2007
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
Página 1 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aquí es donde conviene introducir el tiempo
El último factor introducido es el que divide a la carta en dos partes.
Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00 Eje
2.510
1
2.505 2
3
2.500
2.495
Diametro
2.490
Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
2.510
2.505
2.500
2.495
2.490
2.490
Se estudia el rendimiento de un proceso químico (Y), donde se piensa que los factores
que mayor influencia tienen son la temperatura y la presión (X1, X2).
Se diseña un experimento factorial completo con dos réplicas y tomando tres niveles
en cada factor como se muestra en la tabla de rendimientos.
PRESION (psig)
200 215 230
TEMP. 90.4 90.7 90.2
150 90.2 90.6 90.4
90.1 90.5 89.9
160 90.3 90.6 90.1
90.5 90.8 90.4
170 90.7 90.9 90.1
Página 3 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
CONCLUSIONES EN RESIDUALES
Standardized Residual
90 1
Percent
50 0
Gráfica Normal de residuales
deben aproximarse a la línea 10 -1
recta 1 -2
-2 -1 0 1 2 90.0 90.2 90.4 90.6 90.8
Standardized Residual Fitted Value
4.8
1
3.6
Frequency
2.4 0
1.2 -1
0.0 -2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2 4 6 8 10 12 14 16 18
Standardized Residual Observation Order
Residuales vs Y estimada
Cálculo de residuales deben ser aleatorios
Y(i,j) estimada= Promedio de valores en cada celda (i,j)
Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada
Las gráficas factoriales se obtienen de los promedios del rendimiento en cada nivel de cada factor
Página 4 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Least Squares Means for Rendimiento
Temp Mean SE Mean
200 90.37 0.05443
215 90.68 0.05443
230 90.18 0.05443
Presion
150 90.42 0.05443
160 90.25 0.05443
170 90.57 0.05443
Temp*Presion
200 150 90.30 0.09428
200 160 90.20 0.09428
200 170 90.60 0.09428
215 150 90.65 0.09428
215 160 90.55 0.09428
215 170 90.85 0.09428
230 150 90.30 0.09428
230 160 90.00 0.09428
230 170 90.25 0.09428
Temperatura = 215ºC
90.4
90.3
90.2
90.7
no fue
230 significativa
90.6
90.5
Mean
90.4
90.3
90.2
90.1
90.0
Página 5 de 57
90.1
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
90.0
Para obtener el mejor diseño aumentando o disminuyendo los puntos originales en el diseño,
que corresponden a las corridas experimentales individuales. Se pueden usar dos criterios para
obtener el diseño óptimo: Optimalidad - D y optimalidad basada en la distancia.
La optimalidad D minimiza la varianza en los coeficientes de la regresión del modelo del diseño,
proporcionando el mejor estimado de los efectos. Si se especifica el modelo, Minitab selecciona
los puntos de diseño que satisfacen este criterio desde un conjunto de candidatos de puntos.
La optimalidad con base en la distancia dispersa uniformemente los puntos de diseño sobre el espacio
de diseño. Este método se usa cuando no es posible o deseable seleccionar un modelo previo.
Por ejemplo, un constructor de casas verdes, quiere usar el DOE para encontrar la combinación
ópitma de temperatura, iluminación, suelo, y agua que maximize el crecimiento de plantas colgantes.
Para esto crea un diseño de superficie de respuesta con cuatro factores y dos bloques (casas juntas)
genera un diseño con 30 puntos (30 combianciones de niveles). Sin embargo para ahorrar dinero
decide reducir el diseño original a 20 puntos, usando la optimalidad - D como criterio.
Los métodos anteriores se pueden utilizar para identificar un diseño óptimo factorial, de superficie de
respuesta, o de mezclas. Si se usan estos criterios para reducir o para aumentar un diseño depende
de los recursos disponibles, tales como tiempo, equipo, personal y dinero.
Analysis of Variance for Rendimiento, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P
Temp 2 0.46000 0.40743 0.20372 13.58 0.031
Presion 2 0.21225 0.22074 0.11037 7.36 0.070
Temp*Presion 4 0.01941 0.01941 0.00485 0.32 0.848
Error 3 0.04500 0.04500 0.01500
Total 11 0.73667
S = 0.122474 RSq = 93.89% RSq(adj) = 77.60%
90.6
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Mean 90.5
90.4
90.3
90.2
90.1
200 215 230 150 160 170
90.4
Mean
90.2
90.0
Columna de evaluación
De forma adicional se puede agregar una columna adicional para evaluación del diseño, con dígitos
positivos, indicando cuantas veces se incluye un punto de diseño en la evaluación.
Página 7 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
OK OK
Los resultados se muestran a continuación. Como es una sola réplica no hay residuos
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant 893.750 Pareto Chart of the Effects
(response is Y, Alpha = .05)
Caudal 102.625
5.646
Corriente 3.75000 F actor Name
A C audal
A
Velocidad 186.250 B C orriente
C V elocidad
Caudal*Corriente 0.425000 AB
Caudal*Velocidad 30.0000 C
Corriente*Velocidad 0.750000
Term
B
Caudal*Corriente*Velocidad 0.125000
BC
ABC
Y = -893.750 + 102.625 Caudal +
AC
- 0.425 Caudal*Corriente
0 1 2 3 4 5 6 7 8 9
Effect
Lenth's PSE = 1.5
Las gráficas donde se indica cuales factores son significativos son:
Son significativos A y AB
Percent
60
50
40
30
20
10 AB
5
1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5
Los efectos se pueden guardar en una columna y después graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Factorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1.5
-6.5
-0.5
1
0.5
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
16
Mean of Y
14
8 12 230 240
Velocidad
22
20
18
16
14
0.6 1.0
24
Los mejores resultados
22 se obtienen con:
20 Corriente = 230
Mean
18
Caudal = 12
16
14
12
10
230 240
Corriente
Página 9 de 57
14
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
12
10
230 240
Corriente
Hold Values 25
235.5 Velocidad 0.6
20
Y
234.0
15
240
10
232.5 235
8 Intensidad
10 230
Caudal 12
231.0
8 9 10 11 12
Caudal
235.5
234.0
232.5
231.0
8 9 10 11 12
Caudal
Página 10 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Seleccionar y mover las líneas de cada factor hasta obtener el máximo rendimiento:
Respuesta Vibración
Niveles reales Réplica
A B I II III IV
0.063 40 18.2 18.9 12.9 14.4
0.125 40 27.2 24.0 22.4 22.5
0.063 90 15.9 14.5 15.1 14.2
0.125 90 41.0 43.9 36.3 39.9
Number of Factors 2
Number of replicates: 4
Number of Blocks 1 OK
Página 11 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Factors
Factor Name Type Low High
A Diametro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK
Analysis of Variability: DesvRend versus Diametro, Velocidad
Regression Estimated Effects and Coefficients for Ln of DesvRend (coded units)
Ratio
Ratio
Term Effect Effect Coef SE Coef T P
Constant 0.6828 0.4234 1.61 0.353
Página 12 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Diametro 0.5855 1.7959 0.2928 0.4234 0.69 0.615
Velocidad 0.5085 0.6014 0.2542 0.4234 0.60 0.656
RSq = 45.61% RSq(adj) = 0.00%
Analysis of Variance for Ln of DesvRend
Source DF Seq SS Adj SS Adj MS F P
Main Effects 2 2.57323 2.57323 1.2866 0.42 0.738
Residual Error 1 3.06893 3.06893 3.0689
Total 3 5.64216
Regression Estimated Coefficients for Ln of DesvRend (uncoded units)
Term Coef
Constant 0.456062 Pareto Chart of the Standardized Effects
Diametro 9.44367 (Response is ln of DesvRend, Alpha = 0.05)
Velocidad 0.0101695 12.71
Fitted Means for DesvRend
Diametro
Mean SE Mean
Diametro
Term
0.063 1.4770 0.8845
0.125 2.6525 1.5884 Velocidad
Velocidad
40 2.5523 1.5284
90 1.5350 0.9192
0 2 4 6 8 10 12 14
Standardized Effect
Alias Structure
I
Diametro
Velocidad Conclusión: Ningún factor es significativo en la variabilidad
En este punto, se debe reducir el modelo por el método de mínimos cuadrados para determinar que
términos se retienen en el modelo. En este caso solo como ejemplo se toman los dos factores
aunque ninguno fue significativo. Este es solo uno de los diversos modelos reducidos a utilizar.
Una vez seleccionado el modelo reducido se corre con el método ML para tener una mayor precisión.
MLE Estimated Effects and Coefficients for Ln of DesvRend (coded units)
Ratio
Term Effect Effect Coef SE Coef Z P
Constant 0.8440 0.2041 4.13 0.000
Diametro 0.5855 1.7959 0.2928 0.2041 1.43 0.152
Velocidad 0.5085 0.6014 0.2542 0.2041 1.25 0.213
Unusual Observations for Ln of DesvRend
St Ln
St Ln
Obs StdOrder Ln DesvRend Ln Fit SE Ln Fit Ln Resid Resid
2 2 0.80630 1.39098 0.35355 0.58468 2.86 R
3 3 0.28768 0.29700 0.35355 0.58468 2.86 R
R denotes an observation with a large standardized residual.
MLE Estimated Coefficients for Ln of DesvRend (uncoded units)
Term Coef
Constant 0.617305
Diametro 9.44367 Pareto Chart of the Standardized Effects
(Response is ln of DesvRend, Alpha = 0.05)
Velocidad 0.0101695
1.960
Fitted Means for DesvRend
Mean SE Mean Diametro
Diametro
Term
0.063 1.7354 0.5010
0.125 3.1166 0.8997
Velocidad Velocidad
40 2.9989 0.8657
90 1.8035 0.5206
0.0 0.5 1.0 1.5 2.0
Alias Structure Standardized Effect
I
Diametro
Velocidad
- La velocidad tiene un efecto de -0.5. La tasa de efecto indica que la desviación estándar
se reduce a una tasa de 0.6014 cuando la velocidad cambia de baja a alta.
2.0
1
0 Frequency 1.5
-1 1.0
-2 0.5
-3 0.0
1 2 3 4 -3 -2 -1 0 1
Fitted Value Standardized Ln Residual
Versus Order
Standardized Ln Residual
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Observation Order
Página 14 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Standardized Residual
90 1
Percent
50 0
-1
10
1 -2
-2 -1 0 1 2 20 30 40
Standardized Residual Fitted Value
Standardized Residual
3 1
Frequency
2 0
1 -1
0 -2
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Standardized Residual Observation Order
Página 15 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Term Coef
Constant 23.0550
Diametro -96.2400
Velocidad -0.372000
Diametro*Velocidad 5.57600
Esta ecuación es válida en valores no codificados de los niveles es decir para A entre 1/16 y 1/8
y B entre 40 y 90, cualquier valor entre estos rangos.
Las gráficas de Efectos principales indican los factores significativos observando los que salen
de la recta normal e incluso se indican sus nombres como sigue (en este caso A, B y AB):
Normal Plot of the Standardized Effects Half Normal Plot of the Standardized Effects
(response is Resp, Alpha = .05) (response is Resp, Alpha = .05)
Effect Type Effect Ty pe
1.0E+02 Not Significant 1.0E+02 Not Significant
Significant Significant
99.9999
F actor N ame F actor N ame
A D iametro 1.0E+02
A D iametro
99.99 B V elocidad B V elocidad
99.98
Percent
Percent
99
95
80 A 98
95
50 AB
85
80 A
20 B
50 AB
5
20 B
1 0
0 4 8 12 16 0 2 4 6 8 10 12 14
Standardized Effect A bsolute Standardized Effect
A
Term
AB
Página 16 de 57
0 2 4 6 8 10 12 14
Standardized Effect
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
B
0 2 4 6 8 10 12 14
Standardized Effect
Predicción de la respuesta:
Predicted Response for New Design Points Using Model for Resp
Diametro 0.90 Velocidad 50
Point Fit SE Fit 95% CI 95% PI
1 169.9000 18.5456 (129.4926, 210.3074) (129.1430, 210.6570) XX
Los promedios de la vibración considerando cada uno de los niveles de los factores obtenidos
en el análisis del experimento son:
14.925 Página 17 de 57
40.275
90
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Cube Plot (data means) for Vibración
14.925 40.275
90
Velocidad
16.100 24.025
40
0.063 0.125
Diametro
35
30
Mean
25
20
15
40 90
Velocidad
En este caso como buscamos una respuesta de menor es mejor para el caso de la vibración
seleccionamos de los cuatro puntos que forman la interacción de A y B, el que
proporcione la menor repuesta, en este cVelocidad Alta
Diametro Bajo
Diametro Velocidad
32.5
30.0
27.5
Mean
25.0
22.5
20.0
17.5
15.0
0.063 0.125 40 90
Página 18 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
OK
60
50
40
0.07 0.08 0.09 0.10 0.11 0.12
Diametro
40
Vibración 30
20
80
60 Velocidad
0.06
0.08
0.10 40
0.12
Diametro
Página 19 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Optimizador
Al principio se realizó un diseño fraccional de dos niveles y cinco factores (25-2), en cada
condición se midió la fuerza de adhesión en 100 botellas y se tomó como respuesta el promedio.
Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)
Página 20 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Estimated Coefficients for Y using data in uncoded units
Term CoefEcuación de regresión
Constant 36.0000
Cola 2.00000 Y = -36 - 2*Cola + 0.6 Temp Cola + 0.45 Temp secado
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E16
Temp Cola*Presion 0.200000
B
Term
BE
BC
0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
60 D Temp secado
E P resion
50
40
30
20
10 A
Página 21 de 57
5
1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
80 B Temp C ola
B
Mintab V15 70 Módulo 7.
C Diseño
C antidad de experimentos P. Reyes / Nov. 2007
Percent
60 D Temp secado
E P resion
50
40
30
Son significativos los
20
factores A, B, D
10 A
5
1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
20
X Y 30 40
Temp secado
24
23
22
21
20
80 90
24.0
23.5
40
Después de este
experimento de filtración
Temp Cola 24.5 se puede hacer otro más
90
completo sólo con los
Temp secado
16.0
30 80
factores A, B, D
X Y
Cola
y=β 0 +β 1 x1 +β 2 x 2 +...β k xk +ε
Su gráfica de contornos son líneas rectas que nos permiten seguir
experimentando en la trayectoria de ascenso rápido, perpendicular a los contornos
Página 22 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Respuesta
Pasos
Experimentales
k k k−1 k
Y =β 0 + ∑ β i X i + ∑ β ii X 2i + ∑ ∑ β ij X i X j +ε
i=1 i=1 i=1 j=2
Página 23 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Réplicas en (0,0)
para el error puro
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
10 92.07 175 1.414 0 78.4
11 77.93 175 -1.414 0 75.6
12 85 182.07 0 1.41 78.5
13 85 167.93 0 4 77.0
-1.414
Corrida en Minitab:
Página 24 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Stat> DOE > Surface Response > Create Response Surface Design
Stat> DOE > Surface Response > Analyze Surface Response Design
80
70
Percent
60
50
40
30
20
10
5 Página 25 de 57
1
-0.50 -0.25 0.00 0.25 0.50
Residual
50
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Per
40
30
20
10
1
-0.50 -0.25 0.00 0.25 0.50
Residual
80
78
Rendim
76
Página 26 de 57
74 1
0 B
-1 -1
0
A 1
Mintab V15 80
Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
78
Rendim
76
74 1
0 B
-1 0 -1
A 1
Punto óptimo
A=0, B=0.5
0.0
B
-0.5
-1.0
0.5
0.0
B
-0.5
-1.0
Página 27 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Puntos óptimos
Optimal A B
Hi 1.4142 1.4142
D Cur [0.0] [0.1781]
1.0000 Lo -1.4142 -1.4142
Rendim
Targ: 80.0
y = 80.0000
d = 1.0000
x1
x
x 2
...
xk
ˆ1
ˆ 0.995
b 2
... 0.515
ˆ
k
ˆ11 , ˆ12 / 2,..., ˆ1k / 2
ˆ / 2, ˆ22 , ....ˆ2 k / 2
1.376, 0.1250
B 12 0.1250, 1.001
matriz.simetrica , ˆ
kk
Contour Plot of Y
75
Página 28 de 57 76
1
77
78
79
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Contour Plot of Y
75
76
1
77
78
79
80
0
-1
-1 0 1
A
Surface Plot of Y
80.5
79.5
78.5
77.5
Y 76.5
75.5
74.5 1.5
1.0
73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles,
los más utilizados y difundidos según el número de factores a analizar son:
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64
Taguchi sugiere utilizar un estadístico que proporcione información acerca de la media y de la variancia
denominado Relación Señal a Ruido (SNR), como la variable de respuesta.
se consideran tres tipos principales:
Página 29 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a
una máquina de soldar donde por un transportador pasa por un baño de flux para eliminar oxido,
se precalienta para reducir la torcedura y se solda. Se diseña un experimento para determinar
las condiciones que dan el número mínimo de defectos de soldadura por millón de uniones.
F -1
Arreglo interno G -1
H -1
Experimento A B C D E
1 -1 -1 -1 -1 -1 186
2 -1 -1 1 1 1 328
3 -1 1 -1 -1 1 234
4 -1 1 1 1 -1 295
5 1 -1 -1 1 -1 47
6 1 -1 1 -1 1 185
7 1 1 -1 1 1 136
8 1 1 1 -1 -1 194
=-10*LOG10(SUMA.CUADRADOS(J69:M69)/4)
Página 30 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
1 1 -1
1 -1 1
-1 1 1
Experimento SNR
1 187 105 104 -39.37
2 326 247 322 -44.30
3 159 231 157 -41.36
Continuación 4 216 204 293 -43.38
5 125 127 42 -27.42
6 261 264 264 -39.32
7 136 132 136 -36.65
8 197 193 275 -39.74
2 Level Design
Number of factors 5
Designs L8 2**5
OK
Options
Seleccionar Store design in worksheet OK
Página 31 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Terms Seleccionar A, B, C, D , E y AB
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Standardized Residual
Página 32 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Level A B C D E
1 -46.87 -45.17 -42.92 -46.03 -44.50
2 -44.17 -45.87 -48.12 ¿
Delta 2.70 0.70 5.20 1.02 2.04
Rank 2 5 1 4 3
d) Las respuestas promedio y gráficas factoriales para relación Señal a Ruido son:
Página 33 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Factores A, C y E
son significativos
-48
-1 1 -1 1 -1 1
D E
-44
-46
-48
-1 1 -1 1
-47
-1 1
d) Las respuestas promedio y gráficas factoriales para los factores principales son:
175
Mean of Means
150
-1 1 -1 1 -1 1
D E
250
225
200
175
150
-1 1 -1 1
200
A Interacciones no
180
Página 34 de
16057
B
220 -1
1
200
B
1
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
200
A
180
significativas
160
B
220 -1
1
200
B
180
160
-1 1
Nota. Si se presenta conflicto entre los niveles que minimizan la variabilidad o que maximizan la
relación señal a ruido y los que ajustan la media a mayo o menor es mejor, seleccionar los primeros.
Se fabrican bolas de golf con un nuevo diseño para maximizar la distancia de vuelo.
Se han identificado cuatro factores de control, cada uno con dos niveles:
- Material del nucleo (líquido y tungsteno)
- Diámetro del nucleo (118 y 156)
- Número de vueltas (392 y 422)
- Espesor del recubrimiento (0.03 y 0.06)
Se desea probar la interacción entre el material del nucleo y su diámetro.
Como respuesta se mide la distancia en dos clubes de golf como factor de ruido.
Como se quiere maximizar la respuesta se selecciona la relación señal a ruido Mayor es mejor.
1 File > Open worksheet GOLFBALL.MTW. Contiene el diseño y los datos de distancia de respuesta.
Taguchi Analysis: Driver, Iron versus Material, Diameter, Dimples, Thickness
Linear Model Analysis: SN ratios versus Material, Diameter, Dimples, Thickness
Estimated Model Coefficients for SN ratios
Term Coef SE Coef T P
Constant 38.181 0.4523 84.418 0.000
Material Liquid 3.436 0.4523 7.596 0.017
Diameter 118 3.967 0.4523 8.772 0.013
Dimples 392 2.982 0.4523 6.593 0.022
Thicknes 0.03 3.479 0.4523 7.692 0.016
Material*Diameter Liquid 118 1.640 0.4523 3.625 0.068
S = 1.279 RSq = 99.2% RSq(adj) = 97Todos son significativos
Analysis of Variance for SN ratios al 10% de nivel de alfa
Source DF Seq SS Adj SS Adj MS F P
Material 1 94.427 94.427 94.427 57.70 0.017
Diameter 1 125.917 125.917 125.917 76.94 0.013
Dimples 1 71.133 71.133 71.133 43.47 0.022
Página 35 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Thickness 1 96.828 96.828 96.828 59.17 0.016
Material*Diameter 1 21.504 21.504 21.504 13.14 0.068
Residual Error 2 3.273 3.273 1.637
Total 7 413.083
Linear Model Analysis: Means versus Material, Diameter, Dimples, Thickness
Estimated Model Coefficients for Means
Term Coef SE Coef T P
Constant 110.40 8.098 13.634 0.005
Material Liquid 36.86 8.098 4.552 0.045
Diameter 118 51.30 8.098 6.3 Efecto mayor
Dimples 392 23.25 8.098 2.8 Son significativos al 10%
Thicknes 0.03 22.84 8.098 2.820 0.106
Material*Diameter Liquid 118 31.61 8.098 3.904 0.060
S = 22.90 RSq = 97.9% RSq(adj) = 92.6%
Analysis of Variance for Means
Source DF Seq SS Adj SS Adj MS F P
Material 1 10871 10871 10870.8 20.72 0.045
Diameter 1 21054 21054 21053.5 40.13 0.024
Dimples 1 4325 4325 4324.5 8.24 0.103
Thickness 1 4172 4172 4172.4 7.95 0.106
Material*Diameter 1 7995 7995 7994.8 15.24 0.060
Residual Error 2 1049 1049 524.6
Total 7 49465
95
Level Material Diameter Dimples Thickness 90
80
1 41.62 42.15 41.16 34.70 70
Percent
60
2 34.75 34.21 35.20 41.66 50
40
Delta 6.87 7.93 5.96 6.96 30
20
Rank 3 1 4 2 10
Response Table for Means 1
-3 -2 -1 0 1 2 3
Level Material Diameter Dimples Thickness Standardized Residual
1 147.26 161.70 133.65 87.56
2 73.54 59.10 87.15 13Los residuos siguen una distribución
Delta 73.72 102.60 46.50 4normal por lo que el modelo es adecuado.
Rank 2 1 3 4
118
392
0.06
Página 36 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Material Liquid
Diameter 118
Dimples 392
Thickness 0.06
Con estos dtos se puede predecir la respuesta en relación señal a ruido y respuesta para ciertos
niveles seleccionados de los factores, utilizando el modelo del experimento de Taguchi, como sigue:
1. Examinar las tablas de respuesta y las gráficas de efectos principales para identificar los factores
que tienen el mayor efecto en la relación S/N o desviación estándar.
3. Con los resultados de predicción, determinar que combinación de ajuste de factores se acerca a la
media deseada si reducir de manera siginifcativa la relación S/N.
4. Realizar un experimento piloto con los niveles seleccionados para determianr que tan bien predice
el modelo los resultados observados.
Si hay interacciones mínimas o si se consideraron adecuadamente por las predicciones, los resultados
observados serán cercanos a la predicción, y se ha producido un producto robusto. De otra forma
puede ser que algunas interacciones o factores de ruido no considerados, y se debe hacer más
investigación.
Para la predicción se puede decidir que factores e interacciones incluir, para mejorar la predicción.
1 File > Open worksheet GOLFBALL2.MTW. Ya incluye el disño y los datos de respuesta.
2 Stat > DOE > Taguchi > Predict Taguchi Results.
3 Quitar la selección de Standard deviation y Natural log of standard deviation.
4 Click Terms. Incluir los términos A, B, C, D, y AB en el cuadro Selected Terms. Click OK.
5 Click Levels.
6 En Method of specifying new factor levels, seleccionar Select levels from a list.
7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.
Factor Level
Material Liquid
Diameter 118
Dimples 392
Thickness 0.06
7 Click OK en cada cuadro de diálogo
Predicted values
S/N Ratio Mean StDev Ln(StDev)
53.6844 276.262 8.75045 2.26309
Factor levels for predictions
Material Diameter Dimples Thickness
Liquid 118 392 0.06
Minitab 15 Ejemplo de diseño dinámico - Diseños experimentales en cada nivel de la variable dinámica
Se hace un diseño experimental con tres factores: sensor, dispositivo de salida y relevador. Cada
uno con dos niveles. El factor de ruido es el valor real del producto que se mide y la respuesta es
la medición, se han identificado dos condiciones de ruido.
1 File > Open worksheet SENSOR.MTW. El diseño y las respuestas ya están en este archivo.
Página 37 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
1 1 1 25 25.057 25.072
1 1 1 250 250.207 250.441
1 1 2 1.25 1.286 1.292
1 1 2 25 25.048 25.075
1 1 2 250 250.257 250.039
1 2 1 1.25 1.286 1.291
1 2 1 25 25.047 25.075
1 2 1 250 250.213 250.013
1 2 2 1.25 1.296 1.296
1 2 2 25 25.057 25.086
1 2 2 250 250.219 250.35
2 1 1 1.25 1.287 1.29
2 1 1 25 25.049 25.061
2 1 1 250 250.217 250.6
2 1 2 1.25 1.285 1.286
2 1 2 25 25.044 25.065
2 1 2 250 250.2 250.538
2 2 1 1.25 1.288 1.288
2 2 1 25 25.049 25.069
2 2 1 250 250.217 250.585
2 2 2 1.25 1.283 1.288
2 2 2 25 25.044 25.055
2 2 2 250 250.2 250.553
Linear Model Analysis: SN ratios versus Sensor, Output, Relay
Estimated Model Coefficients for SN ratios
Term Coef SE Coef T P
Constant 20.6879 0.3017 68.560 0.000
Sensor 1 2.0050 0.3017 6.645 0.003 Sensor es significativo
Output 1 0.4724 0.3017 1.566 0.192 a un 0.1 de significancia
Relay 1 0.5370 0.3017 1.780 0.150
S = 0.8535 RSq = 92.6% RSq(adj) = 87.0%
Analysis of Variance for SN ratios
Source DF Seq SS Adj SS Adj MS F P
Sensor 1 32.162 32.162 32.1616 44.15 0.003
Output 1 1.785 1.785 1.7855 2.45 0.192
Relay 1 2.307 2.307 2.3071 3.17 0.150
Residual Error 4 2.914 2.914 0.7284
Total 7 39.168
Linear Model Analysis: Slopes versus Sensor, Output, Relay
Estimated Model Coefficients for Slopes
Term Coef SE Coef T P
Constant 1.00122 0.000125 8039.325 0.000
Sensor 1 0.00034 0.000125 2.708 0.054 Sensor es significativo
Output 1 0.00004 0.000125 0.294 0.783 a un 0.1 de significancia
Relay 1 0.00003 0.000125 0.274 0.798
S = 0.0003523 RSq = 65.2% RSq(adj) = 39.1%
Analysis of Variance for Slopes
Source DF Seq SS Adj SS Adj MS F P
Sensor 1 0.000001 0.000001 0.000001 7.33 0.054
Output 1 0.000000 0.000000 0.000000 0.09 0.783
Página 38 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Relay 1 0.000000 0.000000 0.000000 0.07 0.798
Residual Error 4 0.000000 0.000000 0.000000
Total 7 0.000001
Linear Model Analysis: StDevs versus Sensor, Output, Relay
Estimated Model Coefficients for StDevs
Term Coef SE Coef T P
Constant 0.095414 0.002341 40.753 0.000
Sensor 1 0.021261 0.002341 9.081 0.001 Sensor es significativo
Output 1 0.003906 0.002341 1.668 0.171 a un 0.1 de significancia
Relay 1 0.005262 0.002341 2.247 0.088 El Relevador solo es
S = 0.006622 RSq = 95.8% RSq(adj) = 92.6% significativo en este modelo
Analysis of Variance for StDevs
Source DF Seq SS Adj SS Adj MS F P
Sensor 1 0.003616 0.003616 0.003616 82.46 0.001
Output 1 0.000122 0.000122 0.000122 2.78 0.171
Relay 1 0.000221 0.000221 0.000221 5.05 0.088
Residual Error 4 0.000175 0.000175 0.000044
Total 7 0.004135
Delta - Rango 1 90
80
Response Table for Slopes 70
Percent
60
Level Sensor Output Relay 50
40
1 1.001 1.001 1.001 30
20
2 1.002 1.001 1.001 10
Delta 0.001 0.000 0.000 5
Rank 1 2 3 1
-3 -2 -1 0 1 2 3
Standardized Residual
Response Table for Standard Deviations
Level Sensor Output RelaDe la gráfica de residuos se observa que el modelo es
1 0.07415 0.09932 0.1006adecuado
2 0.11668 0.09151 0.09015
Delta 0.04252 0.00781 0.01052
Rank 1 3 2
Los resultados gráficos de las respuestas S/N, media y desviación estándar son los siguientes:
Página 39 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Como se desea reducir la variación en el sistema de medición, se seleccionan los niveles con los
valores más altos de relacióin S/N y menores en desviación estándar.
1 File > Open worksheet SENSOR.MTW. Ya incluye el disño y los datos de respuesta.
2 Stat > DOE > Taguchi > Predict Taguchi Results.
3 Seleccionar Standard deviation y Natural log of standard deviation.
4 Click Terms. Incluir los términos Sensor, Output, Relay en el cuadro Selected Terms. Click OK.
5 Click Levels.
6 En Method of specifying new factor levels, seleccionar Select levels from a list.
7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.
Factor Nivel
Sensor 1
Output 2
Relay 2
Predicted values
S/N Ratio Slope StDev Ln(StDev)
23.7024 1.00082 0.0649857 2.72803
Factor levels for predictions
Sensor Output Relay
1 2 2
Página 40 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Cualquier punto sobre los lados del triángulo representan mezclas binarias donde uno de los
componentes es ausente, como por ejemplo:
Las mezclas trisección en los lados tienen 1/3 de un componente y 2/3 del otro componente.
Estos `puntos dividen a cada lado en tres partes iguales,
Página 41 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Las mezclas completas estan en el interior del espacio de diseño donde todos los
componentes estan presentes en alguna proporción.
Los diagramas indicados abajo muestran algunos diseños que se pueden crear,
se pueden generar diseños hasta de grado 10.
Página 42 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
4 Click Designs. seleccionar Augment the design with axial points. Click OK.
5 Click Components. en Name, poner Neroli, Rose, y Tangerine en renglones 1 a 3. Click OK.
Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Point Type 1 2 3 0 -1
Distinct 3 3 0 1 3
Replicates 1 1 0 1 1
Total number 3 3 0 1 3
Design Table
X1 X2 X3
Run Type A B C
Página 43 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
X1 X2 X3 Rendimiento
0 0 1
0 0.333 0.667
0 0.667 0.333
0 1 0
0.333 0 0.667
0.333 0.333 0.333
0.333 0.667 0
0.667 0 0.333
0.667 0.333 0
1 0 0
X2
(q m 1)!
Puntos
m !(q 1)!
X1 X 2 X 3 1 Página 44 de 57
q
E (Y ) i X i
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
(q m 1)!
Puntos
m !(q 1)!
X1 X 2 X 3 1
q
E (Y ) i X i
i 1
X1 X2 X3 Rendimiento
0 0 1 16.8 16.0 2 replicas
0 0.5 0.5 10.0 9.7 11.8 3 Réplicas
0 1 0 8.8 10.0 2 replicas
0.5 0 0.5 17.7 16.4 16.6 3 replicas
0.5 0.5 0 15.0 14.8 16.1 3 replicas
1 0 0 11.0 12.4 2 replicas
X2
Corrida en Minitab
Paso 1. Generar el diseño de experimentos de mezclas.
En Designs:
Degree of Lattice 2
Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Point Type 1 2 3 0 -1
Distinct 3 3 0 0 0
Replicates 2 3 0 0 0
Página 45 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Total number 6 9 0 0 0
Paso 3. Obtener la gráfica del diseño triangular del modelo Simplex Lattice
A
1
2
3 3
0 0
2 3 2
1 0 1
B C
Página 46 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Responses – Elongation OK
En Graphs > Residual Plots Seleccionar Normal Plot – ver adecuación del modelo
OK
Gráfica de residuos
95
90
80
70
Percent
60
50
40
30
20
10
1
-2 -1 0 1 2
Residual
Página 47 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
15
Fitted Elongación
14
13
12
11
10
9
-0.50 -0.25 0.00 0.25 0.50 0.75
deviation from reference blend in proportion
14
Elongación
12 A
1.00
10 0.00
0.00
B
1.00 0.00
1.00
C
A
1
Elongació
< 10
10 - 12
12 - 14
14 - 16
> 16
0 0
Combinación para
respuesta máxima
1 0 1
B C
A Página 48 de 57
1
Elongación
12
14
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
A
1
Elongación
12
14
0 0
1 0 1
B C
Página 49 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
A
1
0 0
1 0 1
B C
Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Point Type 1 2 3 0 -1
Distinct 3 3 0 1 3
Replicates 2 1 0 2 1
Total number 6 3 0 2 3
Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Página 50 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Point Type 1 2 3 0 -1
Distinct 3 3 0 1 3
Replicates 2 1 0 2 1
Total number 6 3 0 2 3
25.0
24.5
RENDIMIENTO 24.0
A
1.00
23.5
0.00
0.00
B
1.00 0.00
1.00
C
Página 51 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
A
1
RENDIMIENTO
< 23.2
23.2 - 23.6
23.6 - 24.0
24.0 - 24.4
24.4 - 24.8
> 24.8
0 0
1 0 1
B C
A
1
RENDIMIENTO
23.5
24.5
0 0
1 0 1
B C
Estimate in
23.5 24 25
Components
0.3 0.3 0.4
RENDIMIE
Targ: 24.0
y = 24.0134
d = 0.97319
Página 52 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Diseño con restricción de límite superior Diseño con restricciones de límite inferior
Las líneas grises representan las restricciones inferior y superior de los componentes. El área
sombreada representa el espacio de diseño.. Los puntos se colocan en los vértices
extremos del espacio de diseño.
Página 53 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
RunOrder A B C Amount
1 17 2 1 20
2 5 14 1 20
3 5 2 13 20
4 9 6 5 20
5 13 4 3 20
6 7 10 3 20
7 7 4 9 20
8 34 4 2 40
9 10 28 2 40
10 10 4 26 40
11 18 12 10 40
12 26 8 6 40
13 14 20 6 40
14 14 8 18 40
Las variables de proceso son factores en un experimento que no son parte de la mezcla, pero que
pueden afectar las propiedades de la mezcla. Por ejemplo las propiedades adhesivas de una pintura
puede depender de la temperatura a la que se aplica.
Se permiten hasta 7 factores con dos niveles en el diseño de mezclas. Las variables del proceso
se pueden incluir como diseño factorial completo o fraccional. El diseño de mexclas se genera con
cada una de las combinaciones de los niveles de variables de proceso o en una fracción de las mismas
Por ejemplo, se quiere agregar una restricción lineal en la siguiente situación de humedad de
ingredientes (huevos, leche, aceite) en una mezcla de pastel de modo que en conjunto no sea
menor a 40% ni mayor a 60% de la mezcla total. Si se permiten cantidades iguales de estos
ingredientes, se deben usar los valores siguientes para la restricción lineal: valor bajo de 0.4,
valor superior de 0.6, y los coeficientes de los componentes son 1. Para el caso de una mezcla
de cuatro componentes, se puede tener:
Página 54 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
Página 55 de 57
ARCHIVO ROTOR.MTW
Contiene datos de diámetros de ejes tomados durante
un periodo de tiempo.