TRABAJO N°5 DE DISEÑO DE EXPERIMIENTOS

Diseños factoriales con efectos aleatorios

Diseños factoriales 𝟐𝒌
Diseño factorial 23

JESUS RAMON SANCHEZ DURAN

CC. 1´090.391.696 de Cúcuta

PROFESORA:
LUZ MARCELA RESTREPO TAMAYO
ING. INDUSTRIAL

MAESTRÍA EN INGENIERÍA CIVIL/ENFASIS EN PROFUNDIZACION EN GEOTÉCNIA

UNIVERSIDAD DE MEDELLÍN

2020
1. (30%) Hacer ejercicios 6.1 y 6.6 de Montgomery

Respuesta:

Se tiene los efectos junto con las interacciones, se puede concluir que los efectos más
grandes según los datos son producidos por los factores: B, C y también AC

B 1 770.7 770.7 25.547 0.000117

C 1 280.2 280.2 9.287 0.007679
A:C 1 468.2 468.2 15.519 0.001172
Gráfico de efectos principales:

Los resultados en la herramienta computacional RStudio son los siguientes:

Los valores sombreados son los factores e interacciones significativos
 Df Sum Sq Mean Sq F value Pr(>F)
A 1 0.7 0.7 0.022 0.883680
B 1 770.7 770.7 25.547 0.000117 ***
C 1 280.2 280.2 9.287 0.007679 **
A:B 1 16.7 16.7 0.552 0.468078
A:C 1 468.2 468.2 15.519 0.001172 **
B:C 1 48.2 48.2 1.597 0.224475
A:B:C 1 28.2 28.2 0.934 0.348282
Residuals 16 482.7 30.2

El software RStudio no muestra:

coef(modelo)#Coeficientes del modelo codificados
(Intercept) Asup Bsup Csup Asup:Bsup
26.000000 8.666667 13.666667 16.333333 1.000000
Asup:Csup Bsup:Csup Asup:Bsup:Csup
-13.333333 -1.333333 -8.666667

La ecuación de regresión es: Y (horas)=26.0+8.66*A +13.66*B+16.33*C+1.00*A*B-

13.33*A*C-1.33*B*C-8.67*A*B*C

Validación de Supuestos:

Los datos se están ajustando bien a la recta de la qqplot, se puede inducir que los datos se
ajustan a una distribución normal.
No se tiene una tendencia clara, se puede inferir que hay Homocedasticidad.
Se realiza la validación de normalidad, independencia y homocedasticidad, con las
respectivas pruebas:
Supuesto Prueba p_Value
Normalidad Shapiro-Wilk 0.06166
Independencia Durbin-Watson_A 0.4613
Durbin-Watson_B 0.6302
Durbin-Watson_C 0.7031
Homocedasticidad Bartlett_A 0.582
Bartlett_B 0.4679
Bartlett_C 0.08791
Analizando la tabla de la validación de los supuestos en el modelo se puede observar que
todos los p_value son mayores al nivel de significancia (>α=0.05), se puede concluir que se
CUMPLE con los supuestos de normalidad, independencia y homocedasticidad para los
residuales o errores del modelo planteado.

NO se está evidenciando ningún problema

Como el factor principal B fue significativo, pero no así sus interacciones, su mejor nivel se
selecciona de esta gráfica, B = 1 (nivel alto).
De acuerdo al gráfico de interacción triple se define recomendar el uso del valor de B y el
valor de C, Por tanto, la mejor salida posible con la combinación de los tres factores es: A=-
1, B=1, C=1. Se presentan algunas predicciones.
 fit lwr upr
1 26.00000 19.27768 32.72232
2 42.33333 35.61101 49.05566
3 42.33333 35.61101 49.05566

2. (30%) Hacer ejercicios 6.15 y 6.16 de Montgomery (Ejercicios validados, por favor
hacerlos)

Respuesta:
Factores:
A. Temperatura de vaciado
B. Contenido de Titanio
C. Tratamiento Térmico
D. Refinador de Grano
Respuesta Buscada = Longitud de las fisuras (mm*10-2)

De acuerdo a la interpretación de las gráficas se puede concluir que los factores A,

B, C, AB, AC y ABC son los más grandes.
 Df Sum Sq Mean Sq F value Pr(>F)
A 1 72.91 72.91 898.339 1.74e-15 ***
B 1 126.46 126.46 1558.172 < 2e-16 ***
C 1 103.46 103.46 1274.822 < 2e-16 ***
D 1 30.66 30.66 377.802 1.49e-12 ***
A:B 1 29.93 29.93 368.739 1.79e-12 ***
A:C 1 128.50 128.50 1583.256 < 2e-16 ***
A:D 1 0.05 0.05 0.577 0.459
B:C 1 0.07 0.07 0.908 0.355
B:D 1 0.02 0.02 0.220 0.645
C:D 1 0.05 0.05 0.583 0.456
A:B:C 1 78.75 78.75 970.325 9.49e-16 ***
A:B:D 1 0.08 0.08 0.947 0.345
A:C:D 1 0.00 0.00 0.036 0.852
B:C:D 1 0.01 0.01 0.125 0.728
A:B:C:D 1 0.00 0.00 0.020 0.890
Residuals 16 1.30 0.08

Con los resultados en la tabla de análisis de varianza “ANOVA”, se puede identificar los
factores A, B, C, AB, AC y ABC como significativos, comprobando que los factores
temperatura de vaciado, contenido de titanio y tratamiento térmico afectan la formación
de fisuras.

> coef(modelo)#Coeficientes del modelo codificados

(Intercept) Asup Bsup Csup
6.7065 8.2565 5.1555 3.5705
Dsup Asup:Bsup Asup:Csup Asup:Dsup
2.0495 -2.5745 -14.3005 -0.0530
Bsup:Csup Bsup:Dsup Csup:Dsup Asup:Bsup:Csup
-6.1260 -0.1445 -0.2350 12.4935
Asup:Bsup:Dsup Asup:Csup:Dsup Bsup:Csup:Dsup Asup:Bsup:Csup:Dsup
0.3355 0.0200 0.0860 0.1130

Y (mm*10-2) =6.70+8.26*A+5.16*B+3.57*C+2.05*D-2.57*A*B-14.30*A*C+12.49*A*B*C

Validación de Supuestos:

Los datos se están ajustando bien a la recta de la qqplot, se puede inducir que los datos se
ajustan a una distribución normal.
No se tiene una tendencia clara, se puede inferir que hay Homocedasticidad.

Se realiza la validación de normalidad, independencia y homocedasticidad, con las

respectivas pruebas:
Supuesto Prueba p_Value
Normalidad Shapiro-Wilk 0.0398
Independencia Durbin-Watson_A 0.92
Durbin-Watson_B 0.9275
Durbin-Watson_C 0.8469
Durbin-Watson_D 0.8099
Homocedasticidad Bartlett_A 0.8261
Bartlett_B 0.9692
Bartlett_C 0.6196
Bartlett_D 0.3473
Analizando la tabla de la validación de los supuestos en el modelo se puede observar que
todos los p_value son mayores al nivel de significancia (>α=0.05), a excepción de la
normalidad, pero debido al diseño robusto de la metodología se puede concluir que se
CUMPLE con los supuestos de independencia y homocedasticidad para los residuales o
errores y el modelo planteado es válido estadísticamente.
Hay suficiente evidencia estadística que apoya que los factores principales (temperatura,
titanio, tratamiento térmico, refinador) inciden en la formación de las fisuras, ya que su
p_value es menor a la significancia de 0.05, también se tiene evidencia estadística que
apoya que la interacción de temperatura con el contenido de titanio, temperatura con
tratamiento térmico, y la interacción de estas 3, si influyen en la longitud de la fisura, por lo
que son una fuente significativa de variabilidad.

Para evitar que la longitud de las fisuras en los componentes de los motores incremente se
sugiere que las operaciones se realicen de manera tal que la temperatura de vaciado se
mantenga en un nivel bajo, el contenido de titanio se mantenga en nivel bajo, el método
de tratamiento térmico se mantenga en un nivel alto( pendiente positiva) y la cantidad
de refinador de grano usada se realice en un nivel bajo, ya que esta combinación permitirá
tener los valores mas bajos en la longitud de las fisuras .
Se corre el modelo sin las combiaciones de tratamiento sin el factor_C.
Modelo_1
Longitud grieta=13.77+3.51*A+1.94*B+0.979*C-0.602*AB
Modelo_2
Longitud grieta=10.189-0.494*A+2.036*B+0.979*C+2,534*A*B

De las ecuaciones lineales se puede estimar la longitud de la grieta, se puede observa que
los valores de los parámetros para el modelo_1 son ascendentes(+), la interaccion
temperatura con el contenido de titanio si es negativa (-). Como el termino C se define como
categorica es igual en los dos modelos.

https://www.youtube.com/watch?v=UhkeUhzj-s0

Si usáramos C alto, entonces la mejor opción sería tener A alto, B bajo y D bajo.
Si usáramos C bajo, entonces la mejor opción sería tener A bajo, B bajo y D bajo.

3.(40%) A partir de la lectura del capítulo 10 de Gutiérrez, planear un experimento afín con
el área de formación. Detallar cada una de las actividades que va a realizar considerando la
secuencia de análisis de datos que vimos en clase de acuerdo con el diseño seleccionado
por usted

3. (40%) A partir de la lectura del capítulo 10 de Gutiérrez, planear un experimento afín con
el área de formación.

Descripción del Ensayo de Veleta para resistencia Su de los suelos

El experimento tiene por objetivo la optimización de uso del cono dinámico tipo DCP para
medir el %CBR en campo. El prototipo que se hace referencia es de acero inoxidable y de
un punto fijo “sufridera” que recibe los golpes de la pesa, y así mismo este golpeteo va
hincando un tubo guía que en su punta tiene un cono enroscado o fijo inclinado en sus
paredes de acero inoxidable de 60°. De este tubo guía se fija una regleta para tener el
control en cm o mm de la profundidad que se va hincando por cada golpe que se haga.

Figura 1. Partes del cono DCP

Este diseño de cono dinámico, permite graduar el ángulo o la inclinación de hincado al
suelo. Es decir, ese puede graduar mediante un sistema de giro, lo que hace que la varilla
de hincado, se ajuste un grado con la vertical (Eje del equipo. Este yunque puede estar
situada en la posición (+), esto es, la posición hacia delante del punto donde cono o puntero
perfora al suelo, o se puede desenroscar, girar y colocar en el yunque detrás del agujero de
entrada al suelo, indicado como el signo (-). La ubicación de este yunque hace que las
magnitudes de fuerza bruta varíen en la ejecución del ensayo.

1. Reconocimiento del problema

Se desea conocer el funcionamiento del cono dinámico DCP, es decir, averiguar en qué
forma influyen el ángulo de posición o giro en el hincado o perforación, con el objetivo final
de configurar o prestablecer un manual de uso adecuado donde se tengan los valores de
%CBR de campo que se ajusten mejor a los ensayos de laboratorio.

2. Elección de los factores y niveles

Se consideraron los siguientes factores: (A) Tipo de Pesa; (B) Posición del Yunque; (C) e).
Altura de caída; (D) tipo de puntero; (E) Angulo de hincado, que se pueden visualizar en la
figura 2.
Figura 2. Uso del DCP

A este grupo habrá que agregar los factores externos al cono dinámico que pueden tener
influencia en el problema considerado, por ejemplo: (F) Fuerza del Operador; (G) Clima.

Se tiene los factores (E), (B), (C) Y (D) fueron clasificados como primarios; (A) y (G) se
mantuvieron constantes, y (F) fue clasificado como perturbador. Si fuéramos a efectuar un
análisis con datos reales a cada nivel del factor se le denomina (-) o (+); así, por ejemplo, el
nivel (+) del factor E respecto ángulo de hincado del tubo guía-puntero cuando se inclina
hacia afuera del operador, mientras que su nivel (-) corresponde hincar el tubo guía-puntero
hacia adentro del operador.

3. Selección de la variable respuesta

Para el caso particular, la variable de respuesta ha consistido en medir el porcentaje %CBR

“basado en la numero de golpes/mm de hincado” interviniendo con cada uno de los
factores primarios descritos.

4. Elección del diseño experimental

Se plantea realizar el experimento se llevó acabo con un diseño factorial completo, que
consiste en realizar un experimento en cada una de las posibles combinaciones entre los
niveles de cada factor primario (A, B, C, D). Los diseños factoriales son los más requerido
para estudiar el efecto producido por dos o más factores sobre una función respuesta dada
(Como el ejemplo planteado) con la desventaja de que el número de experimentos
necesarios es elevado si el número de factores es grande (N factores). En este caso se
necesita realizar los dieciséis experimentos (Experimento tipo 24), se considera suficiente
para incluir la participación e interacción de todos factores.

Además de los cuatro factores primarios se tiene un quinto, el operador, que fue clasificado
como factor perturbador. Se plantea asignar en forma aleatoria dieciséis experimentos a
dos operadores, por ejemplo, que los ocho experimentos que se realicen con la posición del
ángulo de hincado (+) fueran hechos por el operador 1, y los otros ocho, en la posición (+),
por el operador 2. Es probable que cuando se efectué el análisis no se podrá determinar la
interacción encontrada con el ángulo de giro o hincado, al operador o en conjunto. Para
esto se puede establecer un procedimiento al operador, para que ambos operadores lo
ejecutaran casi de la misma forma y con la misma fuerza. Se puede buscar de misma masa
muscular y alturas similares, para reducir la incertidumbre en esta fase del experimento.

5. Realización de los experimentos

Cumplidas las etapas anteriores se procede a la realización del experimento y recopilar

información. Se propone que los experimentos se deban realizar en orden aleatorio para
evitar extraer conclusiones erróneas, por la presencia de algún factor no considerado.
6. Análisis de datos

Para los diseños factoriales completos sin réplicas se suele comenzar el análisis con la
herramienta normal probability plot “normalidad” (incluida en cualquier software
estadístico); esta gráfica permite intuir los factores que influyen significativamente en la
variable respuesta. Para determinar formalmente los efectos ya conocido usar la prueba
ANOVA (Análisis De Varianza). En general, el método consiste en obtener la variabilidad
total del proceso y clasificarla en varios grupos, ejecutando pruebas con validez estadística
para saber los efectos que influyen significativamente en la variable respuesta, con un
determinado nivel de confianza típico de α = 0.05.

En este caso, el ANOVA se puede demostrar que los factores A, B y AB son significativos o
no y que por el contrario el efecto del operador “Que puede ser un bloque” no lo fue
estadísticamente. Para validar este análisis es necesario comprobar, mediante gráficas
facilitadas por el software, si las suposiciones que implica el ANOVA (normalidad,
homocedasticidad e independencia) se cumplen, a lo que llamamos validación de supuesto
del modelo.

El uso de gráficas de interacción visualiza el concepto y facilita la interpretación para

verificar si existe o no interacción entre los factores.

7. Conclusiones y recomendaciones

Una vez culminado el análisis de la información, se deben definir si se han cumplido los
objetivos propuestos inicialmente e informar al personal de interés. Para este caso
particular conociendo la variable de interés del %CBR de campo, analizando cada uno de los
factores mencionados, se puede concluir cual es el procedimiento correcto que da
resultados más ajustado a los %CBR (Porcentaje CBR) que se calculan en el laboratorio.