Documentos de Académico
Documentos de Profesional
Documentos de Cultura
20213-5536D
20070894
CATEDRATICO:
12 DE NOVIEMBRE 2021
ANALISIS ESTADISTICO
DISEÑO DE EXPERIMENTOS (DOE)
Los objetivos del diseño de experimentos podrían comprender los siguientes puntos:
Determinar cuáles son las variables que tiene mayor influencia sobre la respuesta y.
Determinar cuál es el ajuste de las x que tiene mayor influencia para que y esté casi
siempre cerca del valor nominal
deseado.
Determinar cuál es el ajuste de
las x que tiene mayor influencia para
que la variabilidad de y sea reducida.
Determinar cuál es el ajuste de
las x que tiene mayor influencia para
que los efectos de las variables z1,
z2,..., zm sean mínimos.
La aplicación de las técnicas del diseño experimental en las fases iniciales del desarrollo de un
proceso puede redundar en:
Entre las aplicaciones del diseño experimental en el diseño de ingeniería (desarrollo de nuevos
productos) se encuentran:
PLANIFICACIÓN DE UN DOE
Las etapas a seguir en el desarrollo de un problema de diseño de experimentos son las siguientes:
1. Identificación del problema y definir los objetivos. Es común en la industria no darse cuenta de
que existe un problema en un proceso o producto que requiere experimentación para mejorar su
eficiencia o calidad, para aplicar un experimento es necesario desarrollar todas las ideas acerca de
los objetivos del mismo. Es importante solicitar aportaciones de todas las áreas involucradas:
ingeniería, calidad, manufactura, mercadotecnia, administración, el cliente y el personal de
operación. En la mayoría de los casos es conveniente hacer una lista de los problemas o preguntas
específicas que van a abordarse en el experimento. Las actividades y herramientas que nos
apoyan a realizar esta fase se presentan en la tabla 1.
Actividades Herramientas
1.- Seleccionar equipo de trabajo Diagrama de flujo
2.- Formular problema Gráficos de control
3.- Documentar información importante Gráfico jerarquizado de objetivos
4.- Elegir respuestas Mapa de procesos
5.- Establecer objetivo
Tabla 1. Actividades y herramientas para la fase 1
2. Elección de los factores y los niveles. Una fuente de variación es cualquier “cosa” que pueda
generar variabilidad en la respuesta u objeto de estudio. Es recomendable hacer una lista de todas
las posibles fuentes de variación del problema, distinguiendo aquellas que, a priori, generarán una
mayor variabilidad. Se denomina factor tratamiento a cualquier variable de interés para el
experimentador cuyo posible efecto sobre la respuesta se quiere estudiar. Se distinguen dos tipos:
Factores tratamiento: son aquellas fuentes cuyo efecto sobre la respuesta es de particular
interés para el experimentador.
Factores “nuisance”: son aquellas fuentes que no son de interés directo pero que se
contemplan en el diseño para reducir la variabilidad no planificada.
Los niveles de un factor tratamiento son los tipos o grados específicos del factor que se tendrán en
cuenta en la realización del experimento. Las actividades y herramientas que nos apoyan a realizar
esta fase se presentan en la tabla 2.
ACTIVIDADES HERRAMIENTAS
1.- IDENTIFICAR FACTORES AMFE*
2.- CLASIFICAR FACTORES Diagrama de afinidad
3.- DEFINIR ESTRATEGIAS PARA ALGUNOS Diagrama Causa-Efecto
FACTORES Mapa de procesos
4.- DESCRIBIR CONOCIMIENTO ACTUAL DE LOS Diagramas IDEF0**
EFECTOS DE LOS FACTORES
5.- DETERMINAR RANGOS Y NIVELES
Tabla 2. Actividades y herramientas para la fase 2
3. Selección de la variable respuesta. Para seleccionar la variable de respuesta, el experimentador
deberá tener la certeza de que esta variable proporciona en realidad información útil acerca del
proceso bajo estudio. Los datos que se recogen en un experimento son medidas de una variable
denominada variable respuesta o variable de interés y es importante precisar en qué unidades se
mide. En la mayoría de los casos, el promedio o la desviación estándar (o ambos) de la
característica medida será la variable respuesta. Las actividades y herramientas que nos apoyan a
realizar esta fase se presentan en la tabla 3.
ACTIVIDADES HERRAMIENTAS
1.- IDENTIFICAR LOS OBJETIVOS DEL Gráfico jerarquizado de objetivos
EXPERIMENTO AMFE*
2.- IDENTIFICAR LA VARIABLE RESPUESTA Diagrama Causa-Efecto
3.- IDENTIFICAR EN QUE UNIDADES SE MEDIRÁ Mapa de proceso
LA VARIABLE RESPUESTA
Tabla 3. Actividades y herramientas para la fase 3
4. Elección del diseño experimental. La elección del diseño implica la consideración del tamaño de
la muestra (número de réplicas). Es importante tener en mente los objetivos experimentales. En
muchos experimentos de ingeniería se sabe que algunos de los niveles de los factores (variables)
producirán valores diferentes de la respuesta. En consecuencia, el interés se centra en identificar
"qué" factores causan esta diferencia y en estimar la magnitud del cambio de la respuesta. en
otras palabras, es determinar el "cómo" se van a realizar los experimentos (especificar que
unidades experimentales se observarán bajo cada tratamiento). Las actividades y herramientas
que nos apoyan a realizar esta fase se presentan en la tabla 4.
Actividades Herramientas
1.- Caracterizar factores Aleatorización
2.- Pre-analizar Análisis asistido por software
3.- Elegir tipo de diseño Réplicas
4.- Seleccionar diseño experimenta Representación gráfica
5.- Elegir niveles
Tabla 4. Actividades y herramientas para la fase 4
5. Realización del experimento. En esta fase suele ser conveniente no apresurase a realizar los
experimentos, sin antes analizar la realización de algunas actividades previas debido a que se
suelen subestimar los aspectos logísticos y de planificación de DoE en ámbitos de manufactura,
investigación y desarrollo se debe asegurar que todos los recursos necesarios para la
experimentación estén disponibles. Se debe tener especial cuidado y para ello intentar
adelantarse a los problemas. Para ello antes de comenzar con la experimentación no se debe
olvidar de:
Las actividades y herramientas que nos apoyan a realizar esta fase se presentan en la tabla 5.
Actividades Herramientas
1.- Preparar experimentos Pruebas piloto
2.- Analizar la necesidad de pruebas piloto Hoja recogida de datos
3.- Realizar experimentos y recolectar datos
Tabla 5. Actividades y herramientas para la fase 5
6. Análisis estadístico de los datos. En esta fase, Se deberán usar métodos estadísticos para
analizar los datos a fin de que los resultados y las conclusiones sean objetivos y no de carácter
apreciativo. si el experimento se ha diseñado correctamente y se ha llevado a cabo de acuerdo al
diseño, los métodos estadísticos necesarios no deben ser complicados. Con frecuencia se
encuentra que los métodos gráficos simples desempeñan un papel importante en el análisis e
interpretación de datos. Debido a que muchas de las preguntas que el experimentador quiere
responder pueden insertarse en el marco de la prueba de hipótesis, los procedimientos para
probar hipótesis y estimar intervalos de confianza son muy útiles en el análisis de datos de un
experimento diseñado. Para esta fase se recomienda utilizar un software estadístico. Las
actividades y herramientas que nos apoyan a realizar esta fase se presentan en la tabla 6.
Actividades Herramientas
1.- Calcular el efecto de los factores Análisis de regresión
2.- Determinar los factores significativos ANOVA*
3.- Interpretar resultados ANCOVA**
4.- Construir modelo de predicción Gráficos de contorno
5.- Optimizar respuestas Gráficos de probabilidad normal
6.- Evaluar necesidades de nuevos Gráficos de Pareto
experimentos
Tabla 6. Actividades y herramientas para la fase 6
7. Mejoras, control y conclusiones. Todo el trabajo de las fases anteriores, tiene que dar sus
resultados en esta etapa. Por lo que se intentará maximizar los beneficios. Para mejorar se
recomienda ser más creativo y tener una perspectiva más amplia. Una vez implementadas las
mejoras se debe realizar el seguimiento y verificar la estabilidad de las mejoras obtenidas. Una vez
que se ha hecho el análisis de los datos, la mejora y el control, el experimentador debe sacar
conclusiones prácticas acerca de los resultados y recomendar un curso de acción. los métodos
gráficos suelen ser útiles en esta etapa, en particular para presentar los resultados. Las actividades
y herramientas que nos apoyan a realizar esta fase se presentan en la tabla 7.
Actividades Herramientas
1.- Evaluar la necesidad de experimentos Diseño de experimentos
confirmatorios Gráficos de control
2.- Implementar controles Plan de control
3.- Validar resultados Procedimientos
Tabla 7. Actividades y herramienta para la fase 7
Análisis de la Varianza (ANOVA) es una fórmula estadística que se utiliza para comparar las
varianzas entre las medias (o el promedio) de diferentes grupos. Una variedad de contextos lo
utilizan para determinar si existe alguna diferencia entre las medias de los diferentes grupos.
Por ejemplo, para estudiar la efectividad de diferentes medicamentos para la diabetes, los
científicos diseñan y experimentan para explorar la relación entre el tipo de medicamento y el
nivel de azúcar sanguínea resultante. La población de la muestra es un conjunto de personas.
Dividimos la población de la muestra en varios grupos y cada grupo recibe un medicamento en
particular durante un período de prueba. Al final del período de prueba, se miden los niveles de
azúcar sanguínea para cada uno de los participantes individuales. Luego, para cada grupo, se
calcula el nivel medio de azúcar sanguínea. ANOVA ayuda a comparar las medias de estos grupos
para averiguar si son estadísticamente diferentes o si son similares.
Aunque los valores medios de varios grupos parecen ser diferentes, esto podría ser debido a un
error de muestreo más que al efecto de la variable independiente sobre la variable dependiente.
Si se debe a un error de muestreo, la diferencia entre las medias de los grupos no tendrá sentido.
ANOVA ayuda a averiguar si la diferencia en los valores medios es estadísticamente significativa.
ANOVA solo establecerá si existe una diferencia significativa entre las medias de al menos dos
grupos, pero no explicará cual es el par que difiere en sus medias. Si existe un requisito de datos
detallados, el despliegue de los procesos estadísticos de seguimiento adicionales ayudará a
descubrir qué grupos difieren en el valor medio. Normalmente, ANOVA se utiliza en combinación
con otros métodos estadísticos.
ANOVA también presupone que el conjunto de datos se distribuye uniformemente, ya que solo
compara medias. Si los datos no se distribuyen a lo largo de una curva normal y existen valores
atípicos, ANOVA no será el procedimiento adecuado para interpretar los datos.
De manera similar, ANOVA asume que las desviaciones estándar son iguales o similares entre los
grupos. Si existe una gran diferencia en las desviaciones estándar, la conclusión de la prueba
podría ser inexacta.
ANOVA UNIDIRECCIONAL
ANOVA factorial completo se utiliza cuando existen dos o más variables independientes. Cada uno
de estos factores puede tener varios niveles. ANOVA factorial completo solo se puede utilizar en el
caso de un experimento factorial completo, donde se utilizan todas las posibles combinaciones de
los factores y sus niveles. Este podría ser el mes del año en el que existen más flores en el jardín y
luego la cantidad de horas de sol. Este ANOVA bidireccional no solo mide la variable
independiente frente a la independiente, sino también si los dos factores se afectan entre sí.
ANOVA bidireccional asume:
Un experimento puede involucrar uno o más factores con efecto sobre la respuesta.
Las condiciones que varían de bloque a bloque forman los niveles del factor de bloqueo.
ASPECTOS:
Imagen
Si el tamaño del bloque k es múltiplo 6. Análisisde
del número de niveles
los datosoexperimentales
tratamientos del factor, el
diseño recibe el nombre de ** bloques completos**
Este diseño con a tratamientos y con N=ab unidades experimentales agrupadas en b bloques. Las
unidades dentro de un bloque son similares y unidades en bloques diferentes son sustancialmente
distintas. Las unidades experimentales en cada bloque son asignadas aleatoriamente a los a
tratamientos de modo que cada tratamiento es asignado a una unidad por bloque.
Bloques
Tratamientos 1 2 j b Medias de
tratamientos
1 Y11 Y12 Y1j Y1b Y1
2 Y21 Y22 Y2j Y2b Y2
i Yi1 Yi2 Yij Yib Yi
a Ya1 Ya2 Yaj Yab Ya
Medias de Y1 Y2 Yj Yi Media global
bloques Y
Tabla 9. Tabla de entrada de datos
Y ij =μ+∝i + β j +ε ij
Yij es la Variable aleatoria que representala medición del bloque j, del tratamiento i.
Este modelo asume que no existe interacción entre el factor de interés y el factor de bloqueo; en
muchas situaciones esta presunción será razonable, sin embargo, si se sospecha que hay
interacción, el tamaño del bloque deberá ser incrementado para permitir estimar estos efectos.
Los niveles del factor de bloque representan agrupamientos intencionales de las unidades
experimentales, mientras que los tratamientos son asignados de manera aleatoria a las unidades
experimentales.
El interés no está centrado en las medias de los bloques, si no en la suma de cuadrados medios
debida al factor de bloqueo con el MSE del modelo, para determinar si bloquear fue o no benéfico
en el experimento.
Definición Llamaremos tratamiento a cada combinación posible entre los niveles de los factores.
Así, para el caso de dos factores, se tendrá un total de ab posibles tratamientos. Por ejemplo, sea
a=3 y b=2:
Niveles factor B
Niveles factor A B1 B2
A1 A1B1 A1B2
A2 A2B1 A2B2
A2 A3B1 A3B2
Tabla 10. Ejemplo tabla factores
Cada combinación AiBj con i=1,2,3 y j=1,2 define un tratamiento, entonces hay 6 posibles
tratamientos correspondientes a las entradas de esta tabla.
1. De efectos fijos: Los a niveles del factor A como los b niveles del factor B son definidos a
propósito por el investigador.
2. De efectos aleatorios: Los a niveles del factor A como los b niveles del factor B son elegidos
aleatoriamente dentro de una población de posibles niveles, respectivamente.
3. De efectos mixtos: Uno de los dos factores es de efectos fijos en tanto que el otro es de efectos
aleatorios.
En cualquiera de los anteriores casos se debe considerar el fenómeno conocido como interacción
de los factores, los modelos deben iniciarse considerando la existencia de interacción y luego a
través de la evidencia muestral, determinar si dicha interacción es o no significativa. Sólo si en
cada tratamiento se toman réplicas (n>1 observaciones por tratamiento), será posible estimar y
evaluar la interacción entre los factores.
Se postula el modelo con interacción, para la k-ésima respuesta en el tratamiento AiBj (nivel i del
factor A combinado con nivel j del factor B), que aparece a continuación:
β j Efecto fijo del j-ésimo niveles del factor B sobre la respuesta promedio global.
(αβ )ij Efecto fijo de la interacción de los factores A y B en sus niveles i y j, respectivamente, sobre
la respuesta promedio global.
ε ijError aleatorio
La interacción de dos factores significa que las diferencias entre las medias de tratamientos según
los niveles de un factor varían (bien sea en dimensión y/o signo) de nivel a nivel del otro factor.
Para analizar los cambios de la respuesta promedio de cada tratamiento, se usan los gráficos de
perfiles de medias o Gráficos de interacción en los cuales se presentan las medias de tratamiento
en cada uno de los niveles de uno de los factores fijando los niveles del otro factor ubicado en el
eje horizontal.
Muestral mente, podemos establecer la presencia de interacción mediante una de las siguientes
formas equivalentes:
Si la diferencia entre las respuestas medias para cualesquiera dos niveles del factor A no es
la misma para todos los niveles de B.
Si la diferencia entre las respuestas medias para cualesquiera dos niveles del factor B no es
la misma para todos los niveles de A.
Si las medias de tratamientos no son todas iguales a la suma de la media global más los
respectivos efectos principales de los factores A y B
Los efectos ∝i y β j constituyen los efectos principales del modelo. Cuando los efectos de
interacción son significativos, pueden encubrir o enmascarar a los efectos principales de uno o de
ambos factores, esto significa que en las pruebas F asociadas a la significancia simultánea de los
efectos del respectivo factor, no se rechaza la hipótesis nula, es decir, se concluye que el factor A,
o el B o ambos, no son significativos, cuando ya se ha probado que estos interactúan
significativamente.
Pero tenga en cuenta que, en presencia de interacción significativa, no se puede concluir que
alguno o ambos factores son no significativos a pesar de que el respectivo test de significancia
individual para cada factor arroje como resultado la no significancia, porque tal evento es
consecuencia de un encubrimiento debido a la interacción.
En ocasiones hay dos (o más) fuentes de variación lo suficientemente importantes como para ser
designadas factores de bloqueo. En tal caso, ambos factores bloque pueden ser cruzados o
anidados. Los factores bloque están cruzados cuando existen unidades experimentales en todas
las combinaciones posibles de los niveles de los factores bloques.
Diseño con factores bloque cruzados. También denominado diseño fila-columna, se caracteriza
porque existen unidades experimentales en todas las celdas (intersecciones de fila y columna).
Respuesta = Constante + Efecto Bloque Fila + Efecto Bloque Columna + Efecto Tratamiento + Error
Respuesta = Constante + Efecto Factor Fila + Efecto Factor Columna + Efecto Interacción + Error
Generalizar los diseños completos a más de dos factores es relativamente sencillo desde un punto
de vista matemático, pero en su aspecto práctico tiene el inconveniente de que al aumentar el
número de factores aumenta muy rápidamente el número de observaciones necesario para
estimar el modelo. En la práctica es muy raro utilizar diseños completos con más de factores.
Un camino alternativo es utilizar fracciones factoriales que son diseños en los que se supone que
muchas de las interacciones son nulas, esto permite estudiar el efecto de un número elevado de
factores con un número relativamente pequeño de pruebas. Por ejemplo, el diseño en cuadrado
latino, en el que se supone que todas las interacciones son nulas, permite estudiar tres factores de
k niveles con solo k2 observaciones. Si se utilizase el diseño equilibrado completo se necesitan k 3
observaciones.
BIBLIOGRAFÍA