Diseño de Experimentos.
Practicas:
Diseño factorial, Diseño factorial 2k con replicas y Diseño
factorial sin replicas
Alumnos:
Grupo: 562
Ejemplo 1: Un ingeniero diseña una batería para su uso en un dispositivo que será
sometido a ciertas variaciones extremas de temperatura. El único parámetro de diseño
que el puede seleccionar en este punto es el material de la cubierta de la batería y tiene
tres alternativas. Cuando el dispositivo se manufactura y se envía al campo, el ingeniero
no tiene control sobre los extremos de temperatura a que será expuesto el dispositivo y
sabe por experiencia que es probable que la temperatura influya en la duración efectiva
de la batería. Sin embargo, sí es posible controlar la temperatura en el laboratorio de
desarrollo del producto para los fines de ensayo.
A:Tipo de B:Temperatura oF
Material 15 70 125 Yi..
1 130 155 34 40 20 70
74 180 539 80 75 229 82 58 230 998
2 150 188 136 122 25 70
159 126 623 106 115 479 58 45 198 1300
3 138 110 174 120 96 104
168 160 576 150 139 583 82 60 342 1501
Y.j. 1738 1291 770
Y… 3799
90 25
Porcentaje
Residual
0
50
-25
10
-50
1
-50 -25 0 25 50 50 75 100 125 150
Residual Fitted Value
25
7,5
Frecuencia
Residual
0
5,0
-25
2,5
-50
0,0
-60 -45 -30 -15 0 15 30 45 1 5 10 15 20 25 30 35
Residual Observation Order
Pareto Chart of the Standardized Effects
Ferré, Ledesma, Montoya
(response is Duracion, α = 0.05)
Term 2,052
Factor Name
A Tipo de Material
B Temperatura
B
AB
0 1 2 3 4 5 6 7
Standardized Effect
graphs
Ferré, Ledesma, Montoya
Fitted Means
Tipo de Material Temperatura
150
140
130
Mean of Duracion
120
110
100
90
80
70
60
1 2 3 15 70 125
graphs
Ferré, Ledesma, Montoya
Fitted Means
Tipo de Mate * Temperatura Temperatura
15,0
150 70,0
125,0
Mean of Duracion
125
100
75
50
Conclusión:
B: profundidad (Pulg.)
0.15 0.18 0.21 0.24 Totales (Yi..)
A: Velocidad (Pulg/min)
74 79 82 99
0.20 64 198 68 220 88 262 104 299 979
60 73 92 96
92 98 99 104
0.25 86 266 104 290 108 302 110 313 1171
88 88 95 99
99 104 108 114
0.30 98 299 99 298 110 317 111 332 1246
102 95 99 107
Totales (Y.j.) 763 808 881 944 Y…=3396
Elaborar la tabla ANOVA para determinar si el efecto de los factores
considerados es significativo, al igual que la interacción de estos dos factores. Use
0.05 .
Gráfica de efectos principales para Medición
Ferré, Ledesma, Montoya
Medias ajustadas
Velocidad Profundidad
105
100
Media de Medición
95
90
85
80
0.20 0.25 0.30 0.15 0.18 0.21 0.24
Gráfica de interacción para Medición
Ferré, Ledesma, Montoya
Medias ajustadas
Velocidad * Profundidad Profundidad
0,15
110
0,18
0,21
0,24
Media de Medición
100
90
80
70
60
0.20 0.25 0.30
Velocidad
Conclusión:
90 40
Porcentaje
Residual
50 0
-40
10
1 -80
-100 -50 0 50 100 140 160 180 200 220
Residual Fitted Value
6 40
Frecuencia
Residual
4 0
2 -40
0 -80
-80 -40 0 40 80 1 5 10 15 20 25 30 35
Residual Observation Order
AB
AC
184
Mean of Respuesta
182
180
178
176
174
172
Montes Becerra $1 $5 $10 Izqierda Derecha Ambas
Graficas Factoriales
Ferré, Ledesma, Montoya
Fitted Means
Estudiante * Moneda Moneda
200 $1
$5
190
$10
Mean of Respuesta
180
170
160
170
160
Conclusión:
Tras realizar de nuevo el experimento fue Montes que fue la que estuvo más
cerca al target, tras realizar otro experimento solo con la ganadora se determinó que
efectivamente ella lanza mejor con la mano derecha.
Diseños Factoriales 2k
Ejemplo 1: Una investigación llevada a cabo para estudiar el efecto que tienen la
concentración de un reactivo y la presencia de un catalizador sobre el tiempo de
reacción de un proceso químico. Sea la concentración del reactivo el factor A con dos
niveles de interés, 15 y 20%. El catalizador constituye el factor B; el nivel alto o superior
denota el uso de dos sacos de catalizador y el nivel bajo o inferior denota el uso de un
solo saco. El experimento se realiza tres veces y los datos son como sigue:
Combinación de Réplica
tratamientos I II III Total
A baja, B baja 28 25 27 80
A alta, B baja 36 32 32 100
A baja, B alta 18 19 23 60
A alta, B alta 31 30 29 90
Determinar si estos factores afectan el tiempo de reacción del proceso químico y cuál es
el tratamiento con el que se logran los mejores resultados. Use 0.05.
A B AB Notación
Efecto principal.
- - + (1)
+ - - A
- + - B
+ + + AB
Gráfica de distribución
Gráfica de distribución Ferré, Montoya, Ledesma
Ferré, Ledesma, Montoya F; df1=1; df2=8
F; df1=1; df2=8
19,4
3,6
0,4
0,4
0,3
0,3
Densidad
Densidad
0,2 0,2
0,1 0,1
0.1 0.05
0,0 0,0
0 3.458 0 5.318
X X
Gráfica de distribución
Ferré, Ledesma, Montoya
F; df1=1; df2=8
2,12
0,4
0,3
Densidad
0,2
0,1
0.05
0,0
0 5.318
X
Diagrama de Pareto de efectos estandarizados
Ferré, Montoya, Ledesma
(la respuesta es Replica, α = 0.05)
Término 2,306
Factor Nombre
A A
B B
A
AB
0 1 2 3 4 5 6 7 8
Efecto estandarizado
90 2
Porcentaje
Residuo
50
0
10
-2
1
-5,0 -2,5 0,0 2,5 5,0 20 25 30 35
Residuo Valor ajustado
2
3
Frecuencia
Residuo
2
0
-2
0
-2 -1 0 1 2 3 1 2 3 4 5 6 7 8 9 10 11 12
Residuo Orden de observación
Gráfica de efectos principales para Replica
Ferré, Ledesma, Montoya
Medias ajustadas
A B
32
31
30
Media de Replica
29
28
27
26
25
24
23
-1 1 -1 1
30
28
26
24
22
20
-1 1
A
Conclusion:
Dado el gráfico ANOVA, en él pudo verse que todos los factores afectaron
en el proceso químico excepto AB, se obtuvo también que debe usarse el
catalizador a un 15% con B en su nivel alto.
Diseños Factoriales 2k
Ejemplo 2: Una empresa embotelladora de refresco está interesada en obtener alturas
de llenado más uniformes en las botellas que se fabrican en su proceso de
manufactura. Teóricamente, la máquina de llenado llena cada botella a la altura objetivo
correcta, pero en la práctica, existe variación en torno a este objetivo y a la
embotelladora le gustaría entender mejor las fuentes de variabilidad y en última
instancia reducirla.
El ingeniero del proceso puede controlar tres variables durante el proceso de llenado: el
porcentaje de carbonatación (A), la presión de operación en el llenador (B) y las botellas
producidas por minuto o rapidez de línea (C). Es sencillo controlar la presión y la
rapidez, pero el porcentaje de carbonatación es más difícil de controlar durante la
manufactura real, debido a que varía con la temperatura. Sin embargo, para los fines
del experimento, el ingeniero puede controlar la carbonatación a dos niveles: 10 y 12
por ciento. Elige dos niveles para la presión (25 y 30 Psi) y dos niveles para la rapidez
de línea (200 y 250 bpm). El ingeniero decide correr dos réplicas de un diseño factorial
con estos tres factores, haciendo las 16 corridas en orden aleatorio. La variable de
respuesta observada es la desviación promedio de la altura del llenado objetivo que se
observa en una corrida de producción de botellas con cada conjunto de condiciones. En
la siguiente tabla se muestran los datos de este experimento. Las desviaciones
positivas son alturas de llenado arriba del objetivo, mientras que las desviaciones
negativas son alturas de llenado abajo del objetivo.
Encuentre cuales son los factores que afectan a esta variable de respuesta. Use
0.05 .
Efectos Principales.
Diagrama de Pareto de efectos estandarizados
Ferré, Ledesma, Montoya
(la respuesta es Respuesta, α = 0.05)
Término 2,306
Factor Nombre
A A Carbonatacion
B Presion
B C Velocidad
AB
BC
ABC
AC
0 1 2 3 4 5 6 7 8
Efecto estandarizado
90
0,5
Porcentaje
Residuo
50 0,0
-0,5
10
-1,0
1
-1 0 1 -2 0 2 4 6
Residuo Valor ajustado
4,5 0,5
Frecuencia
Residuo
3,0 0,0
-0,5
1,5
-1,0
0,0
-1,0 -0,5 0,0 0,5 1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Residuo Orden de observación
Gráfica de efectos principales para Respuesta
Ferré, Ledesma, Montoya
Medias ajustadas
Carbonatacion Presion Velocidad
2,5
2,0
Media de Respuesta
1,5
1,0
0,5
0,0
-0,5
-1 1 -1 1 -1 1
-1 1 -1 1
Carbonatacio Presion
Conclusion:
0 5 10 15 20
Efecto
PSE de Lenth = 2.625
AD
0 2 4 6 8 10
Efecto estandarizado
Gráficas de residuos para Resultados
Ferré, Ledesma, Montoya
Gráfica de probabilidad normal vs. ajustes
99
5,0
90
2,5
Porcentaje
Residuo
50 0,0
-2,5
10
-5,0
1
-10 -5 0 5 10 40 60 80 100
Residuo Valor ajustado
3 2,5
Frecuencia
Residuo
0,0
2
-2,5
1
-5,0
0
-6 -4 -2 0 2 4 6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Residuo Orden de observación
80
Media de Resultados
75
70
65
60
-1 1 -1 1 -1 1
Ferré, Ledesma, Montoya
80
70
60
50
A*D C*D D
-1
90 1
80
70
60
50
-1 1 -1 1
A C
Óptima A C D
Alto 1.0 1.0 1.0
D: 0,9447Act [1.0] [-1.0] [1.0]
Predecir Bajo -1.0 -1.0 -1.0
Resultad
Máximo
y = 100,6250
d = 0,94467
Conclusión:
Una vez analizado el diseño del experimento se puede decir que la mejor forma
para llevar acabo el proceso del nivel de goteo es tener a la temperatura y el nivel de
agitación en nivel alto, la concentración en su nivel bajo. Por otro lado, la presión en
este caso no presentó de importancia.