EXPERIMENTOS

FACTORIALES 2^K
FRACCIONADOS

Start Table of contents Back Next

INTEGRANTES DEL EQUIPO
 PROCEDIMIENTO
1.- Elegir el experimento (Problema)
2.- Determinar el número de factores a utilizar
3.- Determinar los grados de libertad necesarios
para el diseño
4.- Crear el diseño factorial
5.- Realizar el experimento
6.- Analizar el diseño factorial
7.- Establecer conclusiones
 Una empresa dedicada a la producción de
juegos de mesa desea conocer cuál
combinación de factores podría ayudar al
proceso de reensamblado de los
PROBLEMA rompecabezas que se caen antes de ser
empaquetados. Los factores y
tratamientos que se presentan son los
considerados más significativos al
proceso:

Start Table of contents Back Next

 FACTORES Y
TRATAMIENTOS

a) Género del operario (Hombre, mujer)

b) Tipo de iluminación (Natural, artificial)

c) Número de operarios en la línea (1 o 2)

d) Número de supervisores (Sin supervisor, un supervisor)

e) Distancia del almacén a la estación de trabajo (2m, 4m)

f) Unidades producidas (1 o 2)

g) Posición del operario (Sentado, de pié)

Start Table of contents Back Next

● La variable de respuesta (y) será el tiempo
requerido durante el reensamble utilizado
por los operarios.
● Dado que lo que la empresa busca es
eficiencia en el proceso de reensamblado, la
cual se dará con una reducción en el
tiempo; por lo tanto, se puede concluir que
el objetivo de la variable es: Menor tiempo
más eficiencia.
 • La empresa no dispone del tiempo suficiente para realizar la
totalidad de los experimentos que se requieren en un diseño 2^7,
ya que nos da 128.

• Se decidió hacer un diseño factorial 2^k fraccionado, sabiendo de

antemano que se desean conocer los efectos principales y las
interacciones dobles (Nota: las interacciones de orden mayor a dos
no se pueden explicar, y hay baja probabilidad de que sean
significativas en el proceso).

• Para ello, determinamos los grados de libertad necesarios…

• ( a través del número de combinaciones ….)

Start Table of contents Back Next

 COMBINACIONE
S
• Para los efectos principales:

7C1=7-----🡪Grados de libertad

• Para las interacciones dobles:

7C2=21---🡪Grados de libertad para interacciones dobles

• e=1--🡪Grado de libertad para el error

• ∑=29 --🡪 Se necesitan 29 experimentos para poder explicar los

efectos principales y los efectos dobles.

NOTA: Enseguida se muestra a detalle la forma de calcular los

grados de libertad en base a las combinaciones de factores

Start Table of contents Back Next

 • 7C1=7-----🡪Grados de libertad para efectos principales

• A,B,C,D,E,F,G

• 7C2=21---🡪Grados de libertad para interacciones

dobles
COMBINACIONES
• AB,AC,AD,AE,AF,AG,BC,BD,BE,BF,BG,CD,CE,CF,C
G,DE,DF,DG,EF,EG,FG

• e=1--🡪Grado de libertad para el error

• ∑=29 --🡪 Se necesitan 29 experimentos para poder

explicar los efectos principales y los efectos dobles de
los 7 factores.

Start Table of contents Back Next

 COMBINACIONE
S
• Utilizando la fórmula de combinaciones:

• nCr = n! /(n-r)! . r!
• Se obtienen los factores principales y los factores dobles

• Ejemplo con 7 factores:

• 7C1= 7.6.5.4.3.2.1 / 6.5.4.3.2.1.1 =7

7C2= 7.6.5.4.3.2.1/5.4.3.2.1.2.1 =21

Error =1

Total = 29

Start Table of contents Back Next

● El diseño factorial
fraccionado que
proporciona los suficientes
grados de libertad, y
además economiza el
número de pruebas es el
2^(7-2), o sea un 2^5, que
da como resultado 32
experimentos a realizar.
 ¿CÓMO SON LOS DISEÑOS
FRACCIONADOS?
• Son utilizados para reducir el número
de pruebas cuando la cantidad de
factores es muy grande, o bien,
cuando se necesita de la rapidez de
resultados o cuando no es económico
realizar tantos experimentos.

• El diseño factorial se divide a la

mitad, a la cuarta, octava parte, etc.
● Como vimos en diapositivas
anteriores, si únicamente queremos
explicar hasta las interacciones
dobles, es necesario fraccionar el
diseño de modo que hayan grados
de libertad suficientes para los
efectos individuales, las
interacciones dobles y el error.

● Se necesitan al menos 29 grados

de libertad.
 ELECCIÓN DEL DISEÑO
● Se hacen las siguientes pruebas para la elección del mejor diseño.

2^(7)=128 DISEÑO COMPLETO

2^(7-1)= 2^6=64 MUCHAS PRUEBAS AÚN

2^(7-2)=2^5=32 EL MEJOR DISEÑO

2^(7-3)=2^4=16 NO ALCANZAN LOS GRADOS DE

LIBERTAD
 Por lo tanto, al ser 128
pruebas el diseño
completo, ejecutaremos
32 las cuales equivalen a
¼ llamándole así
fraccionado.

Start Table of contents Back Next

 PLANTEAMIENTO DE LAS HIPÓTESIS
• H0: No existe diferencia significativa entre las medias de los
efectos individuales de los factores.

• H1: Existe al menos una media de un factor con una diferencia

significativa de las demás medias de los factores.
HIPÓTESIS PARA LOS EFECTOS DOBLES
● Ho: Las medias de las interacciones
son iguales entre sí. No existe
diferencia significativa entre ellas.
● H1: Al menos una de las medias de
una interacción doble es diferente a
las demás, y existe una diferencia
significativa entre éstas.
 Haremos uso de este software
estadístico debido a que es de
los más utilizados en el ámbito PROCEDIMIENTO
de los diseños experimentales, EN MINITAB
además de que las opciones
para crear los diseños son muy
fáciles de realizar.

Start Table of contents Back Next

 CREACIÓN
DEL DISEÑO

• En el menú de Minitab,
damos clic, como se muestra
enseguida, en: DOE (Design
of experiments), Factorial,
Create Factorial Design
(Crear diseño factorial).

Start Table of contents Back Next

Como se señaló anteriormente.
• Seleccionamos la opción por default, es decir, factorial a dos
niveles.
• Seleccionamos el número de factores (7)
• Presionamos en Display Available Designs (Mostrar los diseños
disponibles).
Como se observa, al fraccionar a la cuarta parte el
diseño, se ejecutarán 32 corridas.
En el cuadro de diálogo Designs
(diseños), seleccionamos el de ¼
de fracción y…

Podemos pedir a Minitab que el

diseño lo divida en 4 bloques de
4.
En el cuadro de diálogo “Factors” (factores)
podemos cambiar de nombre a los factores
del experimento, y definir sus niveles (bajo
y alto).

Es necesario que definamos si la variable

es de carácter cuantitativo
(numérica) o cualitativa (texto).
En el cuadro de Options (opciones), dejamos
seleccionadas las opciones que vienen por
default, es decir, no plegar el diseño (Do
not fold), aleatorizar las corridas
(randomize runs), y almacenar el diseño
en la hoja de cálculo (Store design in
worksheet)
• En el cuadro Results, seleccionamos solo las opciones
que nos serán útiles, es decir, la tabla de resumen, y las
interacciones por default.

• De momento, para efectos de este proyecto no se harán

uso o explicación de los “alias”.

Damos OK para crear el diseño.

Minitab genera en la parte de Sesión un breve resumen del diseño que
hemos creado.
DISEÑO CREADO
NOTA: El título de la
columna C12 debe ser Y.

• En caso de que los datos sean

texto cambiarlos.
• Posicionarse en el apartado
Datos.
• Seleccionar Cambiar tipo de
datos…
• Seleccionar la opción de
Numérico automático.
 Sólo las columnas definidas como texto deberán tener una T.

● En caso de no corregir el tipo de datos y el

nombre de la columna, no podrá avanzar con el
experimento.
 ¿QUÉ SIGUE?
• Una vez que se tienen las corridas
aleatorizadas, se debe efectuar el proceso
experimental con cada tratamiento.

• Los resultados se registran en la columna

C-12 que hemos creado específicamente
para los valores de la variable de respuesta
(y), que serán los tiempos de
reensamblado.
RESULTADOS
 PROCEDIMIENTO PARA EL ANÁLISIS

● Nos dirigimos al menú

Stat, DOE, Factorial,
Analyze Factorial
Design, para analizar
el diseño creado.
Seleccionamos la variable de respuesta (y), y el orden máximo para
las interacciones (2)
• SELECCIONAR OPCIONES

● En este cuadro podemos cambiar

el nivel de confianza. En nuestro
caso, utilizaremos el nivel de
confianza del 95%, que sabemos
representa un nivel de
significancia del 5%.
• SELECCIONAR
GRÁFICAS.

• Aquí podemos seleccionar

aquellas gráficas que sean
útiles para analizar. Se sugiere
dejar seleccionadas las de
Pareto, la gráfica de
probabilidad normal y la de
residuos vs orden para
verificar los supuestos
estadísticos de normalidad e
independencia.

• Pedimos los residuos

• Finalmente, en los
resultados, seleccionamos
el análisis de varianza y el
resumen del modelo para
que genere el estadístico
R^2.

• Pedimos que almacene los

residuos.
GRÁFICA DE PARETO
EXPLICACIÓN
• La gráfica anterior nos muestra en un
orden de mayor a menor el efecto
producido durante el proceso a
aquellos factores e interacciones que
resultaron significativos; sin
embargo, falta confirmar lo dicho en
esta gráfica en el ANOVA.
• Se puede observar que el mayor
efecto lo produjo el factor de
unidades producidas y el número de
operarios.
GRÁFICA DE PROBABILIDAD NORMAL
 EXPLICACIÓN DE LA
GRÁFICA
Se aprecia que los residuos se ajustan
a la línea recta, lo cual es una
condición ideal.

Existe una buena normalidad, ya que

los puntos no están demasiado
dispersos, además podemos visualizar
que se repitieron los mismos residuos
para varias observaciones, con lo cual
se puede suponer que la variabilidad
estuvo controlada durante el proceso.
GRÁFICA DE RESIDUOS VS ORDEN
 EXPLICACIÓN DE LA GRÁFICA
La independencia estadística se presenta
cuando no existen más de 6 tendencias
consecutivas en los residuos. Podemos
apreciar que en nuestra gráfica, si se
presentan algunas tendencias (de tres
puntos a lo mucho) ascendentes o
descendentes , sin embargo se rompen
inmediatamente, haciendo que no sean
consecutivas.

Sí existe independencia estadística.

ANÁLISIS DE VARIANZA PARA EFECTOS
INDIVIDUALES
● Como sabemos, el criterio de decisión es del 5% tanto para efectos
principales como dobles.

● El ANOVA arroja valores P para cada factor e interacción, y éstos se deben

comparar con el nivel de significancia propuesto.

● Si Pv>5% se acepta H0, y no hay diferencia significativa entre factores o

interacciones.

● Si Pv<5% se rechaza H0 y se acepta H1, es decir, hay diferencia

significativa entre los factores o interacciones.
• Los factores cuyos valores P fueron
menores al nivel de significancia fueron el
número de unidades producidas y el
número de operarios. Son aquellos factores
a los que podemos atribuir los resultados
obtenidos en la variable respuesta.
• Es sencillo entender que al ser dos
operarios disminuye el tiempo de
reensamble; sin embargo, se tiene el
conocimiento de que entre más unidades
sean producidas aumentará el
cronometraje.
ANÁLISIS DE VARIANZA PARA EFECTOS
DOBLES
● Cuando dos o más factores
interactúan entre sí produciendo un
efecto en el proceso, se le llama
interacción.
● En nuestro experimento, no se
presentaron interacciones entre dos o
más factores (ver gráfico de Pareto).
 GRÁFICOS DE
APOYO
Se necesitan gráficas que nos muestren qué
efectos podemos implementar en el proceso
para hacerlo óptimo.
Para eso buscaremos las
gráficas factoriales
(gráficas de efectos
principales y de
interacciones).

Start Table of contents Back Next

GRÁFICO DE EFECTOS PRINCIPALES
 EXPLICACIÓN
• Podemos ver a simple vista cuales efectos tuvieron una
diferencia significativa entre sus medias, ya que tienen
una pendiente de la recta más pronunciada, mientras
que las que no son significativas tienen su pendiente
muy reducida ya que el cambio de valores cuando se
pasa de un tratamiento a otro es mínimo.

• Se aprecia también qué tratamiento (si bajo o alto

nivel) es el que produce la mayor media.
• En el caso del factor unidades producidas, el tratamiento a alto
nivel produce la mayor media (79.43), mientras que su
tratamiento a bajo nivel tuvo una media de (43.25).

• Para el factor de números operarios, el mejor tratamiento es el

de alto nivel también, ya que produce la mayor media (73.81)
con respecto al tratamiento a bajo nivel (48.87).

Habría que implementar esos tratamientos en el proceso para ver la

respuesta del mismo, y ver si se optimiza.
 CONCLUSIÓN
● Debido a la información obtenida, llegamos a la
conclusión de que la empresa debe asignar dos operarios
para realizar los reensamblajes. También se recomienda
mostrar a los empleados los diseños producidos, para
que el proceso de reensamblaje sea más rápido y
disminuir tiempos y costos.
● La confiabilidad de los resultados es aceptable, ya que
R^2 fue de un 91% explicando en esa medida porcentual
la variabilidad que sí puede ser explicada por los
factores.
 EVIDENCIA
FOTOGRÁFIC
A

Start Table of contents Back Next