Herramientas Estadísticas para La Solución de Problemas en Minitab

Connect
Métodos cuantitativos para

la toma de decisiones
Tema 7. Herramientas estadísticas para
la solución de problemas con Minitab
Tema 7. Herramientas estadísticas para la solución de problemas con Minitab
Introducción
La mayoría de las herramientas de toma de decisiones son de mucha ayuda cuando se tiene ausencia de datos
históricos. En el caso del tema anterior de correlación, allí sí se necesitan datos previos si se quiere utilizar
como modelo de predicción, como fue en el ejemplo de Fomy International, en el cual la contadora de la
empresa, Priscila, pudo predecir matemáticamente cuál sería la venta del próximo año.
También la facilidad que brinda la correlación para determinar el grado de asociación entre dos variables, como
en el ejemplo del automóvil de carreras de la escudería CAT, en el tema anterior, donde la Ing. Cinthia Chávez
pudo determinar que el rendimiento de combustible del automóvil en pista puede ser manipulado, e incluso
incrementado, controlando la cantidad de aditivo que se le administraba al vehículo de carreras.
Este último punto es de vital importancia, ya que el conocer si una variable puede impactar a otra o, mejor aún,
el conocer cómo un conjunto de variables o factores pueden lograr una situación deseada, se puede lograr con
el Diseño Experimental, tema que verás a continuación y que en Minitab también puedes encontrar en el menú
de STAT.
Métodos cuantitativos para la toma de decisiones

Derechos de Autor Reservados. ENSEÑANZA E INVESTIGACIÓN SUPERIOR A.C. (UNIVERSIDAD TECMILENIO®) . 1
Explicación
7.1 Introducción al diseño experimental
El diseño de experimentos fue publicado por vez primera en el libro Statistical methods for research workers
por el matemático, estadístico y científico londinense Sir Ronald Fisher (1890- 1962). De hecho, él es considerado
el creador de la estadística inferencial en 1920.
El diseño experimental surgió de la inquietud de Fisher y otros colegas científicos por explicar ciertas
interrogantes de investigación relacionadas con la investigación aplicada en el campo de la agronomía. George
(2005) menciona en su libro Lean Six Sigma Pocket Tool book que es una de las herramientas más poderosas
para entender la reducción de variabilidad en cualquier proceso.
Ronald Fisher afirma que el diseño de experimentos en cierta forma se sustenta por Thomas Bayes en un
artículo de su autoría en 1763, en el cual se explicaba el uso de la estadística como método inductivo, es decir,
su uso para explicar fenómenos que van de lo particular a lo general.
Método inductivo como elemento de orden de la ciencia en la generación de paradigmas:
Variable
de
Variable estudio 1
de
estudio 2
Variable
de
estudio n
Paradigma
Posteriormente, a finales del siglo XIX y principios del Siglo XX, Sir. Francis Galton, Karl Pearson, W.S. Gosset
y el propio Fisher fueron agregando, moldeando y formalizando las teorías y herramientas sobre estadística
como se conoce hoy en día.
El diseño experimental permite realizar una serie de experimentos con el objetivo de maximizar o minimizar una
condición dada. Por ejemplo:

Minimizar una
Maximizar el grosor del Maximizar la engorda de Maximizar la satisfacción protuberancia que se vda
pan en un proceso de ganado porcino en una del cliente hacia un en un proceso de
panificadora. empresa agroindustrial. producto o servicio. moldeo por inyección
determinada.
Los tipos de diseño de experimentos que existen son los siguientes:
Factorial completo
Se destaca por desplegar de forma completa
todos los experimentos posibles 2k Por ejemplo:
K = número de factores a analizar En la Panificadora La Guadalupana, en Nueva

2 significa los niveles u opciones a utilizar por Rosita, Coahuila, se busca maximizar la
cada factor esponjosidad del pan en uno de sus procesos,
para lo cual el maestro panadero considera
Una ventaja es que provee información de todos 3 factores como aquellos que impactan la
los efectos principales y una desventaja sería esponjosidad del pan: harina, levadura y
que éste tipo de factorial requiere más tiempo y temperatura del horno.
recursos que uno fraccionado.
Harina: Levadura: Temperatura:

• Marca La Flor • Sin levadura • 350 °F
• Marca Sanzón • Con levadura • 275 °F
Al desplegar de forma completa todos los experimentos posibles 2
K = número de factores a analizar = 3 Y 2 niveles u opciones a utilizar por cada factor
Por lo tanto, tendrías 2 = 2 x 2 x 2 = 8 experimentos a realizar.

Factorial fraccionado
El diseño de experimentos factorial fraccionado opera con una parte del experimento. Una ventaja de
éste factorial es que los recursos son manejables y una desventaja sería que las pruebas son más
complicadas y se necesita tener más conocimiento de ellas.
En el ejemplo de la panificadora La Guadalupana se observó que en total serían 8 experimentos a realizar:
23 = 2x2x2 = 8 Experimentos a realizar
En el caso del factorial fraccionado, éste opera con la mitad del experimento:
23 2x2x2
= = 4 Experimentos a realizar
2 2
Si bien en la factorial fraccionado se realizan la mitad de experimentos, posee una consistencia

estadística tan buena, como si se realizarán todos los experimentos en su totalidad.
Taguchi Superficie de respuesta

El Método de Taguchi toma su nombre de su
(EVOP)
creador el ingeniero y estadístico japonés La superficie de respuesta es una forma de
Genichi Taguchi (1924-2012). diseño experimental que toma el resultado
óptimo a partir de una superficie gráfica de
Este método es muy similar al diseño factorial respuestas posibles, empleando el cálculo
fraccionado, ya que también emplea diseños diferencial.Es mucho más compleja que el
ortogonales; es decir, plantillas para determi- resto de los diseños experimentales, y es
nar los niveles que se utilizarán para cada ampliamente utilizada para encontrar la
experimento. respuesta óptima en procesos químicos y
físicos muy específicos; volúmenes de agua,
A diferencia del diseño factorial fraccionado, el contenido de proteínas en alimentos, contenido
método Taguchi se utiliza cuando el número de humedad en granos y semillas, etc. Es una
de factores a utilizar en el experimento es herramienta muy requerida en el campo de
mucho mayor; por lo tanto, se incrementa la investigación a nivel doctoral. El objetivo
notablemente el número de experimentos a final es establecer los datos que optimizan
utilizar, los recursos a utilizar y, por ende, los el valor de la variable respuesta y esto se
costos de la investigación. logra al determinar las mejores condiciones
de operación del sistema.
Además, el llevar un control, debido a la cantidad
de experimentos, factores y niveles que se
tienen que seguir durante el desarrollo del
experimento puede ser una tarea muy difícil.

Tomando en cuenta los diferentes tipos de diseños experimentales puedes afirmar lo siguiente:
En general, el diseño factorial fraccionado es ampliamente utilizado en otros países, tanto en la industria como
en el área de la administración, ya que permite realizar un menor número de experimentos y así ahorrar
recursos durante el desarrollo de la investigación, y es estadísticamente tan bueno, consistente, fácil de utilizar
y entender, que el resto de sus homólogos (factorial completo, Taguchi y superficie de respuesta).
El campo de acción del diseño experimental en empresas de éxito en el ámbito global ha tenido repercusiones
y aplicaciones en las áreas de:
Manufactura
Agronomía
Servicios
Medicina
Mercadotecnia
Procesos industriales
en general

7.2 Diseño de experimentos factorial

fraccionado 2
El diseño de experimentos factorial fraccionado es la herramienta que ayudará a maximizar o minimizar una
condición dada, a partir de factores que tú mismo eliges y donde cada factor posee dos niveles u opciones.
La resultante del diseño de experimentos te permitirá identificar que combinación de factores y niveles puede
ayudarte a maximizar o minimizar esa condición que tú esperas mejorar y controlar.
Para entender mejor lo anterior lee los siguientes ejemplos:
Agroindustrial rancho San Miguel
En la empresa agroindustrial rancho San Miguel

se produce carne de res de exportación de la
más alta calidad; esta empresa se ubica en la
ciudad de Zacatecas, Zac. Se puede decir que
el 90% de la producción total de carne se
empaca y embarca a Japón. Debido a la
calidad solicitada por los distribuidores de
carne en el Lejano Oriente, los clientes exigen
que la res sea alimentada estrictamente con
una mezcla de grano de maíz, melaza y pastura.
Las proteínas y suplementos alimenticios son
permitidos según el contrato.
Trimestralmente, auditores de la comercializadora de carne Nipón Beef Compound, el cliente principal de

rancho San Miguel, visitan la planta de Zacatecas para vigilar que esta política de alimentación se mantenga.
De encontrar reses alimentándose de pastura del campo o de animales muertos, la empresa cancelaría el
contrato de inmediato.
Dada la situación económica actual, el administrador general de rancho San Miguel, Lic. Francisco Iván
Campillo, desea mejorar las utilidades de la empresa, buscando la forma de aumentar la engorda del ganado,
respetando las cláusulas de alimentación especificadas por la empresa nipona.
Para lo anterior, el administrador decide desarrollar un diseño de experimentos factorial fraccionado, e

inmediatamente convoca a reunión al personal de engorda y a los veterinarios del rancho para conformar un
equipo de trabajo; el cual tiene como primera tarea determinar cuáles factores intervienen en la engorda del
ganado.
Durante la reunión se establecen los siguientes factores como aquellos que contribuirían a maximizar la engorda
del ganado:

Tipo de alimento
Proteína
Suplemento
alimenticio
Una vez definidos los factores del experimento, el equipo de trabajo define dos niveles (u opciones) por factores:
Tipo de alimento: Proteína: Suplemento

alimenticio
• Producido en • De Estados
planta Unidos • Sin suplemento
• De proveedor • De México • Con suplemento
Esto debido a que se necesitarían 8 vacas en total para el experimento:
23 = 2x2x2 = 8 Experimentos a realizar
Sin embargo, para este caso en particular (factorial fraccionado), se requerirán sólo 4 reses:
23 2x2x2
= = 4 Experimentos a realizar
2 2
Lo anterior, debido a que el consejo de accionistas solicitó realizar el experimento en el menor número de
cabezas de ganado posible, disminuyendo también los costos del experimento.
Una vez definido el tipo de experimento 23 (3 factores, 2 niveles), el Lic. Iván Campillo procede a abrir en
Minitab y especificar que se realizará un diseño de experimentos factorial.
aquí
Revisahttps: //bit.ly/3IldxfRel diseño de experimentos factorial de agroindustrial rancho San Miguel.

Como se indica en la tabla anterior, los niveles vienen codificados como “-1” y “1” (círculo morado). Estos
representan la “opción 1” y la “opción 2”.
La combinación de “-1´s” y “1´s” la da el diseño de experimentos de forma automática. Esta combinación de

“-1´s” y “1´s” se conoce como “arreglo ortogonal” y, como se dijo, este arreglo es un elemento que el diseño
de experimentos brinda para realizar ciertas combinaciones entre los factores y sus niveles para dar mayor
consistencia estadística al experimento.
Sólo basta definir cuáles opciones que estableció el equipo de trabajo serían “-1” y “1” (o sea “opción 1” y
“opción 2”), quedando de la siguiente manera:
Tipo de alimento: Proteínas Suplemento alimenticio:

• Producido en planta (-1) • *De Estados Unidos (-1) • Sin suplemento (-1)
• De proveedor (1) • De México (1) • Con suplemento (1)
Por lo tanto, el equipo de trabajo ya ha terminado la definición, lo que es la fase de diseño del experimento,
quedando de la siguiente manera:

El Std. Order (de la columna 1) define el número de experimento a realizarse (representa el número de vaca):
• A la vaca #1 (flecha verde) se le dará de comer -1, -1, 1, (círculo verde), es decir:
• A. Alimento: producido en planta (-1).

• B. Proteína: de Estados Unidos (-1).
• C. Suplemento: con suplemento (1).
• A la vaca #2 (flecha roja) se le dará de comer 1, -1, -1, (círculo rojo), es decir:
• A. Alimento: de proveedor (1).

• B. Proteína: de Estados Unidos (-1).
• C. Suplemento: sin suplemento (-1).
• A la vaca #3 (flecha azul) se le dará de comer -1, 1, -1, (círculo azul), es decir:
• A. Alimento: producido en planta (-1).

• B. Proteína: de México (1).
• C. Suplemento: sin suplemento (-1).
• A la vaca #4 (flecha morada) se le dará de comer 1, 1, 1, (círculo morado), es decir:
• A. Alimento: de proveedor (1).

• B. Proteína: de México (1).
• C. Suplemento: con suplemento (1).
El Lic. Iván Campillo establece que para que el experimento se desarrolle de manera adecuada será necesario
cumplir con lo siguiente:
Se elegirán 4 vacas y se le asignará una etiqueta en la oreja a cada una

1 (indicando cuál es la #1, #2, #3, #4).
Se les administrará la combinación de comida establecida en el Diseño

2 durante los siguientes 3 meses.
3 Al final del tercer mes se evaluarán los resultados.
Establecido lo anterior, el equipo de trabajo arranca el experimento en Rancho San Miguel.

Una vez transcurrido el experimento, durante 3 meses, se realiza el pesaje de las reses, obteniendo los siguientes
resultados:
Vaca #1 = Vaca #2 =
740 kg 900 kg
Vaca #3 = Vaca #4 =
550 Kg 320 Kg
Estos resultados se capturan en Minitab en la columna Resp, de acuerdo al Std Order de la columna 1, quedando
la matriz de la siguiente manera:

Posteriormente se le indica a Minitab el lugar donde se encuentran los resultados del experimento en el Menú
Stat > DOE > Factorial > Analyze Factorial Design:
Después en la siguiente ventana se indica en qué columna se encuentran los resultados del experimento (círculo
amarillo), y se hace clic en ok:

Una vez hecho lo anterior, el software Minitab conocerá dónde se ubican los resultados del experimento.
El último paso para concluir el diseño de experimentos es el encontrar la respuesta óptima en el menú Stat > DOE
> Factorial > Response Optimizer:
Se especifica nuevamente la columna de respuestas (círculo verde) y se hace clic en set up (círculo azul):

En esta otra ventana se selecciona el objetivo del experimento, el cual es maximizar (círculo rojo), y se define un
valor bajo = 0 (lo menos que pudiera pesar una vaca), y un valor meta “target”= 1200.
Aunque es difícil que una vaca alcance 1200 kg cuando el objetivo es “maximizar” siempre hay que poner un valor
meta, mucho más allá del máximo que se pudiera alcanzar. Uno nunca sabe si con el experimento se logre.
Se indica Ok a todas las ventanas, obteniendo los resultados finales del experimento:

En el gráfico anterior se puede observar que la mejor combinación es aquella que viene en números rojos;
-1,-1,-1 (círculo rojo), es decir:
A Alimento: producido
en planta (-1) B Proteína: de Estados
Unidos (-1) C Suplemento: sin
suplemento (-1)
El Lic. Iván Campillo sostiene ante el Consejo de Administración que al administrar esta combinación en la
alimentación del ganado se logra maximizar el peso de la Res a 935 Kg (círculo verde).
Como habrás notado, la combinación que dio el resultado óptimo en el ejercicio anterior (-1,-1,-1), no
pertenece a ninguno de los 4 experimentos (4 vacas) realizados por el equipo de trabajo de Rancho San Miguel
(círculo rojo):
Ni tampoco los 935 kg de la respuesta óptima pertenece a ninguna de las vacas del experimento (círculo azul).
? ¿Por qué la respuesta óptima la obtuvo un experimento que nunca se hizo

(el experimento con la combinación -1, -1, -1 nunca se realizó)?
Porque la consistencia estadística del diseño factorial fraccionado lo vuelve un diseño tan bueno, que es como
si se utilizara el diseño factorial completo:
Factorial completo: 23 = 2x2x2 = 8 experimentos a realizar
Sólo que con la mitad de los experimentos:
23 2x2x2
Factorial fraccionado: = = 4 experimentos a realizar
2 2
Otro de los comentarios que realizó el equipo de trabajo fue el de que este experimento rompió con la antigua
creencia de que los suplementos alimenticios eran indispensables para la engorda de la res.

Ejemplo - Milwaukee Communications
Milwaukee Communications
En Milwaukee Communications se diseñan y fabrican teléfonos celulares muy innovadores. La

coordinadora de mercadotecnia, Lic. Berenice Hernández, espera encontrar un nuevo diseño
que capte la atención del público que estudia en las universidades y de los profesionistas
jóvenes que esperan contar con un dispositivo móvil moderno y atractivo.
Por lo cual crea un equipo multidisciplinario conformado por ingenieros de diseño, personal de ventas y
mercadotecnia, y determinan las tres características que más podrían atraer a los clientes y las opciones
disponibles:
Tamaño de pantalla Color WiFi
•1 plg (-1) • Negro (-1) • Sin WiFi (-1)

•2 plg (1) • Rosa (1) • Con WiFi (1)
Una vez seleccionados los factores, sus niveles y la codificación de estos últimos (etiquetando las
opciones “-1” y “1”), Se realiza el diseño factorial fraccionado en Minitab:
23 2x2x2
Factorial fraccionado: = = 4 experimentos a realizar
2 2
aquí
Revisahttps: //bit.ly/3ElxOzFel diseño factorial fraccionado
en Minitab para Milwaukee Communications.
Esta combinación de características es la que maximizaría la satisfacción del cliente. Sin embargo, se
puede realizar un análisis de la respuesta óptima que permita ahorrar costos en el desarrollo de un
producto o idea. Este tema se ampliará en el siguiente subtema.

7.3 Análisis de la respuesta óptima

Como ya revisaste el diseño de experimentos factorial fraccionado permite conocer cuál es la combinación de
factores y niveles que permite maximizar una condición determinada. Sin embargo, esta herramienta permite
también conocer cuál factor tiene mayor impacto en la variable respuesta.
A su vez permite realizar un análisis de tal manera que —evaluando el impacto que tiene cada factor en la varia-
ble respuesta— puedes realizar propuestas interesantes en cuanto a la viabilidad económica de llevar a cabo
o no lo que indica el modelo.
Para entender mejor revisa el siguiente caso:
Del ejemplo del rancho San Miguel:
En el siguiente gráfico se puede observar que la mejor combinación es -1,-1,-1 (círculo rojo), es decir:
A. Alimento: producido B. Proteína: de Estados C. Suplemento: sin

en planta (-1). Unidos (-1). suplemento (-1).
aquí
Revisahttps: //bit.ly/3G9GSrQel análisis de la respuesta óptima aplicado al ejemplo del rancho San Miguel.
Del ejemplo de Milwaukee Communications:
En el siguiente gráfico se puede observar que la mejor combinación es 0, -1, 1 (círculo rojo), es decir:
A. Pantalla: Como aparececero

“0” puede ser cualquiera de
las dos opciones: 1 plg. (-1) B. Color: negro (-1) C. Wifi: con Wifi (1)
ó 2 plg. (1)
aquí
Revisa https: //bit.ly/3rzkFj0 el análisis de la respuesta óptima aplicado
al ejemplo de Milwaukee Communications.

Cierre
El diseño de experimentos factorial fraccionado ayuda al analista de decisiones a emprender ideas de mejora,
e identificar qué factores impactan los resultados esperados. Separa factores significantes de los no signifi-
cantes con una inversión menor en recursos, tiempo y costos.
Los resultados que arroja esta herramienta en ocasiones se logran romper con creencias arraigadas o como
muchos le llaman paradigmas sobre algo que se da por hecho. Como en el caso de Rancho San Miguel y la
creencia de que las proteínas contribuían a la engorda de la res, o como en el caso de Milwaukee Communica-
tions, donde en el departamento de diseño creía fehacientemente que entre más grande la pantalla touch
screen, mayor era la satisfacción del cliente.
Lo cierto es que esta herramienta te ayudará a llevar a cabo experimentos con la garantía de que si se desarro-
lla adecuadamente, se obtendrán excelentes resultados, sin importar las creencias que giren en torno al
proyecto, o la falta de experiencia que se tenga sobre el mismo, la estadística te dará la razón.

Bibliografía
Anderson D.R. (2011). Métodos cuantitativos para los negocios (11ª ed.). México: Cengage Learning.
Capítulo 16
Montgomery, D. (2010). Probabilidad y estadística aplicadas a la ingeniería (2ª ed.). México: Limusa.
Capítulo 12. Diseño de experimentos con varios factores
George, M (2005). Lean Six Sigma Pocket Toolbook. EE. UU.: McGraw-Hill.


Herramientas Estadísticas para La Solución de Problemas en Minitab

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Herramientas Estadísticas para La Solución de Problemas en Minitab

Cargado por

Copyright:

Formatos disponibles

Connect

Métodos cuantitativos para

Métodos cuantitativos para la toma de decisiones

Método inductivo como elemento de orden de la ciencia en la generación de paradigmas:

Métodos cuantitativos para la toma de decisiones

Los tipos de diseño de experimentos que existen son los siguientes:

K = número de factores a analizar En la Panificadora La Guadalupana, en Nueva

Harina: Levadura: Temperatura:

Al desplegar de forma completa todos los experimentos posibles 2

K = número de factores a analizar = 3 Y 2 niveles u opciones a utilizar por cada factor

Por lo tanto, tendrías 2 = 2 x 2 x 2 = 8 experimentos a realizar.

Métodos cuantitativos para la toma de decisiones

En el ejemplo de la panificadora La Guadalupana se observó que en total serían 8 experimentos a realizar:

23 = 2x2x2 = 8 Experimentos a realizar

Si bien en la factorial fraccionado se realizan la mitad de experimentos, posee una consistencia

Taguchi Superficie de respuesta

Métodos cuantitativos para la toma de decisiones

Métodos cuantitativos para la toma de decisiones

7.2 Diseño de experimentos factorial

Para entender mejor lo anterior lee los siguientes ejemplos:

Agroindustrial rancho San Miguel

En la empresa agroindustrial rancho San Miguel

Trimestralmente, auditores de la comercializadora de carne Nipón Beef Compound, el cliente principal de

Para lo anterior, el administrador decide desarrollar un diseño de experimentos factorial fraccionado, e

Métodos cuantitativos para la toma de decisiones

Tipo de alimento: Proteína: Suplemento

Esto debido a que se necesitarían 8 vacas en total para el experimento:

23 = 2x2x2 = 8 Experimentos a realizar

Métodos cuantitativos para la toma de decisiones

La combinación de “-1´s” y “1´s” la da el diseño de experimentos de forma automática. Esta combinación de

Tipo de alimento: Proteínas Suplemento alimenticio:

Métodos cuantitativos para la toma de decisiones

• A. Alimento: producido en planta (-1).

• A. Alimento: de proveedor (1).

• A. Alimento: producido en planta (-1).

• A la vaca #4 (flecha morada) se le dará de comer 1, 1, 1, (círculo morado), es decir:

• A. Alimento: de proveedor (1).

Se elegirán 4 vacas y se le asignará una etiqueta en la oreja a cada una

Se les administrará la combinación de comida establecida en el Diseño

3 Al final del tercer mes se evaluarán los resultados.

Establecido lo anterior, el equipo de trabajo arranca el experimento en Rancho San Miguel.

Métodos cuantitativos para la toma de decisiones

Métodos cuantitativos para la toma de decisiones

Métodos cuantitativos para la toma de decisiones

Métodos cuantitativos para la toma de decisiones

Métodos cuantitativos para la toma de decisiones

? ¿Por qué la respuesta óptima la obtuvo un experimento que nunca se hizo

Factorial completo: 23 = 2x2x2 = 8 experimentos a realizar

Sólo que con la mitad de los experimentos:

Métodos cuantitativos para la toma de decisiones

Ejemplo - Milwaukee Communications

En Milwaukee Communications se diseñan y fabrican teléfonos celulares muy innovadores. La

Tamaño de pantalla Color WiFi

•1 plg (-1) • Negro (-1) • Sin WiFi (-1)

Métodos cuantitativos para la toma de decisiones

7.3 Análisis de la respuesta óptima

Para entender mejor revisa el siguiente caso:

Del ejemplo del rancho San Miguel:

A. Alimento: producido B. Proteína: de Estados C. Suplemento: sin

Del ejemplo de Milwaukee Communications:

A. Pantalla: Como aparececero

Métodos cuantitativos para la toma de decisiones

Métodos cuantitativos para la toma de decisiones