Professional Documents
Culture Documents
Coatzacoalcos.
División de Ingeniería Industrial.
No
Control: 17081143.
ÍNDICE.
Introducción. 3
Conclusión.
Referencias bibliográficas.
2
INTRODUCCIÓN.
El objetivo de un diseño factorial es estudiar el efecto de varios factores sobre una
o varias respuestas o características de calidad, es decir, lo que se busca es
estudiar la relación entre los factores y la respuesta, con la finalidad de conocer
mejor cómo es esta relación y generar conocimiento que permita tomar acciones y
decisiones que mejoren el desempeño del proceso. Por ejemplo, uno de los
objetivos particulares más importantes que en general tiene un diseño factorial es
determinar una combinación de niveles de los factores en la cual el desempeño del
proceso sea mejor que en las condiciones de operación actuales, es decir, encontrar
nuevas condiciones de operación del proceso que eliminen o disminuyen cierto
problema de calidad en la variable de salida.
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador,
la presencia o ausencia de una operación previa, etc.) , o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para poder estudiar la manera en
cómo influye cada factor sobre la variable respuesta, es necesario elegir al menos
dos niveles de prueba para cada uno de ellos. Con el diseño factorial completo se
corren aleatoriamente en el proceso todas las posibles combinaciones que pueden
formarse con los niveles seleccionados.
3
UNIDAD 5. ‘’ DISEÑOS FACTORIALES’’.
5.1 DISEÑOS FACTORIALES CON DOS FACTORES.
(5.22)
Donde,
4
j es el efecto (positivo o negativo) sobre la respuesta debido a que se observa el
nivel j del factor T . Se verifica que J = 0,
j=1 i
Parámetros Número
i I-1
j J-1
ij
2 1
5
Total IJ + 1
(5.23)
6
La estrategia a seguir es:
7
Más en general, la familia de diseños factoriales 2k consiste en k factores, todos con
dos niveles de prueba; la familia de diseños 3k consiste de k factores cada uno con
tres niveles de prueba.
Diseño Factorial 22
Supongamos que se tienen dos factores A: tiempo y B: velocidad, cada uno con dos
niveles (bajo y alto), la respuesta es la cantidad de aditivo. En el experimento, cada
tratamiento se corrió tres veces (tres réplicas) lo que da un total de 12 corridas del
proceso. Por simplicidad sólo se muestra los resultados de la primera réplica:
Velocidad
Tiempo
600 1000
17,10 18,76
3 ─ ─
─ ─
16,26 18,16
6 ─ ─
─ ─
16.26+18.16 17.10+18.76
Efecto A: 𝑇𝑖𝑒𝑚𝑝𝑜 = − = −0.72
2 2
18.76+18.16 17.10+16.26
Efecto B: 𝑉𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 = − = 1.78
2 2
Por otro lado, se dice que dos factores interactúan entre sí o que tienen un efecto
de interacción sobre la variable respuesta, cuando el efecto de un factor depende
del nivel en que se encuentra el otro. Por ejemplo, los factores tiempo y velocidad
interactúan si el efecto del tiempo es muy diferente en cada nivel de velocidad, o
8
viceversa, si el efecto de la velocidad depende del tiempo. Veamos esto con los
datos:
Si estos dos efectos de A en función del nivel B fueran diferentes, entonces eso
sería evidencia de que la elección más conveniente del nivel de A depende del nivel
en que esté B y viceversa. Es decir, eso sería evidencia de que los factores A y B
interactúan entre sí. En la práctica el cálculo del efecto de A en cada nivel de B no
se hace, y más bien se calcula el efecto global de la interacción entre los dos
factores. El efecto de interacción entre A y B, denotado por AB se calcula como la
diferencia entre la respuesta media cuando ambos factores se encuentran en el
mismo nivel ((bajo,bajo),(alto,alto)), y la respuesta media cuando los factores se
encuentran en niveles opuestos ((bajo, alto),(alto, bajo)). Para el ejemplo el efecto
de la interacción tiempo x temperatura está dado por:
Los valores absolutos de los efectos principales y del efecto de la interacción son
una medida de la magnitud de su efecto sobre la variable respuesta. Así, entre más
grande sea el valor absoluto de un efecto, mayor influencia tendrá sobre la variable
respuesta. Sin embargo, para saber si los efectos son estadísticamente
significativos se requiere del análisis de varianza.
9
importantes, antes de hacer un estudio más detallado con los factores que si
son importantes.
3. Pueden utilizarse en combinación con diseños de bloques en situaciones en
las que no puede correrse el diseño factorial completo bajo las mismas
condiciones o circunstancias.
4. La interpretación y cálculo de los efectos en los experimentos factoriales se
puede hacer con aritmética elemental, en particular cuando cada factor se
prueba en dos niveles.
Modelo Estadístico:
10
estimación de los parámetros en este modelo sea única, se introducen las
restricciones:
Para el Factor A
𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 = 0
𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴 ≠ 0
𝐻0 : 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑎 = 0
𝐻1 : 𝛼𝑖 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖
Para el Factor B
𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐵 = 0
𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐵 ≠ 0
𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑏 = 0
𝐻1 : 𝛽𝑗 ≠ 0 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑗
𝐻0 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴𝐵 = 0
𝐻1 : 𝐸𝑓𝑒𝑐𝑡𝑜 𝐴𝐵 ≠ 0
11
Ó
SST=SSA+SSB+SSAB+SSE
Los resultados del ANOVA para dos factores pueden ser extendidos a un caso
general en donde a son los niveles del factor A, b son los niveles del factor B, c son
los factores del nivel C, y así sucesivamente, los cuales pueden ser arreglados en
un experimento factorial, en el cual el número de réplicas es n.
Está diseñada para generar procesos de calidad. TAGUCHI desarrolló una
aproximación al diseño de experimentos con el objetivo de reducir los costos
emanados de la experimentación, esta aproximación es más práctica que teórica y
se interesa mas por la productividad y los costos de producción que en las reglas
12
estadísticas. Los conceptos de estas técnicas están basados en las relaciones de
costos y ahorros.
Diseñar un sistema de manufactura para elaborar un producto requiere de
conocimientos técnicos además de una gran experiencia en el área a la cual
pertenece el producto.
Los diseños factoriales son ampliamente utilizados en experimentos en los que
intervienen varios factores para estudiar el efecto conjunto de estos sobre una
respuesta. Existen varios casos especiales del diseño factorial general que resultan
importantes porque se usan ampliamente en el trabajo de investigación, y porque
constituyen la base para otros diseños de gran valor práctico.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad
El diseño factorial fraccionario 2 k-p se usa en experimentos de escrutinio para
identificar con rapidez y de manera eficiente el subconjunto de factores que son
activos, y para obtener alguna información sobre la interacción. La propiedad de
proyección de estos diseños hace posible en muchos casos examinar los factores
activos con más detalle. La combinación secuencia de estos diseños a través del
plegamiento es una forma muy eficaz de obtener información extra acerca de las
interacciones, la cual puede identificarse en un experimento inicial como
potencialmente importante.
Este diseño es una variación del diseño 2k y son muy útiles como las que se
emplean cuando todos los factores actúan a tres niveles.
En los últimos años se ha observado un creciente interés por algunas de las ideas
del profesor Genechi Taguchi acerca del diseño experimental y su aplicación al
mejoramiento de la calidad.
Este es un diseño que consta de k factores con tres niveles cada uno. Los factores
y las interacciones se representan mediante letras mayúsculas. Los tres niveles de
los factores pueden referirse como nivel inferior, intermedio y superior. Estos
niveles se representan mediante los dígitos 0 (nivel inferior), 1 (intermedio) y 2
(superior).
Cada combinación de tratamientos de un diseño 3k se presenta mediante k dígitos,
donde el primero incida el nivel de A, el segundo señale al nivel de B, ..... y el k-
ésimo dígito, el nivel del factor k.
Por ejemplo, es un diseño 32 el 00 representa la combinación de tratamientos, en la
que tanto el factor A como el B están en el nivel inferior, y el 01 representa la
combinación de tratamientos que corresponde al factor A en el nivel inferior y a B
en el nivel intermedio.
14
En éste, el sistema de notación que se prefiere usar es el de + - en virtud de que
facilita la interpretación geométrica del diseño y de que es directamente aplicable al
modelado por regresión, la formación de bloques y la construcción de factoriales
fraccionarios.
La adición de un tercer nivel permite modelar con una relación cuadrática la relación
entre la respuesta y cada factor.
En el modelo de efectos aleatorios, los niveles del factor son una muestra aleatoria
de una población de niveles. Este modelo surge ante la necesidad de estudiar un
factor que presenta un número elevado de posibles niveles, que en algunas
ocasiones puede ser infinito. En este modelo las conclusiones obtenidas se
generalizan a toda la población de niveles del factor, ya que los niveles empleados
en el experimento fueron seleccionados al azar.
yij = µ + τi + uij
Con la diferencia de que ahora τi son variables aleatorias. Además este modelo
requiere que las variables τi y uij sean independientes y sigan distribuciones
normales con media 0 y varianza constante σ2τ y σ2, respectivamente. Así, por la
independencia entre las variables τi y uij, la varianza de cualquier observación de la
muestra, es decir, la varianza total, denotada por σ2T, vale:
σ2T = σ2τ + σ2
H0: σ2τ = 0
Si se acepta H0, σ2τ = 0, significa que todos los tratamientos son idénticos; en
cambio, si se acepta H1, σ2τ > 0, significa que existe variabilidad entre los
tratamientos.
Donde µ es la media global, Eij son variables (una para cada muestra) distribuidas
normalmente, con media 0 y varianza σ2 (como en el modelo I) y Ai es una variable
distribuida normalmente, independiente de las eij, con media 0 y varianza σ2.
16
Para llegar a este resultado se utiliza la asunción de independencia entre Ai y Eij y
es, por tanto, muy importante en el modelo y conviene verificar si es correcta en
cada caso.
Por tanto, en H0 tanto MSA como MSE estiman σ2, mientras que en H1, MSE sigue
estimando s2 y MSA estima σ2 + nσ2a. La existencia de esta componente añadida
se contrasta con F= MSA/MSE y en caso afirmativo, la varianza de Ai se estima
como:
Como en el modelo de efectos fijos, consideremos las expresiones de y i., Ӯi., y.. e
Ӯ.., en función de los parámetros del modelo, con objeto de poder hallar las
esperanzas de las varianzas muéstrales.
17
En el modelo equilibrado o balanceado, el número de observaciones en cada nivel
del factor es el mismo. Fijando dicho valor en n, el número total de observaciones
es N = I × n. En este caso se obtiene la siguiente expresión para la esperanza de la
varianza entre tratamientos
E(S2Tr) = nσ2τ + σ2
σ2 = S2R
S2R = σ2.
σ2 = S2R
En el caso de que la varianza residual sea mayor que la varianza entre tratamientos,
el método de componentes de la varianza conduce a una estimación negativa de
18
σ2τ. Evidentemente esto carece de sentido, al tratarse de un parámetro no negativo.
Cuando esto ocurre se puede adoptar alguna de las siguientes alternativas:
19
CONCLUSIÓN.
20
REFERENCIAS BIBLIOGRÁFICAS.
21