Está en la página 1de 28

INSTITUTO TECNOLÓGICO

SUPERIOR DE CIUDAD ACUÑA

“EXPERIMENTO Y ARREGLOS
ORTOGONALES”

INGENIERÍA DE CALIDAD
INGENIERÍA INDUSTRIAL
SÉPTIMO SEMESTRE

ALUMNOS:
EDUARDO ALEJANDRO TREVIÑO SEMPÉ
KARLA LIZBETH GONZÁLEZ MARTÍNEZ
BLANCA ZAPOTE JIMÉNEZ
JESUS FERNANDO CASTILLO RODRÍGUEZ
BRENDA ENEIDA MORENO VAZQUEZ

DOCENTE: M.M. JOSE ALBERTO RAMIREZ COYOLT

17 de septiembre, 2019, Ciudad Acuña, Coahuila


EXPERIMENTO

QUÉ ES UN EXPERIMENTO:
Experimento es el proceso por el cual se manipula de manera intencional una o
más variables independientes, definidas como causas, para el posterior análisis de
las consecuencias que tienen sobre otras variables identificadas como efectos.
a palabra experimento deriva del verbo latín experiri que significa experimentar o
probar. Está compuesto por el prefijo ex- que indica una “separación del interior”,
de la raíz peri- que indica un intento o arriesgar y finalmente del sufijo -
mentumde experimentum que indica la acción y efecto de experimentar.
En la metodología de la investigación, disciplina que sistematiza las técnicas que
se deben seguir en el proceso de una investigación científica, los experimentos
científicos o químicos, por ejemplo, se caracterizan por los siguientes puntos:
 Hay manipulación intencional de una o más variables independientes
determinadas como causas
 Existe una mayor probabilidad de replicar la experiencia, en cualquier lugar
y siguiendo el mismo procedimiento.
 Los resultados muestran la magnitud real de los efectos.

El resultado de un experimento aporta validez a una teoría. Cada vez que el


experimento es replicado por otros científicos y se obtienen los mismos resultados,
dicha validez se incrementa.

TIPOS DE EXPERIMENTOS
Experimento aleatorio
El experimento de tipo aleatorio es aquel cuya conclusión es dudosa en el marco
de diferentes probabilidades y se puede repetir un número de veces arbitrarios,
conservando las mismas condiciones externas que definen dicho experimento.
En los experimentos aleatorios hay influencias que no son consideradas en su
descripción, o sea, en la narración de las condiciones que lo caracterizan y que
llevan a que la conclusión de este sea dudosa en el marco de diversas
probabilidades.
Experimento genético
Consisten en estudios científicos fundamentados en el análisis del material
genético que conforma a los seres vivos, dicho material está estructurado por
el ADN y el ARN por lo que el estudio genético examina la conformación y la
evolución del ADN.
Hay diversas clases de experimentos genéticos que se realizan con seres
humanos, plantas y animales.
Experimento puro
Este tipo de experimento emplea variables independientes para ver sus resultados
sobre las variables dependientes en una situación de dominio. La primera
condición de un experimento puro es la alteración intencional de una o más
variables independientes.
La variable independiente es la que se expresa como supuesta razón en una
vinculación entre variables, es la condición previa; y el impacto generado por este
motivo se conoce como variable dependiente.
Cuasi-experimento
La palabra “cuasi-experimento” describe a los diseños de investigación
experimentales en los que los sujetos o agrupación de sujetos de análisis no están
colocados de forma aleatoria.
Los diseños cuasi-experimentales más empleados tienen la misma lógica y
engloban la comparación de la agrupación de tratamiento y dominio como en las
pruebas aleatorias.
Aunque este tipo de experimento es más débil ante los riesgos de la validez si se
relaciona con las pruebas aleatorias, los cuasi-experimentos no necesitan
asignaciones casuales a las agrupaciones experimentales y por esta razón,
usualmente son más viables que las pruebas aleatorias.
Experimento casero
Los experimentos de tipo casero consisten en la capacidad de unir elementos que
pueden ser localizados de forma fácil en la casa o un supermercado sin tener que
pasar a tiendas determinadas con el objetivo de corroborar o probar algún
fenómeno científico.

Experimento determinista
Los experimentos deterministas consisten en los estudios en los que si se reiteran
las mismas condiciones iniciales se aseguran las mismas conclusiones. Por
ejemplo, un vehículo que avanza a una velocidad prolongada durante
un tiempo específico, y circula siempre el mismo espacio.

Experimento científico
El experimento de tipo científico consiste en la valoración práctica de las teorías
que se han generado de una teoría previa, a partir de este momento se producen
hipótesis y más teorías que serán evaluadas de la misma forma, lo que producirá
una cadena experimental que finalizará en la ejecución de una conclusión que
otorgará los resultados de todas las pruebas.
Es esencial puntualizar que en un laboratorio se requiere tomar todas las
decisiones preventivas de seguridad que son importantes para proteger al
científico que ejecuta los movimientos, debido a que en ciertos casos los
elementos que son parte del experimento son desconocidos o no se sabe
realmente cuál es su reacción al exhibirlos en condiciones exteriores que
perjudiquen su aspecto o estabilidad.
Ventajas de la experimentación:
Algunas ventajas de la experimentación serían las siguientes:
 El control y manipulación de las variables predictivas clarifican la dirección y
naturaleza de la causa.
 Se requiere una estrecha colaboración entre los estadísticos y el investigador o
científicos con las consiguientes ventajas en el análisis e interpretación de las
etapas del programa.
 Se enfatiza respecto a las alternativas anticipadas y respecto a la pre-planeación
sistemática, permitiendo aun la ejecución por etapas y la producción única de datos
útiles para el análisis en combinaciones posteriores.
 Debe enfocarse la atención a las interrelaciones y a la estimación y cuantificación
de fuentes de variabilidad en los resultados.
 El número de pruebas requerido puede determinarse con certeza y a menudo puede
reducirse.
 La comparación de los efectos de los cambios es más precisa debido a la agrupación
de resultados.
 La exactitud de las conclusiones se conoce con una precisión matemáticamente
definida.

Desventajas de la experimentación:
1. Tales diseños y sus análisis, usualmente están acompañados de enunciados
basados en el lenguaje técnico del estadístico. Sería significativos a la generalidad
de la gente, además, el estadístico no debería subestimar el valor de presentarnos
los resultados en forma gráfica. De hecho, siempre debería considerar a la
representación gráfica como un paso preliminar de un procedimiento más analítico.
2. Muchos diseños estadísticos, especialmente cuando fueron formulados por primera
vez, se han criticado como demasiado caros, complicados y que requieren mucho
tiempo. Tales críticas, cuando son válidas, deben aceptarse de buena fe y debe
hacerse un intento honesto para mejorar la situación, siempre que no sea en
detrimento de la solución del problema.
EL DISEÑO DE EXPERIMENTOS (DOE)
El Diseño de Experimentos (DoE, por sus siglas en inglés) constituye un método
preciso, considerado el estándar más preciso e inequívoco para probar una
hipótesis.
Un experimento bien diseñado y armado resistirá cuestionamientos y las críticas
se enfocarán en las conclusiones, en lugar de los posibles errores experimentales.
Un buen diseño experimental debe seguir los protocolos científicos establecidos y
generar buenos datos estadísticos.
A modo de ejemplo, los experimentos a escala industrial pueden costar millones
de dólares. Repetir el experimento porque tenía grupos de control inadecuados o
muestras insuficientes para un análisis estadístico no es una opción. Por esta
razón, la fase de diseño es posiblemente la más decisiva.

Conceptos básicos del diseño de experimentos


En la mayoría de los experimentos verdaderos, el investigador está tratando de
establecer una relación causal entre las variables, mediante la manipulación de
una variable independiente para evaluar el efecto sobre las variables
dependientes.
En el experimento más simple, el investigador está tratando de demostrar que, si
se produce un evento, tendrá lugar un determinado resultado.
Por ejemplo:
"Si los niños comen pescado aumenta su coeficiente intelectual".
Esta es una buena hipótesis y, a simple vista, parece fácilmente comprobable. El
problema es que, en cualquier diseño experimental sólido, lo opuesto (contra
positivo) también debería ser verdad. El diseño de experimentos establece que si
no se produce un evento determinado el resultado probado no ocurrirá, un factor
sutil pero crucial.
La razón es que esto asegura que exista una verdadera relación causal entre las
variables independiente y dependiente.
Por lo tanto, la siguiente declaración también debería ser verdad.
"Si los niños no comen pescado su coeficiente intelectual no aumentará".
La primera declaración es bastante fácil de analizar y se lleva a cabo alimentando
a los niños con cantidades variables de pescado y midiendo su coeficiente
intelectual.
Sin embargo, es mucho más difícil probar la segunda declaración. La única
manera de probarla adecuadamente es no alimentando a los niños con pescado.
Es imposible utilizar los mismos niños, así que hay que llegar a un acuerdo y el
investigador debe utilizar dos grupos diferentes de niños.
El problema es que es imposible tener dos grupos idénticos y el Diseño de
Experimentos debe tener esto en cuenta. El investigador debe entender que
siempre existirán diferencias entre los grupos.
Por esta razón, un diseño experimental sólido debe tener controles
extremadamente estrictos y una operación meticulosa. Los grupos aleatorios son
la mejor manera de asegurar que los grupos sean lo más parecidos posible.
En el ejemplo del pescado, todos los niños podían tener la misma alimentación,
pero el grupo de prueba recibía suplementos de pescado. Aleatorizar los grupos
intenta equilibrar las diferencias entre los individuos y elimina cualquier posibilidad
de sesgo experimental.

Validez interna vs externa


El segundo problema es que no se sabe si otros factores podrían afectar el
resultado.
Obviamente, es poco ético matar de hambre a los niños, pero otros alimentos
podrían tener una influencia significativa sobre el coeficiente intelectual.
Es difícil controlar qué alimentos comen los niños en casa, lo que produce
una variable de confusión potencial.
Además, puede variar la calidad de enseñanza en los niños de diferentes
escuelas, lo que podría influir en los resultados.
Estos son algunos de los factores que podrían afectar el experimento y todo
diseño de experimentos debe tratar de filtrar los resultados verdaderos del "ruido"
experimental.
En una situación de un "Experimento Verdadero" ideal, encerrarías a todos los
niños en un laboratorio, sometiéndolos a las mismas condiciones. Así, el
investigador podría garantizar que todas las variables están controladas, a
excepción de la variable independiente, el consumo de pescado.
Sin embargo, además de ser poco ético, esto impone restricciones falsas sobre los
niños. El investigador está tratando de determinar si el consumo de pescado es
beneficioso para la inteligencia de los niños, así pueden asesorar a los padres y
maestros acerca de la alimentación.
El mundo real es muy diferente al laboratorio y sería peligroso extrapolar los
resultados de la investigación en el laboratorio para incluir a todos los niños del
mundo. La validez externa se habría sacrificado por la validez interna.
El Diseño de Experimentos, sobre todo en las ciencias de la vida, generalmente
consiste en encontrar el equilibrio correcto entre validez interna y externa, con
criterio y experiencia.
Es casi imposible la perfección completa en un experimento, ya que el tiempo, los
recursos y los factores desconocidos siempre desempeñarán un papel importante.
El punto principal es que el diseño experimental debe esforzarse para alcanzar
este objetivo.
El Diseño de Experimentos también se ve afectado por el campo de la ciencia de
que se trate. Las ciencias físicas pocas veces deben tener en cuenta la ética o las
fluctuaciones aleatorias. Una masa de hierro para un experimento de química
suele ser igual a otra. Por el contrario, los niños no sólo se diferencian entre ellos,
sino que también pueden cambiar su comportamiento de un momento a otro.

Ciencias físicas vs ciencias de la vida


La física y la química, por ejemplo, siempre van a hacer posibles diseños más
precisos que las ciencias de la vida. Esta es una de las razones por las que
existen dos niveles de significado; si p tenía que ser <0,01 (menos de 1% de
probabilidad de que el efecto sea debido a coincidencias), un experimento
biológico nunca produciría resultados.
En resumen, el Diseño de Experimentos es una meta, un "estándar de oro" al que
los científicos deben aspirar, asegurando que se reduzca al mínimo cualquier
variación dentro de un experimento.
En el caso de las ciencias de la vida y del comportamiento, esto es difícil,
especialmente en condiciones de laboratorio artificiales, que pueden influir en el
comportamiento y poner en riesgo la validez externa. Mientras que el investigador
justifique y evalúe los efectos de cualquier desviación del método, la validez
externa y la interna no correrán peligro.
Esta es una de las razones por las cuales las ciencias del comportamiento
utilizan métodos cuasi-experimentales y estudios de caso, ya que en el Diseño de
Experimentos es prácticamente imposible.
EXPERIMENTOS Y PERSONAJES QUE CAMBIARON LA HISTORIA
A través de la historia ha habido muchos personajes que se han dedicado a
realizar muchos diferentes tipos de experimentos que en su momento cambiaron
la historia.
Galileo demuestra que todos los objetos caen a la misma velocidad (1589)
En la Italia del siglo XVI en la que vivía Galileo Galilei, el saber científico estaba
mayoritariamente formado por teorías que no habían sido modificadas
significativamente desde la antigua Grecia. Uno de esos antiguos griegos,
Aristóteles, había postulado que los objetos caen a distinta velocidad según su
peso: cuanto más pesados, más rápida la caída.
Uno de los experimentos más famosos de Galileo demostró que Aristóteles estaba
equivocado: se subió a la torre de Pisa y lanzó desde lo alto varias bolas de
distinto peso, que llegaron al suelo al mismo tiempo. Galileo postuló que, si una
pluma tarda más en caer que una piedra no tiene que ver con su peso, sino con la
resistencia que ejerce el aire en su camino hacia el suelo.
De hecho, cuando los astronautas estadounidenses de la misión Apolo 15 llegaron
a la Luna, donde la falta de atmósfera hace que el rozamiento con el aire sea
inexistente, pusieron a prueba la hipótesis de Galileo: uno de ellos soltó a
aproximadamente un metro de altura y al mismo tiempo un martillo y una pluma.
Y, efectivamente, ambos cayeron a la misma velocidad. Galileo 1 - Aristóteles 0.
Newton divide la luz blanca en sus siete colores (1672)
Solemos representar a Isaac Newton acompañado de su inseparable manzana,
pero quizá tendríamos que incluir en la estampa un arco iris. Y es que él fue el
primero en demostrar cómo se forma ese bonito fenómeno meteorológico.
En 1672, Newton hizo pasar la luz que entraba por su ventana a través de un trozo
de cristal con forma triangular, o un prisma. El resultado fue la aparición de un
espectro de siete colores, que se correspondían con los colores del arco iris. Así
demostró que cuando la luz blanca pasa a través de un cristal, ésta se
descompone en luz de distintos colores según sus longitudes de onda.

Henry Cavendish pesa la Tierra (1798)


En el siglo XVIII, el físico británico asumió la titánica tarea de pesar nuestro
planeta. Para ello, midió su densidad, de forma que pudiese a partir de ese dato
calcular su masa.
Para hacerlo, construyó su propio experimento, una balanza con un brazo
horizontal de madera de casi 2 metros de longitud, de cuyos extremos colgaban
dos esferas de plomo de la misma masa. La vara estaba suspendida por una larga
cuerda. Cerca de las esferas, dispuso otras dos esferas de plomo de 175 kg cada
una, cuya acción gravitatoria debía atraer las masas de la balanza, produciendo
un pequeño giro.
La atracción mutua de las esferas grandes y las pequeñas hacía que el brazo de
madera girase, retorciendo a su vez el alambre que lo sostenía. Cuando el
alambre alcanzaba un ángulo en el que la fuerza de torsión equilibraba la fuerza
de atracción de las esferas, el brazo dejada de girar. Midiendo ese ángulo, y
conociendo la fuerza de torsión del alambre para un ángulo dado, Cavendish pudo
determinar la fuerza de atracción entre los dos pares de masas. Puesto que la
fuerza gravitacional de la Tierra sobre cada bola pequeña podía medirse
pesándolas, la relación entre ambas permitió calcular la densidad de la Tierra
gracias a la ley de la gravitación universal de Newton.

Con este experimento, Cavendish determinó que la densidad de la Tierra era,


exactamente, de 5.448 +/- 0,033 veces la del agua.
James Prescott Joule demuestra el principio de conservación de la energía
(1840)
La ley de conservación de la energía es una ley básica de la física que dice que
cualquier cosa que ocurre necesita la energía que requiere hacerla. Por ejemplo:
si vas a conducir de Madrid a Barcelona necesitas el equivalente a 621 kilómetros
en gasolina; o si vas a correr una maratón, necesitas el equivalente a 42
kilómetros en calorías.

En cualquier caso, la energía que necesitas es equivalente al trabajo que quieres


hacer (entendiendo trabajo como la aplicación de una fuerza durante una
determinada distancia).

James Prescott Joule demostró experimentalmente este principio a mediados del


siglo XIX. Para hacerlo, ideó el siguiente experimento: situó un gran contenedor
lleno de agua, con una hélice en su interior.

La hélice estaba conectada a un eje que salía del contenedor y entorno al cual se
había enrollado una cuerda muchas veces. La cuerda corría por una polea y tenía
atada una pesa en su otro extremo. Al soltar la pesa, ésta tiraba de la cuerda que
a su vez hacía girar el eje y con ello la hélice del contenedor, calentando con ello
el agua.
Joule liberó la pesa unas 20 veces, de forma que el agua se calentase lo suficiente
para medir el aumento de la temperatura. Una vez hechas las mediciones, Joule
demostró que la cantidad de energía potencial perdida al soltar la pesa era
exactamente la misma cantidad de calor generado en el agua.
Hippolyte Fizeau mide la velocidad de la luz (1851)
Cuando no había relojes tan precisos como los que tenemos ahora, y lo máximo
que se podía concretar el tiempo con precisión era en segundos, el físico francés
Hippolyte Fizeau consiguió medir la velocidad de la luz, pero tuvo que hacerlo en
grandes distancias.

Para ello realizó el siguiente experimento. Lanzó un rayo de luz hacia un espejo,
que lo desvió haciéndolo pasar por entre los dientes de una rueda dentada que
giraba cientos de veces por segundo. Fizeau colocó un espejo a unos 8,5
kilómetros de su aparato, de forma que la luz viajase hasta él y volviese hasta el
telescopio por el que miraba. Él sabía lo lejos que había viajado la luz, así que
solo tenía que medir cuánto tardaba en hacerlo. La rueda dentada era su reloj:
sabiendo cuántos dientes tenía y a qué velocidad giraba, podría ajustar esa
velocidad hasta bloquear la luz del espejo más lejano.

Así, sabía que la luz solo había viajado una vez desde la lámpara hasta el espejo
y de vuelta hasta él, y todo lo que tenía que hacer era dividir la distancia entre el
tiempo que había tardado para calcular la velocidad de la luz. El resultado que
obtuvo fue un 5% más alto de lo que conocemos hoy, pero aun así fue un
resultado más que notable para los medios de los que disponía.
ARREGLOS ORTOGONALES
¿QUÉ ES EL ARREGLO ORTOGONAL?
El arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos
casos elimina gran parte de los esfuerzos de diseño estadístico. Es una forma de
examinar simultáneamente muchos factores a bajo costo. El Dr. Taguchi
recomienda el uso de arreglos ortogonales para hacer matrices que contengan los
controles y los factores de ruido en el diseño de experimentos.
Ha simplificado el uso de este tipo de diseño al incorporar los arreglos ortogonales
y las gráficas lineales, finalmente, en contraste con los enfoques tradicionales
como equivalentes de ruido: mientras las interacciones sean relativamente suaves,
el analista de los efectos principales nos proporcionará las condiciones óptimas y
una buena reproductibilidad en un experimento.
Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qué
tan robustos son los diseños del proceso y del producto con respecto a los
factores de ruido.
RESUMEN
El método del Dr. Taguchi para el diseño de experimentos utiliza técnicas que
implican bajos costos y que son aplicables a los problemas y requerimientos de la
industria moderna. El propósito que se tiene en el diseño del producto es
encontrar aquella combinación de factores que nos proporcione el desempeño
más estable y confiable al precio de manufactura más bajo.
DR. GENICHI TAGUCHI
El sistema de ingeniería de calidad del Dr. Genichi Taguchi, es uno de los más
grandes logros en ingeniería del siglo XX. El trabajo de la filosofía del Dr. Taguchi
comenzó a formarse en los inicios de la década de los 50's cuando fue reclutado
para ayudar a mejorar el sistema telefónico japonés que había sido diseñado para
la Segunda Guerra Mundial. Taguchi empleó experimentos de diseño usando
especialmente una tabla conocida como "arreglos ortogonales" para tratar los
procesos de diseño. Los arreglos ortogonales son un conjunto especial de cuadros
en latín, construidos por Taguchi para planear los experimentos del diseño del
producto.
El análisis del arreglo ortogonal de Taguchi es usado para producir los mejores
parámetros para el diseño óptimo del proceso, con el mínimo número de
experimentos (pruebas). Los resultados obtenidos para los arreglos ortogonales
son analizados para obtener los siguientes objetivos:
A) Estimar la contribución de los factores individuales que influyen en la calidad en
la etapa del diseño del producto.
B) Ganar la mejor condición para un proceso o un producto, así que las
características en una buena calidad puedan ser sostenidas.

ARREGLOS ORTOGONALES Y SU VENTAJA


La ventaja de los arreglos ortogonales es que pueden ser aplicados al diseño
experimental involucrando un gran número de factores.

DESVENTAJAS
La desventaja del arreglo ortogonal es que puede ser únicamente aplicado en la
etapa inicial del diseño del sistema del producto o proceso. Un arreglo ortogonal
permite asegurar que el efecto de "B" en "A1" es el mismo efecto de "B" en "A2".
Así se podrá estar seguro de que se está haciendo comparaciones entre efectos
de niveles de un factor.

ARREGLO ORTOGONAL QUE REPRESENTA La(b)C DONDE:


L = Indica que es un arreglo ortogonal
a = Número de corridas experimentales
b = Número de niveles para cada factor
c = Número de columnas o factores de un arreglo ortogonal.
Cada renglón da un resultado bajo un conjunto de condiciones diferentes. Esto
permite hacer comparaciones de los diferentes niveles de los factores.
Un diseño ortogonal nos permite comparar los niveles de los factores bajo
condiciones diferentes de la manera más eficiente.

L = CORRIDAS = 8
2 = NIVELES
7 = FACTORES

EXPERIMENTOS REALIZADOS EN UNA FÁBRICA DE AZULEJOS

En Una compañía de azulejos de regular tamaño compró un horno en forma de


túnel cuyo costo fue de 2 millones de dólares. El horno mide 80 mts. de largo;
dentro de él un carro cargado de azulejos se desliza lentamente sobre sus rieles
mientras los quemadores horneaban el producto.

PROBLEMAS:

Los azulejos tenían una variación en sus dimensiones, más del 50% de los
azulejos de la fila exterior estaba fuera de especificaciones, mientras que las filas
interiores sí cumplían con las medidas.

Los gerentes e ingenieros sabían que las causas de la variación eran las
diferencias de la temperatura del horno. El problema pudo ser solucionado
diseñado nuevamente el horno para que todos los azulejos recibieran la misma
temperatura, lo cual hubiera costado medio millón de dólares. La compañía no
tenía recursos para invertir; por lo tanto, decidió buscar la manera de disminuir la
variación. La compañía hizo experimentos para investigar los efectos de algunos
factores que en el proceso de cocción de los azulejos pudieran afectar su
dimensión. Se seleccionaron estos factores teniendo en cuenta que los
experimentos fueran eficientes.
DISEÑOS FACTORIALES ORTOGONALES DE 2

Un arreglo ortogonal es una tabla de combinaciones de los niveles de los


resultados ordenados ortogonalmente. La convención que se utiliza para nombrar
los arreglos ortogonales es La (bc),en donde:

L = índice que es un arreglo ortogonal.


a = Número de corridas experimentales.
b = Número de niveles para cada factor.
c = Número de columnas o factores de un arreglo ortogonal.

Arreglos ortogonales serie 2


Un arreglo muestra las combinaciones de los niveles de los factores arreglados
ortogonalmente. Convencionalmente se representa como:

La (b)

Donde:

a es el número de corridas experimentales.


b es el número de niveles de cada factor.
c es el número de columnas en el arreglo ortogonal.

El arreglo ortogonal más pequeño de la serie (2) es el L4 (2) a la 3, que indica que
se manejan 3 factores, con dos niveles cada uno con 4 corridas experimentales.

NOTA. Un arreglo ortogonal que es altamente recomendado es el L12 (2). debido


a que permite investigar 11 factores sin preocuparse de efectos por interacciones.
Este arreglo proporciona muy buena reproducibilidad. Si se debe investigar alguna
interacción importante se debe elegir otro arreglo mayor, pues éste no contempla
interacción alguna.
Arreglos ortogonales de serie 3
La serie de arreglos de tres niveles permite investigar tres factores.
El L9 (34) proporciona información de cuatro factores a tres niveles, utilizando
nueve condiciones experimentales. Un L9 tiene ocho grados de libertad. Su uso
permite hacer ocho comparaciones ortogonalmente.
Los ocho grados de libertad pueden descomponerse en dos grados de libertad por
columna. Se requiere una columna para cada factor.
El primer paso es para formar categorías acumuladas a partir de las categorías
iniciales, de modo que la categoría acumulada 1 sea igual a la categoría inicial 1,
la categoría acumulada 2 sea igual a las categorías iniciales 1 más 2.

EJEMPLO:
(i) = (1)
(ii) = (1) + (2)
(iii) = (1) + (2) + (3) etc.

El segundo paso es conocer la proporción que tiene cada categoría acumulada.

EJEMPLO:
P1 = 25/90
P11 = 49/90
P111 = 65/90
PIV = 90/90

A cada categoría se le asigna un peso, según la fórmula...

Wj = 1/(Pj*(1-Pj))

Para cada categoría se calcula el factor de correlación, con la siguiente fórmula:

CFj = (i¨2)/n
SUMA DE CUADRADOS DE FACTORES
Se obtiene mediante la suma de cuadrados de cada clase, multiplicada por su
peso según su fórmula.

Ssa = (Ssa clase 1)*W1+(Ssaclase 11)*W11 + (Ssa clase 111)*W111........ + (Ssa


clase n)*Wn
Sstotal = (número total de datos) * (número de categorías - 1).

GRADOS DE LIBERTAD

Los grados de libertad son calculados en base a los grados de libertad de un


factor para variables, multiplicados por el número de categorías acumuladas
menos uno.

EJEMPLO:

En un problema que tenga, cuatro factores con tres niveles obtenemos lo


siguiente...

2*(4-a) = 6

Obtenemos que este ejemplo tiene 6 grados de libertad.


EL ERROR
El error se puede obtener restando la suma total de cuadrados de cada factor.

Ss error = Ss total -Ssa -Ssb -Ssc -Ssd

Con todos estos datos se construye una Tabla de Anova para tomar una
decisión.

CONCLUSIÓN

El análisis de varianza ofrece más que un método corto para obtener la suma de
cuadrados del error. Es confiable y de gran exactitud para obtener la opción
correcta y disminuir costo por muchos experimentos.

Gráficos lineales
Se utilizan para facilitar la signación de factores e interacciones en un arreglo
ortogonal.
Cada punto representa una columna para asignar unos factores. Las líneas que
conectan los puntos representan las columnas que deben asignarse a las
interacciones entre los factores que conectan.
ORTOGONALIDAD

Un diseño ortogonal permite comparar, con la misma eficiencia, los niveles de los
factores bajo varias condiciones.

GRADOS DE LIBERTAD DE UN FACTOR

Los grados de libertad son una medida de una cantidad de información que puede
ser obtenida. Para conocer el efecto de un factor determinado en un experimento,
se compara el desempeño del producto al poner el factor en varios niveles al
realizar un experimento; mientras más niveles tenga un factor, tendrá más grados
de libertad, y por lo tanto más información para ser obtenida.

INTERACCIÓN ENTRE FACTORES

Existe una interacción cuando el efecto de un factor depende del nivel en que se
encuentre otro factor. Se graficarán los cambios de un factor B, para determinar si
hay interacción.
ESTAS GRÁFICAS FACILITAN LA ASIGNACIÓN DE FACTORES E
INTERACCIONES A UN ARREGLO ORTOGONAL.

Su interpretación es la siguiente:

** Los números representan el número de la columna en el arreglo ortogonal.


** Los puntos representan a los factores.
** Los segmentos de línea que unen dos puntos representan la interacción entre
esos dos factores.

Introducción de los factores a los arreglos ortogonales


DISEÑO FACTORIAL COMPLETO
En este diseño se investigan todas las combinaciones de todos los niveles de
todos los factores, permitiendo investigar el efecto de varios factores al mismo
tiempo. En un diseño experimental de 7 factores en 2 niveles cada uno, se
requieren 128 experimentos --- (2) 7.

En experimentos de manufactura es común 13 factores con 3 niveles cada uno,


siendo entonces necesario (3) 13 = 1,594,323 experimentos.
ANÁLISIS DE DATOS MEDIANTE ARREGLOS ORTOGONALES

· Determinación de promedios de respuesta para niveles de factores.


· Selección de niveles óptimos de un factor mediante la comparación de
promedios de respuestas.
· Predecir la respuesta promedio del proceso utilizando los niveles óptimos.
· Comparación de la predicción con los resultados de una corrida de confirmación.

INTERACCIONES ENTRE FACTORES

Existe una interacción cuando el efecto de un factor depende del nivel en el que se
encuentre otro factor. Se gratifican los cambios de un factor "A" a los cambios del
factor "B" para ver si hay interacción.

· Si las líneas trazadas son paralelas, no existe interacción entre los factores.
· Si las líneas no son paralelas, quiere decir que el efecto de "A" no es el mismo
para "B1" y "B2", existiendo interacción.
· Si las líneas se intersectan en la gráfica, se interpreta que existe una interacción
bastante fuerte.

APROXIMACIÓN DE UN FACTOR A LA VEZ

En este método se varía el nivel de un solo factor, manteniendo constantes los


niveles de los demás factores. Suponga que se investiga sobre efectos de
temperatura y presión. Se seleccionan dos niveles para el factor temperatura (T1 y
T2) y 2 niveles para el factor presión (P1, P2). La temperatura se fija a T1 mientras
se varían los niveles de la presión; después se podía fijar la presión a P1 y varía
los niveles de la temperatura. Si se realizara un diseño con 7 factores en 2 niveles
cada uno, se necesitaría realizar 8 experimentos.

LIMITACIONES
· No es práctico cuando se usan muchos factores
· No garantiza la reproductibilidad.

Modificación a los Arreglos Ortogonales


Preestablecidos con base en las modificaciones en las gráficas lineales.

OBJETIVO: Que estas gráficas puedan ser utilizadas para un problema en


particular. Las gráficas lineales estándar pueden ser modificadas para ser
utilizadas en un experimento específico, usando matrices triangulares, y la
ortogonalidad entre las columnas se mantiene.

EJEMPLO: Un L16 se puede modificar, quedando de la siguiente manera:

FACTORES: A, B, C, D, E, F, G, H, I, J .

INTERACCIONES: AxB, CxD, ExF, FxG, Y GxH.


Solución:
1. Se dibuja la gráfica lineal según factores e interacciones:
2. Se selecciona la gráfica lineal estándar de donde puede ser obtenida la gráfica
lineal del punto anterior
3. Revisando la matriz triangular, se determina como puede ser modificada la
gráfica lineal sí la interacción entre las columnas 6 y 11 nos e necesita, entonces
se elimina y queda libre la columna 13, colocándose la interacción entre las
columnas y ella.
SOLUCIÓN DEL ARREGLO ORTOGONAL

Los grados de libertad son utilizados para seleccionar un arreglo ortogonal más
pequeño que sea apropiado. Se establecen primero los grados de libertad
requeridos basándose en el número de factores y el número de niveles de >cada
uno de éstos, así como las interacciones que se desean investigar.
Ejemplo:

Si se tienen 5 factores (A, B, C, D, E) con dos niveles cada uno, y además se


requiere investigar las interacciones AXB Y AXC, es necesario utilizar un arreglo
ortogonal L8, que tienen 7 grados de libertad.

Ejemplo:

Grados de libertad de los factores (5X1) = 5


Grados de Libertad de AXB (1X1) = 1
Grados de libertad de AXC (1X1) = 1
7 gl

ASIGNACIÓN DE FACTORES A UN ARREGLO ORTOGONAL

PROCEDIMIENTOS:

1. Se selecciona el arreglo ortogonal apropiado; para esto se toman en cuenta los


grados de libertad necesarios debido a los factores e interacciones.
2. Se dibuja la gráfica lineal según las interacciones deseadas.
3. Se selecciona una de las gráficas lineales estándar del arreglo elegido, de la
cual se puede obtener la gráfica lineal del paso anterior.
4. Se asignan los factores e interacciones según las columnas que les
corresponden de acuerdo a la gráfica lineal resultante.
EJEMPLO: La Ley de Movimiento de Newton F = MA. La naturaleza conoce esta
relación, pero nosotros no. ¿Cómo podemos obtener la relación rápidamente sin
quedar atrapados en años de investigación teórica como lo hizo Newton? Un DDE
siempre para dos entradas, tales como masa (M) y aceleración (A), cada uno a 2
niveles, se puede establecer como un proceso de 4 ensayos
experimentales (o intentos) en posiciones bajo y alto como se muestra en la tabla.

Un conjunto de condiciones experimentales se usa para interrogar a la naturaleza


acerca del comportamiento de ellas bajo ciertas circunstancias el conjunto
específico de condiciones (o matriz de diseño) se construye para analizar la
respuesta, con el propósito de construir un modelo que se aproxime al modelo real
encontrando en la naturaleza (i.e., aproximadamente igual al conocimiento
perfecto por parte de la naturaleza).
El ejemplo de la tabla, en DDE se conoce como un diseño factorial completo de 2
factores a 2 niveles. Diversos tipo de diseño experimental están disponibles para
satisfacer el objetivo específico que usted tenga, I.e. modelado lineal, modelado
no - lineal, selección, etc.
Asuma que nuestro experimento generó un conjunto promedio de resultados para
la fuerza por cada ensayo experimental, como se muestra en la tabla.
Los puntos fijos, bajo y alto, para la mesa (5, 10) y la aceleración (100, 200) se
escogen basados en rangos de interés para el experimentador.
Para maximizar la cantidad de conocimiento adquirido, el análisis del modelado de
un DDE se conduce con valores de entrada estandarizados, donde los valores
bajos se codifican en (1 y los altos se codifican en (+ 1). Estos valores codificados
estandarizan la escala y las unidades de las variables de entrada. El resultado es
una matriz con entradas codificadas como se muestra en tabla 2.

Note, en la tabla, la adición de una columna M*A la cual es generada por el


producto de las columnas codificadas M y A y que era usada para analizar el
efecto interactivo o combinado de M y A. Las columnas M, A y M*A representan
los tres efectos a ser evaluados, i.e. los efectos lineales de M y A y el efecto de la
interacción de M con A (M*A). El análisis se conduce como se muestra en la tabla.

Para obtener los números de las secciones sombreadas, usted debe hacer lo
siguiente para cada una de las columnas M, A y M*A: encuentre el promedio de la
salida F cuando los valores de la columna son -1, encuentre el promedio de la
salida F cuando los valores de las columnas son +1, y luego encuentre la
diferencia de los dos promedios (&#8710;). Por ejemplo, cuando las columnas del
efecto M está A - 1 (Ensayos 1 y 2) la salida es 500 para el ensayo 1 y 1000 para
el ensayo 2, que en promedio DA 750.
El modelo generado por el DDE se construye usando un diseño de regresión de
cuadrados mínimos el cual puede ser simplificado para diseños de 2 niveles como
se muestra a continuación:

F Es el promedio predicho para fuerza


Mc Es la variable codificada para masa
Ac Es la variable codificada para aceleración
FEs la gran media experimental
&#8710;M Es el tamaño del efecto lineal para M, etc.
Entonces nuestro modelo actual se convierte en:

F=1125+(750/2)*Mc+(750/2)*Ac+(250/2)*Mc*Ac
Recuerde que nuestro modelo de predicción es para valores codificados
(I. E -1, +1) de M y A, y nosotros podemos transformarlo en un modelo con valores
actuales de Ma y Aa usando la siguiente relación:

Ma=((Ma+Mb)/2)+((Ma+Mb)/2)*Mc
Donde:
MA Valor fijo actual de masa
MC Valor fijo codificado de masa
MA Valor experimental actual fijado en alto
MB Valor experimental actual fijado en bajo
Para nuestro ejemplo:

Ma=7.5+2.5 Mc
Entonces:
Los cálculos previamente descritos son una forma simple para pasar de valores
codificados a actuales y viceversa, como se muestra en la escala combinada de la
figura 2.
BIBLIOGRAFÍA
https://definicion.de/experimento/

https://www.tiposde.com/experimentos.html

http://www4.ujaen.es/~eramirez/Descargas/tema6

http://simulacionunilibre.blogspot.com/p/diseno-experimental-definicion-ventajas.html

https://rincondelbibliotecario.blogspot.com/2015/08/lista-de-los-10-experimentos-que.html

https://explorable.com/es/diseno-de-experimentos

http://www.itchihuahua.edu.mx/academic/industrial/ingcalidad/unidad3.html