Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseño
Tema tres de
de
Enfoque Introductorio a la Unidad
En el campo de la industria es frecuente hacer experimentos o pruebas con la
intención de resolver un problema o comprobar una idea (conjetura, hipótesis);
por ejemplo, hacer algunos cambios en los materiales, métodos o condiciones de
operación de un proceso, probar varias temperaturas en una máquina hasta
encontrar la que da el mejor resultado o crear un nuevo material con la intención
de lograr mejoras o eliminar algún problema. Sin embargo, es común que estas
pruebas o experimentos se hagan sobre la marcha, con base en el ensayo y
error, apelando a la experiencia y a la intuición, en lugar de seguir un plan
experimental adecuado que garantice una buena respuesta a las interrogantes
planteadas. Algo similar ocurre con el análisis de los datos experimentales,
donde más que hacer un análisis riguroso de toda la información obtenida y
tomar en cuenta la variación, se realiza un análisis informal, “intuitivo”.
El saber diseño de
experimentos y otras técnicas
estadísticas, en combinación
con conocimientos del
proceso, sitúan al responsable
del mismo como un observador perceptivo y proactivo que es capaz de proponer
mejoras y de observar algo interesante (oportunidades de mejora) en el proceso
y en los datos donde otra persona no ve nada (como ya saben quién).
Experimento:
Es un cambio en las condiciones de operación de un sistema o proceso, que se
hace con el objetivo de medir el efecto del cambio en una o varias propiedades
del producto o resultado.
Unidad experimental:
Pieza(s) o muestra(s) que se utiliza para generar un valor que sea representativo
del resultado de la prueba.
Variable de respuesta:
A través de esta(s) variable(s) se conoce el efecto o los resultados de cada
prueba experimental (vea la Ilustración 1).
I LUSTRACIÓN 1. V ARIABLES DE UN PROCESO Y RESPUESTAS A
RESOLVER AL DISEÑAR UN EXPERIMENTO .
Factores controlables:
Son variables de proceso y/o características de los materiales y los métodos
experimentales que se pueden fijar en un nivel.
Factores no controlables:
Son variables que no se pueden controlar durante el experimento o la operación
normal del proceso dado.
Factores estudiados:
Son las variables que se investigan en el experimento para observar cómo
afectan o influyen en la variable de respuesta.
Niveles y tratamientos:
Los diferentes valores que se asignan a cada factor estudiado en un diseño
experimental se llaman niveles. Una combinación de niveles de todos los
factores estudiados se llama tratamiento o punto de diseño. Por ejemplo, si en un
experimento se estudia la influencia de la velocidad y la temperatura, y se decide
probar cada una en dos niveles, entonces cada combinación de niveles
(velocidad, temperatura) es un tratamiento. En este caso habría cuatro
tratamientos, como se muestra en la tabla 1. Es necesario probar cada
tratamiento y obtener el correspondiente valor de y.
T ABLA 1 P UNTOS DE D ISEÑO O T RATAMIENTOS
Error
aleatorio:
Es la variabilidad observada que no se puede explicar por los factores
estudiados; resulta del pequeño efecto de los factores no estudiados y del error
experimental.
Error experimental:
Componente del error aleatorio que refleja los errores del experimentador en la
planeación y ejecución del experimento.
Aleatorización:
Consiste en hacer corridas experimentales en orden aleatorio (al azar); este
principio aumenta la posibilidad de que el supuesto de independencia de los
errores se cumpla.
Repetición:
Es correr más de una vez un tratamiento o combinación de factores.
Bloqueo:
Es nulificar o tomar en cuenta en forma adecuada todos los factores que pueden
afectar la respuesta observada.
Diseño completamente al azar y ANOVA
Muchas comparaciones de parámetros poblacionales (media, desviación
estándar, varianza, etc.), se hacen con base en el diseño completamente al azar
(DCA), que es el más simple de todos los diseños que se utilizan para comparar
dos o más tratamientos, dado que sólo consideran dos fuentes de variabilidad:
los tratamientos y el error aleatorio.
Cuando los tratamientos no dominan contribuyen igual o menos que el error, por
lo que se concluye que las medias son iguales (Ilustración 2).
Donde i es el efecto
del tratamiento i sobre la variable de respuesta. Si se acepta H0, se confirma que
los efectos sobre la respuesta de los k tratamientos son estadísticamente nulos
(iguales a cero), y en caso de rechazar se estaría concluyendo que al menos un
efecto es diferente de cero. La siguiente tabla, muestra los cálculos de un
ANOVA, de todas formas ya se había visto en unidades anteriores.
Comparaciones o pruebas de rango
múltiples (Para verificar el modelo)
Si después de realizar un ANOVA, resulta que se rechazó la hipótesis nula, es
necesario ir a detalle y ver cuáles tratamientos son diferentes. A continuación,
veremos algunas estrategias distintas para ir a ese detalle.
Método de Tukey
Un método más conservador para comparar pares de medias de tratamientos es
el método de Tukey, el cual consiste en comparar las diferencias entre medias
muestréales. El método de Tukey se utiliza en ANOVA para crear intervalos de
confianza para todas las diferencias en parejas entre las medias de los niveles
de los factores mientras controla la tasa de error por familia en un nivel
especificado. Es importante considerar la tasa de error por familia cuando se
hacen comparaciones múltiples, porque la probabilidad de cometer un error de
tipo I para una serie de comparaciones es mayor que la tasa de error para
cualquier comparación individual. Para contrarrestar esta tasa de error más
elevada, el método de Tukey ajusta el nivel de confianza de cada intervalo
individual para que el nivel de confianza simultáneo resultante sea igual al valor
que usted especifique.
El método de Dunnett
Se utiliza en ANOVA para crear intervalos de confianza para las diferencias entre
la media de cada nivel de factor y la media de un grupo de control. Si un intervalo
contiene el cero, no hay diferencia significativa entre las dos medias que están
comparándose. Usted especifica una tasa de error por familia para todas las
comparaciones, y el método de Dunnett determina los niveles de confianza para
cada comparación individual según corresponda.
Recordemos, que el modelo que se espera describa los datos en el DCA está
dado por:
Como la media global se estima con 𝑌••̅̅ y el efecto del tratamiento con
𝑌𝑖 •.̅̅ - 𝑌•• ̅̅ , el modelo ajustado del DCA se puede escribir como:
Esto es, la respuesta predicha para cada observación es la media muestral del
tratamiento correspondiente. De esta manera, el residual o residuo asociado a la
observación Yij está dado por:
Ejempl
1. Usted diseña un experimento para evaluar la durabilidad de cuatro productos
de alfombra experimentales. Usted coloca una muestra de cada una de las
alfombras en cuatro viviendas y mide la durabilidad después de 60 días. Como
usted desea probar la igualdad de las medias y evaluar las diferencias de las
medias, utiliza el procedimiento ANOVA de un factor con comparaciones
múltiples.
En Excel-Manual y en Excel-Automático
Estadistica\Ejercicio5-1.xlsx
Minitab
Estadistica\Minitab5-1.mpj
2. Un equipo de mejora investiga el efecto de cuatro métodos de ensamble A, B,
C y D, sobre el tiempo de ensamble en minutos. En primera instancia, la
estrategia experimental es aplicar cuatro veces los cuatro métodos de ensamble
en orden completamente aleatorio (las 16 pruebas en orden aleatorio). Los
tiempos de ensamble obtenidos se muestran en la tabla 3. Si se usa el diseño
completamente al azar (DCA), se supone que, además del método de ensamble,
no existe ningún otro factor que influya de manera significativa sobre la variable
de respuesta (tiempo de ensamble).
En Excel-Manual y en Excel-Automático
Estadistica\Ejercicio3-2.xlsx
Minitab
Estadistica\Minitab3-2.mpj
3. Comparación de cuatro tipos de cuero. Un fabricante de calzado desea
mejorar la calidad de las suelas, las cuales se pueden hacer con uno de los
cuatro tipos de cuero A, B, C y D disponibles en el mercado. Para ello, prueba
los cueros con una máquina que hace pasar los zapatos por una superficie
abrasiva; la suela de éstos se desgasta al pasarla por dicha superficie. Como
criterio de desgaste se usa la pérdida de peso después de un número fijo de
ciclos. Se prueban en orden aleatorio 24 zapatos 6 de cada tipo de cuero. Al
hacer las pruebas en orden completamente al azar se evitan sesgos y las
mediciones en un tipo de cuero resultan independientes de las demás. Los datos
(miligramos) sobre el desgaste de cada tipo de cuero se muestran en la tabla 4.
En Excel-Manual y en Excel-Automático
Estadistica\Ejercicio3-3.xlsx
Minitab
Estadistica\Minitab3-3.mpj
4. La inmovilización de los venados silvestres de cola blanca usando
tranquilizantes da a los investigadores la oportunidad de estudiarlos de cerca y
obtener información fisiológica valiosa.
En el estudio denominado Influence of Physical Restraint and Restraint
Facilitating Drugs on Blood Measurements of White-Tailed Deer and Other
Selected Mammals, realizado en Virginia Tech, los biólogos de la vida silvestre
probaron el tiempo del “derribamiento” (el periodo transcurrido entre la inyección
y la inmovilización) de tres sustancias inmovilizadoras distintas.
En este caso la inmovilización se define como el punto en que el animal ya no
tiene control muscular suficiente para permanecer de pie. Se asignaron 30
venados machos de cola blanca al azar a cada uno de tres tratamientos. El
grupo A recibió 5 miligramos de cloruro de sucinilcolina líquida (SCC); al grupo B
se le suministraron 8 miligramos de SCC en polvo; y al grupo C, 200 miligramos
de hidrocloruro de fenciclidina. A continuación, se presentan los tiempos de
derribamiento, en minutos. Haga un análisis de varianza a un nivel de
significancia de 0.01 y determine si el tiempo promedio de derribamiento es o no
igual para las tres sustancias.
Muestra A B C
1 11 10 4
2 5 7 4
3 14 16 6
4 7 7 3
5 10 7 5
6 7 5 6
7 23 10 8
8 4 10 3
9 11 6 7
10 11 12 3
Promedio 10.3 9 4.9
Excel
Estadistica\Ejercicio3-4.xlsx
Minitab
Estadistica\Ejercicio3-4.mpj
5. Determine los supuestos de validación del modelo para el ejemplo 3.
Los eij siguen una distribución normal con media cero.
Los eij son independientes entre sí.
Los residuos de cada tratamiento tienen la misma varianza σ2.
La primera es de normalidad
El segundo es de independencia
El tercero es de igualdad de varianzas
Estadistica\Minitab3-5.mpj