Diseño de experimentos

Proyecto Modular

Tutor: José Rodríguez Meza

Estudiante: Oscar Gerardo Valdez García

Matricula: AL075806

Boca del Rio, Veracruz sabado, 01 de jjulio del 2023

INTRODUCCIÓN
Mediante un estudio de caso, aplicaremos los conocimientos obtenidos en los
temas de diseño donde estudiaremos la hipótesis nula, obtendremos la media
aritmética de una serie de datos, la varianza y desviación estándar para después
mediante la variabilidad estimada determinaremos si la hipótesis nula se acepta o
se rechaza.

1
DESARROLLO
Una vez que se ha ajustado un modelo de regresión al proceso y se han
recopilado los datos satisfactoriamente, el siguiente paso es buscar la
optimización de la variable de respuesta. Esto se conoce como diseño para la
optimización del proceso. Hay diferentes tipos de diseños para buscar un proceso
óptimo, que se clasifican de la siguiente manera:
Diseños de primer orden: Los diseños factoriales 2k y los diseños factoriales
fraccionados 2k pertenecen a esta categoría. Estos diseños describen el
comportamiento de la variable de respuesta (y) mediante un polinomio de primer
grado en la región experimental. Se utilizan para determinar los tratamientos que
mejor aumenten o disminuyan el valor de la respuesta, incluyendo tratamientos
con niveles intermedios de los factores. También se verifica la existencia de
curvatura si hay falta de ajuste.
Cuando se detecta curvatura, es probable que el proceso esté cerca de un
tratamiento óptimo para la variable de respuesta.
Diseños de segundo orden: El diseño Box-Behnken es un ejemplo de diseño de
segundo orden. Puede usarse como alternativa a un diseño 3k cuando el número
de pruebas es alto. El diseño Box-Behnken combina un diseño 22 con bloques
incompletos balanceados. Permite tener un número menor de tratamientos.
Este tipo de diseño de segundo orden es útil para optimizar procesos, ya que
permite explicar el rendimiento de la variable de respuesta, predecir resultados y
obtener los tratamientos óptimos de operación. Sin embargo, se recomienda
utilizar este diseño cuando se comprende bien el funcionamiento del proceso y
después de realizar estudios experimentales preliminares para identificar los
factores y niveles relevantes para la variable de respuesta.
El objetivo principal del procedimiento de optimización en el diseño de
experimentos es identificar las condiciones que permiten alcanzar un valor óptimo
para la variable de respuesta estimada. Para lograr esto, se utiliza un enfoque
metodológico que combina diseños experimentales, técnicas de modelaje del
análisis de regresión y técnicas matemáticas de optimización.
Una vez que se ha identificado una región cercana al valor óptimo de la superficie
de respuesta, se plantea un diseño de segundo orden para confirmarlo. Para
determinar el punto potencial con el valor óptimo, se establece un modelo
matemático en forma matricial.
Al graficar los resultados en una superficie de respuesta, se puede observar que
se obtiene un valor óptimo en los valores indicados.
Durante el desarrollo de la materia, se ha destacado la importancia de utilizar
experimentos diseñados estadísticamente en el proyecto, desarrollo y mejora de
productos y procesos. La industria ha reconocido cada vez más los beneficios de
utilizar experimentos en diversas áreas de aplicación.
Un ejemplo relevante es el diseño robusto, que se centra en los siguientes
aspectos:
Factores ambientales: Estos factores pueden afectar el rendimiento del diseño una
vez que se implementa en el campo. Por ejemplo, en la formulación de pintura
para exteriores, se busca un diseño robusto que tenga en cuenta variables como
la temperatura, la humedad y la lluvia, ya que estas condiciones climáticas pueden
desgastar o deteriorar el producto.
Variabilidad del diseño: Se refiere a características que permiten que los
componentes del sistema transmitan su función. Por ejemplo, en el diseño de un
amplificador electrónico, se busca que el voltaje de salida sea casi igual al valor
nominal deseado, de modo que el circuito siga funcionando independientemente
de los parámetros eléctricos de los componentes.
En cuanto a la optimización en función de factores de ruido, se realiza de manera
similar a otros diseños, con la diferencia de que los valores óptimos no se refieren
al valor más alto de la variable de respuesta, sino a reducir el efecto del factor de
ruido en la variable de respuesta. Los factores de ruido se refieren a influencias
externas que pueden afectar la variable de interés.
Las consideraciones para la optimización de diseños que incluyen factores de
ruido incluyen variables controlables, coeficientes de regresión, funciones
cuadráticas y el cuadrado de la pendiente. Estas técnicas avanzadas de diseño de
experimentos ayudan a comprender y optimizar la variable de respuesta,
identificando las variables que influyen en la respuesta de interés.

1
CONCLUSIÓN
En resumen, el diseño de experimentos juega un papel fundamental en el
proyecto, desarrollo y mejora de productos y procesos. El enfoque en la
optimización y el diseño robusto permite buscar condiciones óptimas y tener en
cuenta factores ambientales y variabilidad del diseño. Esto ayuda a garantizar un
mejor desempeño de los productos en diversas condiciones y a minimizar el
impacto de factores de ruido.
Además, la optimización en función de factores de ruido requiere un enfoque
específico, donde se busca reducir el efecto de estos factores en la variable de
respuesta. Las técnicas avanzadas, como el análisis de variables controlables, los
coeficientes de regresión, las funciones cuadráticas y el cuadrado de la pendiente,
permiten comprender y optimizar la variable de interés.
En conclusión, el diseño de experimentos ofrece herramientas poderosas para
comprender y mejorar productos y procesos. La búsqueda de la optimización y el
diseño robusto, junto con la consideración de factores ambientales y la variabilidad
del diseño, permiten desarrollar soluciones más eficientes y resistentes. Además,
la optimización en función de factores de ruido ayuda a minimizar el impacto de
influencias externas y mejorar la calidad de la variable de respuesta. Estas
técnicas avanzadas proporcionan un enfoque sistemático para la toma de
decisiones y la mejora continua en diversos campos de aplicación.
BIBLIOGRAFÍA
D. Montgomery (2017). Diseño y análisis de experimentos. Cengage Learning.
M. Ramos (2006). Estadística experimental: diseño y análisis de experimentos. Ediciones
Paraninfo.