INSTITUTO TECNOLÓGICO NACIONAL DE MÉXICO

CAMPUS JIMÉNEZ.

INGENIERÍA INDUSTRIAL.

ADMINISTRACIÓN DE LAS OPERACIONES 2.

ING REYNA ESMERALDA BUJAIDAR MONTES

ISRAEL ISAÍ OROZCO VALDEZ. 18740088.

UNIDAD 2. TEMAS AVANZADOS EN DISEÑO DE

EXPERIMENTOS 3K.

TAREA 6 INVESTIGACIÓN.

19/04/21.
En muchos experimentos interviene el estudio de los efectos de dos o más
factores. En general, los dise nos factoriales son los más eficientes para este tipo
de experimentos. Por diseño factorial se entiende que en cada ensayo o réplica
completa del experimento se investigan todas las combinaciones posibles de los
niveles de los factores. Por ejemplo, si el factor 4 tiene a niveles y el factor B tiene
b niveles, cada réplica contiene todas las ab combinaciones de los tratamientos.
Cuando los factores están incluidos en un dise io factorial, es común decir que
están cruzados.

El efecto de un factor se define como el cambio en la respuesta producido por un

cambio en el nivel del factor. Con frecuencia se le llama efecto principal porque se
refiere a los factores de interés primario en el experimento. Por ejemplo, considere
el experimento sencillo de la figura 5-1. Se trata de un experi mento factorial de
dos factores en el que los dos factores del diseño tienen dos niveles. A estos
niveles se les ha denominado bajo" y "alto" y se denotan como "y"+",
respectivamente. El efecto principal del factor de este diseño de dos niveles puede
visualizarse como la diferencia entre la respuesta promedio con el nivel bajo de 4 y
la respuesta promedio con el nivel alto de 4. Numéricamente, esto es:

A= 40+52/2 - 20+30/2= 21

Es decir, cuando el factor 4 se incrementa del nivel bajo al nivel alto se produce un
incremento de la res puesta promedio de 21 unidades. De manera similar, el
efecto principal de B es:

B= 30+52/2 - 20+40/2 = 11

Cuando los factores tienen más de dos niveles, es necesario modificar el

procedimiento anterior, ya que existen otras formas de definir el efecto de un factor.
Este punto se estudia con mayor profundidad más adelante.. En algunos
experimentos puede encontrarse que la diferencia en la respuesta entre los
niveles de un factor no es la misma para todos los niveles de los otros factores.
Cuando esto ocurre, existe una interacción.

Es sencillo ilustrar la ventaja de los diseños factoriales. Suponga que se tienen

dos factores A y B, cada uno con dos niveles. Los niveles de los factores se
denotan por A,A, By B. Podría obtenerse información acerca de ambos factores
haciéndolos variar uno a la vez, como se muestra en la figura 5-7. El efecto de
cambiar el factor 4 está dado por AB-A B y el efecto de cambiar el factor B está
dado por A B AB. Debido a que está presente el error experimental, es deseable
realizar dos observaciones, por ejemplo, para cada combinación de tratamientos y
estimar los efectos de los factores utilizando las respuestas promedio. Por lo tanto,
se necesita un total de seis observaciones. Si se hubiera efectuado un
experimento factorial, se habría registrado una combinación adicional de los
tratamientos, A B. Ahora, utilizando sólo cuatro observaciones, pueden hacerse
dos estimaciones del efecto de A:AB-AByA B -A B. De manera similar, pueden
hacerse dos estimaciones del efecto de B. Estas dos estimaciones de cada efecto
principal podrían promediarse para producir efectos principales promedio que
tienen la misma precisión que las estimaciones del experimento con un solo factor,
pero sólo se requieren cuatro observaciones en total, y nosotros diríamos que la
eficiencia relati va del diseño factorial con respecto al experimento de un factor a
la vez es de (6/4). En general esta eficiencia relativa aumentará conforme se
incremente el número de factores. Suponga ahora que está presente una
interacción. Si el diseño de un factor a la vez indicara que 4 B y A B dieron
mejores respuestas que A B, una conclusión lógica seria que A*B* seria todavía
mejor. Sin embargo, si está presente una interacción, esta conclusión puede ser
una equivocación grave. Para un ejemplo, referirse al experimento de la figura 5-2.
En resumen, observe que los diseños factoriales ofrecen varias ventajas. Son más
eficientes que los experimentos de un factor a la vez. Además, un diseño factorial
es necesario cuando puede haber interacciones presentes a fin de evitar llegar a
conclusiones incorrectas. Por último, los diseños factoriales permiten la estimación
de los efectos de un factor con varios niveles de los factores restantes,
produciendo conclusiones que son válidas para un rango de condiciones
experimentales.

33

Los tipos más simples de diseños factoriales incluyen únicamente dos factores o
conjuntos de tratamientos. Hay a niveles del factor dyb niveles del factor B, los
cuales se disponen en un diseño factorial: es decir, cada réplica del experimento
contiene todas las ab combinaciones de los tratamientos. En general hay n
réplicas.Como ejemplo de un diseño factorial en el que intervienen dos factores,
un ingeniero está diseñando una batería que se usará en un dispositivo que se
someterá a variaciones de temperatura extremas. El unico parámetro del diseño
que puede seleccionar en este punto es el material de la placa o ánodo de la bate
ría, y tiene tres elecciones posibles. Cuando el dispositivo esté fabricado y se
envíe al campo, el ingeniero no tendrá control sobre las temperaturas extremas en
las que operará el dispositivo, pero sabe por experiencia que la temperatura
probablemente afectará la vida efectiva de la batería. Sin embargo, la temperatura
puede controlarse en el laboratorio donde se desarrolla el producto para fines de
prueba. El ingeniero decide probar los tres materiales de la placa con tres niveles
de temperatura-15, 70 y 125 F ya que estos niveles de temperatura son
consistentes con el medio ambiente donde se usará final mente el producto. Se
prueban cuatro baterías con cada combinación del material de la placa y la
temperatura, y las 36 pruebas se corren de manera aleatoria. En la tabla 5-1 se
presentan los datos del experimento y de la vida observada de la batería. En este
problema, el ingeniero quiere responder las preguntas siguientes:
 1. ¿Qué efectos tienen el tipo de material y la temperatura sobre la vida de la
batería?
2. ¿Existe alguna elección del material que produzca de manera regular una
vida larga de la batería independientemente de la temperatura?

La segunda pregunta es de particular importancia. Quizá sea posible encontrar

una alternativa del material que no resulte afectada considerablemente por la
temperatura. De ser éste el caso, el ingeniero puede hacer que la batería sea
robusta para la variación de la temperatura en el campo. Se trata de un ejemplo de
la aplicación del diseño experimental estadístico en el diseño de productos
robustos, un problema de ingeniería muy importante. El anterior es un ejemplo
especifico del caso general de un diseño factorial de dos factores. Para pa sar al
caso general, sea y la respuesta observada cuando el factor 4 tiene el niveli-ésimo
(i=1,2,...,a)y el factor tiene el nivelj-ésimo (j=1,2,..., b) en la réplica k-ésima
(k=1,2,...,n). En general, el experimento factorial de dos factores aparecerá como
en la tabla 5-2. El orden en que se hacen las abn observaciones se selecciona al
azar, por lo que este diseño es un diseño completamente aleatorizado.

Diseño anidado de m etapas.

Como un ejemplo, suponga que una fundición quiere investigar la dureza de dos
formulaciones diferentes de una aleación de metal. Se preparan tres hornadas de
cada formulación de la aleación, se seleccionan dos lingotes al azar de cada
hornada para probarlos, y se hacen dos mediciones de la dureza en cada lingote.
La situación se ilustra en la figura 13-5. En este experimento, las hornadas están
anidadas bajo los niveles del factor formulación de la aleación, y los lingotes están
anidados bajo los niveles del factor hornada. Por lo tanto, se trata de un diseño
anidado de tres etapas con dos réplicas.

Observe que en el ejemplo anterior la variabilidad global de la dureza constó de

tres componentes: uno que resultó de las formulaciones de las aleaciones, otro
que se generó de las hornadas y uno más que salió del error de la prueba analítica.
Estos componentes de la variabilidad en la dureza global. Este ejemplo demuestra
la manera en que se usa frecuentemente el diseño anidado en el análisis de
procesos para identificar las principales fuentes de variabilidad en la salida. Por
ejemplo, si el componen te de la varianza de la formulación de la aleación es
grande, entonces esto implica que la variabilidad global de la dureza podría
reducirse utilizando únicamente una de las formulaciones de la aleación. El cálculo
de las sumas de cuadrados y el análisis de varianza del diseño anidado de m
etapas son similares al análisis. En esta tabla se muestran también las
definiciones de las sumas de cuadrados. Observe que son una extensión simple
de las fórmulas para el diseño anidado de dos etapas. Muchos paquetes de
software de estadística realizarán los cálculos. Para determinar los estadísticos de
prueba apropiados deben encontrarse los cuadrados medios esperados
empleando los métodos del capítulo 12. Por ejemplo, si los factores A y B son fijos
y el factor es aleatorio, entonces los cuadrados medios esperados pueden
derivarse. En esta tabla se indican los estadísticos de prueba apropiados para
esta situación.