 2 25 25.044 25.055
2 2 2 250 250.2 250.553

2 Stat > DOE > Taguchi > Analyze Taguchi Design.


3 En Response data are in, seleccionar Noise1 and Noise2.
4 Click Graphs. En Generate plots of main effects and selected interactions for,
seleccionar Standard deviations. (seleccioanr Signal to Noise ratios y Slopes )
5 Seleccionar Display scatterplots with fitted lines. Click OK.
6 Click Analysis. En Display response tables for,
seleccionar Standard deviations. (seleccioanr Signal to Noise ratios y Slopes )
7 En Fit linear model for, seleccionar Signal to Noise ratios, Slopes, and Standard deviations
8 Click OK en cada cuadro de diálogo.

Los resultados se muestran a continuación:

Linear Model Analysis: SN ratios versus Sensor, Output, Relay 
Estimated Model Coefficients for SN ratios

Term         Coef  SE Coef       T      P
Constant  20.6879   0.3017  68.560  0.000
Sensor 1   2.0050   0.3017   6.645  0.003 Sensor es significativo
Output 1  ­0.4724   0.3017  ­1.566  0.192 a un 0.1 de significancia
Relay 1   ­0.5370   0.3017  ­1.780  0.150
S = 0.8535   R­Sq = 92.6%   R­Sq(adj) = 87.0%

Analysis of Variance for SN ratios

Source          DF  Seq SS  Adj SS   Adj MS      F      P
Sensor           1  32.162  32.162  32.1616  44.15  0.003
Output           1   1.785   1.785   1.7855   2.45  0.192
Relay            1   2.307   2.307   2.3071   3.17  0.150
Residual Error   4   2.914   2.914   0.7284
Total            7  39.168

Linear Model Analysis: Slopes versus Sensor, Output, Relay 
Estimated Model Coefficients for Slopes
Term          Coef   SE Coef         T      P
Constant   1.00122  0.000125  8039.325  0.000
Sensor 1  ­0.00034  0.000125    ­2.708  0.054 Sensor es significativo
Output 1   0.00004  0.000125     0.294  0.783 a un 0.1 de significancia
Relay 1    0.00003  0.000125     0.274  0.798
S = 0.0003523   R­Sq = 65.2%   R­Sq(adj) = 39.1%

Analysis of Variance for Slopes

Source          DF    Seq SS    Adj SS    Adj MS     F      P
Sensor           1  0.000001  0.000001  0.000001  7.33  0.054
Output           1  0.000000  0.000000  0.000000  0.09  0.783

Página 38 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Relay            1  0.000000  0.000000  0.000000  0.07  0.798
Residual Error   4  0.000000  0.000000  0.000000
Total            7  0.000001

Linear Model Analysis: StDevs versus Sensor, Output, Relay 
Estimated Model Coefficients for StDevs
Term           Coef   SE Coef       T      P
Constant   0.095414  0.002341  40.753  0.000
Sensor 1  ­0.021261  0.002341  ­9.081  0.001 Sensor es significativo
Output 1   0.003906  0.002341   1.668  0.171 a un 0.1 de significancia
Relay 1    0.005262  0.002341   2.247  0.088 El Relevador solo es
S = 0.006622   R­Sq = 95.8%   R­Sq(adj) = 92.6% significativo en este modelo

Analysis of Variance for StDevs
Source          DF    Seq SS    Adj SS    Adj MS      F      P
Sensor           1  0.003616  0.003616  0.003616  82.46  0.001
Output           1  0.000122  0.000122  0.000122   2.78  0.171
Relay            1  0.000221  0.000221  0.000221   5.05  0.088
Residual Error   4  0.000175  0.000175  0.000044
Total            7  0.004135

Response Table for Signal to No El valor del estadístico Delta es la diferencia de


Dynamic Response las respuestas promedio en los dos niveles, es decir
Level  Sensor  Output  Relay el impacto que el factor tiene en la respuesta.
1       22.69   20.22  20.15
Normal Probability Plot
2       18.68   21.16  21.22 (response is SN ratios)
Delta    4.01    0.9 El sensor 99

Rank        1        tiene la mayor 95

Delta - Rango 1 90

80
Response Table for Slopes 70
Percent

60
Level  Sensor  Output  Relay 50
40
1       1.001   1.001  1.001 30
20
2       1.002   1.001  1.001 10

Delta   0.001   0.000  0.000 5

Rank        1       2      3 1
-3 -2 -1 0 1 2 3
Standardized Residual

Response Table for Standard Deviations
Level   Sensor   Output    RelaDe la gráfica de residuos se observa que el modelo es
1      0.07415  0.09932  0.1006adecuado
2      0.11668  0.09151  0.09015
Delta  0.04252  0.00781  0.01052
Rank         1        3        2

Los resultados gráficos de las respuestas S/N, media y desviación estándar son los siguientes:

Página 39 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Como se desea reducir la variación en el sistema de medición, se seleccionan los niveles con los
valores más altos de relacióin S/N y menores en desviación estándar.

En este caso se seleccionar el nivel 1 del sesnsor y el nivel 2 del relevador.


Se debe correr un experimento para confirmar los cálculos.

Se puede predecir la respuesta media con estos niveles seleccioandos:

1 File > Open worksheet SENSOR.MTW. Ya incluye el disño y los datos de respuesta.
2 Stat > DOE > Taguchi > Predict Taguchi Results.
3 Seleccionar Standard deviation y Natural log of standard deviation.
4 Click Terms. Incluir los términos Sensor, Output, Relay en el cuadro Selected Terms. Click OK.
5 Click Levels.
6 En Method of specifying new factor levels, seleccionar Select levels from a list.
7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.

Factor Nivel
Sensor 1
Output 2
Relay 2

La respuesta predicha es:

Predicted values 
S/N Ratio    Slope      StDev  Ln(StDev)
  23.7024  1.00082  0.0649857   ­2.72803

Factor levels for predictions
Sensor  Output  Relay
     1       2      2

7.7 Diseño de experimentos de mezclas


REPRESENTACIÓN TRIANGULAR - MEZCLAS DE 3 COMPONENTES

El sistema triangular permite visualizar la relación en una mezcla de tres componentes.


El sistema muestra la proporción de X1, X2 y X3 con un mínimo de cero y un máximo de Uno.
Los vértices del triángulo representan mezclas puras (un solo componente con los otros en 0).

Página 40 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Cualquier punto sobre los lados del triángulo representan mezclas binarias donde uno de los
componentes es ausente, como por ejemplo:

El centroide es un punto donde hay


las mismas proporciones de los 3
componentes en proporción de 1/3.

Las mezclas trisección en los lados tienen 1/3 de un componente y 2/3 del otro componente.
Estos `puntos dividen a cada lado en tres partes iguales,

Página 41 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Las mezclas completas estan en el interior del espacio de diseño donde todos los
componentes estan presentes en alguna proporción.

DETERMINACIÓN DEL DISEÑO PARA CORRIDA EN MINITAB

Minitab proporciona diseños: Simplex centroid, Simplex Lattice y Extreme Vertices.


Para seleccionar un diseño es necesario:
- Identificar los componentes, variables de proceso cantidades de mezcla que son de interés.
- Determinar el modelo que se quiere ajustar
- Asegurar la cobertura adecuada de la región de interés en la superficie de respuesta.
- Determinar el impacto de otras consideraciones sobre el diseño (costo, tiempo, etc.).

Los diagramas indicados abajo muestran algunos diseños que se pueden crear,
se pueden generar diseños hasta de grado 10.

Página 42 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Suponiendo que quieres estudiar la proporción de 3 ingredientes en una solución de


desodorante que afecta la aceptación del producto en base al aroma.
Sus aceites componentes son:Neroli, Rose y Tangerine.

1 Stat > DOE > Mixture > Create Mixture Design.

2 En Type of Design, seleccionar Simplex centroid.

3 En Number of components, seleccionar 3.

4 Click Designs. seleccionar Augment the design with axial points. Click OK.

5 Click Components. en Name, poner Neroli, Rose, y Tangerine en renglones 1 a 3. Click OK.

6 Click Results. Seleccionar Detailed description and design table.

7 Click OK en cada cuadro de diálogo.

Los resultados del diseño son los siguientes:

Simplex Centroid Design

Components: 3 Design points: 10


Process variables: 0 Design degree: 3

Mixture total: 1.00000

Number of Boundaries for Each Dimension

Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1

Number of Design Points for Each Type

Point Type 1 2 3 0 -1
Distinct 3 3 0 1 3
Replicates 1 1 0 1 1
Total number 3 3 0 1 3

Bounds of Mixture Components

Amount Proportion Pseudocomponent


Comp Lower Upper Lower Upper Lower Upper
A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Design Table
X1 X2 X3
Run Type A B C

Página 43 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

1 1 1.0000 0.0000 0.0000


2 1 0.0000 1.0000 0.0000
3 1 0.0000 0.0000 1.0000
4 2 0.5000 0.5000 0.0000
5 2 0.5000 0.0000 0.5000
6 2 0.0000 0.5000 0.5000
7 0 0.3333 0.3333 0.3333
8 -1 0.6667 0.1667 0.1667
9 -1 0.1667 0.6667 0.1667
10 -1 0.1667 0.1667 0.6667

StdOrd RunOrder PtType Neroli Rose Tangerine Respuesta


1 1 1 1 0 0
2 2 1 0 1 0
3 3 1 0 0 1
4 4 2 0.5 0.5 0
5 5 2 0.5 0 0.5
6 6 2 0 0.5 0.5
7 7 0 0.33333 0.33333 0.33333
8 8 -1 0.66667 0.16667 0.16667
9 9 -1 0.16667 0.66667 0.16667
10 10 -1 0.16667 0.16667 0.66667

DISEÑO DE EXPERIMENTOS DE MEZCLAS

Los factores independientes son proporciones de diferentes componentes de una mezcla

Cuando las proporciones tienen la restricción de sumar la unidad se pueden utilizar


modelos de estructura Simplex o Simplex con centroide

Cuando además algunos componentes tienen la restricción adicional de tener un valor


máximo o mínimo los modelos a utilizar son los de Vértices extremos

X1 X2 X3 Rendimiento
0 0 1
0 0.333 0.667
0 0.667 0.333
0 1 0
0.333 0 0.667
0.333 0.333 0.333
0.333 0.667 0
0.667 0 0.333
0.667 0.333 0
1 0 0
X2

Las ecuaciones de restricción del modelo lineal son:

(q  m  1)!
Puntos 
m !(q  1)!
X1  X 2  X 3  1 Página 44 de 57

q
E (Y )    i X i
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
(q  m  1)!
Puntos 
m !(q  1)!
X1  X 2  X 3  1
q
E (Y )    i X i
i 1

Ejemplo de diseño Simplex Lattice:


Se tienen q = 3 componentes y m=2 niveles, X1=polietileno, X2=Poliestireno,
X3=polipropileno mezclados para formar fibras, de las cuales se mide la elongación
en dos réplicas.

X1 X2 X3 Rendimiento
0 0 1 16.8 16.0 2 replicas
0 0.5 0.5 10.0 9.7 11.8 3 Réplicas
0 1 0 8.8 10.0 2 replicas
0.5 0 0.5 17.7 16.4 16.6 3 replicas
0.5 0.5 0 15.0 14.8 16.1 3 replicas
1 0 0 11.0 12.4 2 replicas
X2

Corrida en Minitab
Paso 1. Generar el diseño de experimentos de mezclas.

Stat > DOE > Mixture > Create Mixture Design

Seleccionar Simplex Lattice No of components 3

En Designs:

Degree of Lattice 2

Seleccionar augment design with center points


Seleccionar augment design with axial points

Seleccionar No of replicates of the selected type of points

Replicas en los vértices 1 Vertex 2


Réplicas en los lados 2 Double Blend 3

En Options quitar Randomize runs


Seleccionar Store Design in Worksheet

En Results seleccionar Detailed description and detailed table


OK

El diseño del experimento detallado se muestra a continuación:

Simplex Lattice Design

Components: 3 Design points: 15


Process variables: 0 Lattice degree: 2

Mixture total: 1.00000

Number of Boundaries for Each Dimension

Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1

Number of Design Points for Each Type

Point Type 1 2 3 0 -1
Distinct 3 3 0 0 0
Replicates 2 3 0 0 0

Página 45 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Total number 6 9 0 0 0

Bounds of Mixture Components

Amount Proportion Pseudocomponent


Comp Lower Upper Lower Upper Lower Upper
A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Paso 2. Cargar los datos resultado de los experimentos en la columna de respuestas


de los 3 componentes X1, X2 y X3

Design Table (randomized)

Experimento PtType Blocks A B C Elongación


1 1 1 1 0 0 11
2 2 1 0.5 0.5 0 15
3 2 1 0.5 0 0.5 17.7
4 1 1 0 1 0 8.8
5 2 1 0 0.5 0.5 10
6 1 1 0 0 1 16
7 1 1 1 0 0 12.4
8 1 1 0 1 0 10
9 1 1 0 0 1 16.8
10 2 1 0.5 0.5 0 14.8
11 2 1 0.5 0.5 0 16.1
12 2 1 0.5 0 0.5 16.4
13 2 1 0.5 0 0.5 16.6
14 2 1 0 0.5 0.5 9.7
15 2 1 0 0.5 0.5 11.8

Paso 3. Obtener la gráfica del diseño triangular del modelo Simplex Lattice

Stat > DOE > Mixture > Simplex Design Plot OK

Point Labels Seleccionar Replicates OK

Simplex Design Plot in Proportions

A
1
2

3 3
0 0

2 3 2
1 0 1
B C

Paso 4. Análisis del modelo Simplex Lattice

Stat > DOE > Mixture > Analyze mixture design

Página 46 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Responses – Elongation OK
En Graphs > Residual Plots Seleccionar Normal Plot – ver adecuación del modelo
OK
Gráfica de residuos

Normal Probability Plot of the Residuals


(response is Elongación)
99

95

90

80
70
Percent

60
50
40
30
20

10

1
-2 -1 0 1 2
Residual

Análisis del diseño.

Simplex Design Plot in Amounts

Regression for Mixtures: Elongación versus A, B, C

Estimated Regression Coefficients for Elongación (component proportions)

Term Coef SE Coef T P VICoeficientes


A 11.700 0.6037 * * 1.75 b1
B 9.400 0.6037 * * 1.75 b2
C 16.400 0.6037 * * 1.75 b3
A*B 19.000 2.6082 7.28 0.000 1.75Factores e interacciones
A*C 11.400 2.6082 4.37 0.002 1.75sinérgicas
B*C -9.600 2.6082 -3.68 0.005 1.75Interacción antagónica

La ecuación de regresión es:


Y = 11.7*A + 9.4*B + 16.4*C + 19*A*B + 11*A*C -9.6*B*C

Como b3 > b1 > b2 se concluye que el componente 3 produce la mayor elongación

Como b12 y b13 son positivos la mezcla de componentes 1 y 2


así como 1 y 3 aumenta la elongación

Como b23 es negativo la mezcla de los componentes 2 y 3 tiene


efectos antagónicos en la mezcla

S = 0.853750 PRESS = 18.295


R-Sq = 95.14% R-Sq(pred) = 86.43% R-Sq(adj) = 92.43%

Variación explicada por la regresión

Analysis of Variance for Elongación (component proportions)

Source DF Seq SS Adj SS Adj MS F P


Regression 5 128.296 128.2960 25.6592 35.20 0.000
Linear 2 57.629 50.9200 25.4600 34.93 0.000
Quadratic 3 70.667 70.6669 23.5556 32.32 0.000
Residual Error 9 6.560 6.5600 0.7289
Total 14 134.856

Página 47 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Paso 5. Gráfica de la respuesta Elongación vs cada componente de la mezcla

Stat > DOE > Mixture > Response Trace Plot


Response -- Elongation
OK

Cox Response Trace Plot


Component
17
A
B
16 C

15
Fitted Elongación

14

13

12

11

10

9
-0.50 -0.25 0.00 0.25 0.50 0.75
deviation from reference blend in proportion

Mixture Surface Plot of Elongación


(component amounts)

Paso 6. Gráfica de la superficie de respuesta y contornos

Stat > DOE > Mixture > Contour plot


Setup OK
16

14
Elongación

12 A
1.00

10 0.00
0.00
B
1.00 0.00
1.00
C

Mixture Contour Plot of Elongación


(component amounts)

A
1
Elongació
< 10
10 - 12
12 - 14
14 - 16
> 16

0 0
Combinación para
respuesta máxima

1 0 1
B C

Para el caso de hacer un zoom en la respuesta se tiene:

Stat > DOE > Mixture > Overlaid Contour plot


Response --Elongation contours

Low Limit 12 High Limit 14


OK Overlaid Contour Plot of Elongación
(component amounts)

A Página 48 de 57
1
Elongación
12
14
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Overlaid Contour Plot of Elongación


(component amounts)

A
1
Elongación
12
14

0 0

1 0 1
B C

Paso 7. Optimizador de respuesta

Stat > DOE > Mixture > Response optimizer


Indicar en Response – Elongation
En Setup indicar los valores de la respuesta óptima:
Lower 10
Target 15
Upper 20
En Options indicar los valores iniciales de las variables
A = 0.3
B = 0.3
C = 0.4 La suma debe dar la Unidad OK

Ejemplo de diseño Simplex Centroid

Stat > DOE > Mixture > Create Mixture Design


Seleccionar Simplex Centroid
Seleccionar 3 Components
Designs seleccionar Augment Axial Points
Seleccionar No Replicates for the selected different types of points:
1 Vertex 2
2 Double Blend 1
0 Center points 2
-1 Axial point 1
OK
Experimento
1 A B C RENDIMIENTO
2 1 0 0 24.5
3 0 1 0 24.8
4 0 0 1 22.7
5 0.5 0.5 0 25.1
6 0.5 0 0.5 24.3
7 0 0.5 0.5 23.5
8 0.33333 0.33333 0.33333 24.8
9 0.66667 0.16667 0.16667 24.2

Página 49 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

10 0.16667 0.66667 0.16667 23.9


11 0.16667 0.16667 0.66667 23.7
12 1 0 0 25.1
13 0 1 0 23.9
14 0 0 1 23.6
15 0.33333 0.33333 0.33333 24.1

Simplex Design Plot in Amounts

A
1

0 0

1 0 1
B C

Simplex Centroid Design

Components: 3 Design points: 14


Process variables: 0 Design degree: 3

Mixture total: 1.00000

Number of Boundaries for Each Dimension

Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1

Number of Design Points for Each Type

Point Type 1 2 3 0 -1
Distinct 3 3 0 1 3
Replicates 2 1 0 2 1
Total number 6 3 0 2 3

Bounds of Mixture Components

Amount Proportion Pseudocomponent


Comp Lower Upper Lower Upper Lower Upper
A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Simplex Centroid Design

Components: 3 Design points: 14


Process variables: 0 Design degree: 3

Mixture total: 1.00000

Number of Boundaries for Each Dimension

Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1

Página 50 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Number of Design Points for Each Type

Point Type 1 2 3 0 -1
Distinct 3 3 0 1 3
Replicates 2 1 0 2 1
Total number 6 3 0 2 3

Bounds of Mixture Components

Amount Proportion Pseudocomponent


Comp Lower Upper Lower Upper Lower Upper
A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Simplex Design Plot in Amounts

Regression for Mixtures: RENDIMIENTO versus A, B, C

Estimated Regression Coefficients for RENDIMIENTO (component proportions)

Term Coef SE Coef T P VIF


A 24.744 0.3225 * * 1.548
B 24.311 0.3225 * * 1.548
C 23.178 0.3225 * * 1.548
A*B 1.514 1.8168 0.83 0.429 1.718
A*C 1.114 1.8168 0.61 0.557 1.718
B*C -1.086 1.8168 -0.60 0.566 1.718

S = 0.465276 PRESS = 5.27297


R-Sq = 70.91% R-Sq(pred) = 11.44% R-Sq(adj) = 52.74%

Analysis of Variance for RENDIMIENTO (component proportions)

Source DF Seq SS Adj SS Adj MS F P


Regression 5 4.2224 4.2224 0.84449 3.90 0.043
Linear 2 3.9247 2.7487 1.37433 6.35 0.022
Quadratic 3 0.2978 0.2978 0.09925 0.46 0.719
Residual Error 8 1.7319 1.7319 0.21648
Lack-of-Fit 4 0.4969 0.4969 0.12421 0.40 0.800
Pure Error 4 1.2350 1.2350 0.30875
Total 13 5.9543

Mixture Surface Plot of RENDIMIENTO


(component amounts)

25.0

24.5

RENDIMIENTO 24.0

A
1.00
23.5
0.00
0.00
B
1.00 0.00
1.00
C

Página 51 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Mixture Contour Plot of RENDIMIENTO


(component amounts)

A
1
RENDIMIENTO
< 23.2
23.2 - 23.6
23.6 - 24.0
24.0 - 24.4
24.4 - 24.8
> 24.8

0 0

1 0 1
B C

Con 23.5 y 24.5

Overlaid Contour Plot of RENDIMIENTO


(component amounts)

A
1
RENDIMIENTO
23.5
24.5

0 0

1 0 1
B C

Estimate in
23.5 24 25

Components
0.3 0.3 0.4

Optimal [ ]:A [ ]:B [ ]:C


Hi 1.0000 1.0 1.0
D Cur [0.30] [0.1889] [0.5111]
0.97319 Lo 0.0 0.0 0.0

RENDIMIE
Targ: 24.0
y = 24.0134
d = 0.97319

Página 52 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Opciones adicionales del diseño de experimentos de mezclas:

1. Límites inferior o superior en algunos componentes, por restricciones del proceso:

La presencia de restricciones inferior y superior en los componentes, crea una condición de


zona de factibilidad, se utilizan los diseños de vértices extremos para cubrir el espacio de diseño.

Diseño con restricción de límite superior Diseño con restricciones de límite inferior

Las líneas grises representan las restricciones inferior y superior de los componentes. El área
sombreada representa el espacio de diseño.. Los puntos se colocan en los vértices
extremos del espacio de diseño.

2. Experimento con cantidades de la mezcla - Diseño de vértices extremos


En este experimento, se asume que la respuesta depende de las proporciones del componente
y la cantidad de la mezcla. Por ejemplo, la cantidad aplicada y las proporciones de los ingredientes
de un invernadero afectan al crecimiento de las plantas. Cuando un experimento de mezclas
se realiza en dos o más niveles de la cantidad total de mezcla, se denomina
experimento - cantidad - mezcla.

Components seleccionar Multiple totals (1-5), poner 20 y 40

Diseño Simplex Lattice con 3 componentes:

Página 53 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

RunOrder A B C Amount
1 17 2 1 20
2 5 14 1 20
3 5 2 13 20
4 9 6 5 20
5 13 4 3 20
6 7 10 3 20
7 7 4 9 20
8 34 4 2 40
9 10 28 2 40
10 10 4 26 40
11 18 12 10 40
12 26 8 6 40
13 14 20 6 40
14 14 8 18 40

3. Experimentos de mezclas con variables de proceso - Diseño de vertices extremos

Las variables de proceso son factores en un experimento que no son parte de la mezcla, pero que
pueden afectar las propiedades de la mezcla. Por ejemplo las propiedades adhesivas de una pintura
puede depender de la temperatura a la que se aplica.

Se permiten hasta 7 factores con dos niveles en el diseño de mezclas. Las variables del proceso
se pueden incluir como diseño factorial completo o fraccional. El diseño de mexclas se genera con
cada una de las combinaciones de los niveles de variables de proceso o en una fracción de las mismas

- Especificar tipo de diseño Full / Fraction


y el nivel de la fracción deseada

- Nombrar las variables del proceso


- Poner los niveles bajo y alto para las
variables del proceso

Solo se puede con proporciones de componentes como sigue:

4. DOE de mezclas con límites restrictivos y restricciones lineales - vértices extremos


Linear contraints - especifica la restricción en términos de una programación simplex

Por ejemplo, se quiere agregar una restricción lineal en la siguiente situación de humedad de
ingredientes (huevos, leche, aceite) en una mezcla de pastel de modo que en conjunto no sea
menor a 40% ni mayor a 60% de la mezcla total. Si se permiten cantidades iguales de estos
ingredientes, se deben usar los valores siguientes para la restricción lineal: valor bajo de 0.4,
valor superior de 0.6, y los coeficientes de los componentes son 1. Para el caso de una mezcla
de cuatro componentes, se puede tener:

Página 54 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007

Página 55 de 57
ARCHIVO ROTOR.MTW
Contiene datos de diámetros de ejes tomados durante
un periodo de tiempo.

Hora Eje Posicion Diametro


8:00 1 Max Izq 2.509
8:00 1 Min Izq 2.502
8:00 1 Max Der 2.506
8:00 1 Min Der 2.5
8:00 2 Max Izq 2.51
8:00 2 Min Izq 2.504
8:00 2 Max Der 2.506
8:00 2 Min Der 2.5
8:00 3 Max Izq 2.508
8:00 3 Min Izq 2.502
8:00 3 Max Der 2.506
8:00 3 Min Der 2.498
9:00 1 Max Izq 2.506
9:00 1 Min Izq 2.5
9:00 1 Max Der 2.5
9:00 1 Min Der 2.497
9:00 2 Max Izq 2.504
9:00 2 Min Izq 2.5
9:00 2 Max Der 2.5
9:00 2 Min Der 2.498
9:00 3 Max Izq 2.506
9:00 3 Min Izq 2.5
9:00 3 Max Der 2.5
9:00 3 Min Der 2.499
10:00 1 Max Izq 2.498
10:00 1 Min Izq 2.496
10:00 1 Max Der 2.491
10:00 1 Min Der 2.488
10:00 2 Max Izq 2.496
10:00 2 Min Izq 2.493
10:00 2 Max Der 2.492
10:00 2 Min Der 2.49
10:00 3 Max Izq 2.498
10:00 3 Min Izq 2.496
10:00 3 Max Der 2.496
10:00 3 Min Der 2.49
11:00 1 Max Izq 2.51
11:00 1 Min Izq 2.505
11:00 1 Max Der 2.504
11:00 1 Min Der 2.5
11:00 2 Max Izq 2.509
11:00 2 Min Izq 2.505
11:00 2 Max Der 2.503
11:00 2 Min Der 2.5
11:00 3 Max Izq 2.51
11:00 3 Min Izq 2.506
11:00 3 Max Der 2.506
11:00 3 Min Der 2.502
12:00 1 Max Izq 2.508
12:00 1 Min Izq 2.504
12:00 1 Max Der 2.502
12:00 1 Min Der 2.5
12:00 2 Max Izq 2.506
12:00 2 Min Izq 2.5
12:00 2 Max Der 2.5
12:00 2 Min Der 2.496
12:00 3 Max Izq 2.506
12:00 3 Min Izq 2.502
12:00 3 Max Der 2.5
12:00 3 Min Der 2.497