1.

Comentarios y Definiciones

Experimento: serie de pruebas en las que se hacen cambios deliberados en las variables de entrada de un proceso o sistema para observar e identificar las razones de los cambios que pudieran observarse en la respuesta de salida. Aplicacin: diseo de nuevos productos, procesos y mejoramiento de procesos. La ventaja principal de los mtodos estadsticos es que agregan objetividad al proceso de toma de decisiones. La ingeniera esta por todos lados y no es difcil, lo difcil es ver que tan fcil son las cosas. Con el diseo de experimentos se introducen cambios en los niveles de las variables (2^k) suficientemente pequeos para que no ocurran perturbaciones serias en el rendimiento, la calidad o la cantidad pero lo suficientemente grandes para descubrir las mejoras potenciales en el desempeo del proceso. (Realizarlo por periodos) Con frecuencia se usan experimentos diseados estadsticamente para investigar las fuentes de variabilidad que afectan un sistema. (Ej: instrumento de medicin 12.2) La escalacin de una planta piloto al proceso de produccin a gran escala da por lo general como resultado la distorsin de las condiciones optimas. Si la planta alcanza el optimo, con el tiempo se desva de ese punto debido a las variaciones en las materias primas, los cambios ambientales, personal etc. Es normal la resistencia al cambio por sentirnos cmodos en cierto punto pero debemos tener en cuenta que podemos estar mejor. Detrs de cada inferencia estadstica siempre hay una incertidumbre.

Diseo Robusto: -Diseo de sistemas (productos o procesos) que no sean sensibles a factores externos (ambientales, variabilidad de los componentes del sistema) que puedan afectar su desempeo. -Diseo de procesos para que el producto final este tan cerca como sea posible de las especificaciones nominales, aun cuando no sea posible controlar con toda precisin algunas variables (ej: temperatura) o las caractersticas de las materias primas.

-Determinar las condiciones de operacin que optimizan las condiciones del proceso, reducen costos y aumentan su confiabilidad y competitividad. La clave de un diseo robusto es ajustar los factores controlables que minimicen la variabilidad transmitida por los factores de ruido.
Proceso robusto (objetivo): proceso que sea afectado en forma mnima por fuentes de variabilidad externa. Producto robusto: seleccin de los parmetros de diseo para que el producto tenga un buen funcionamiento en una amplia variedad de condiciones.

2. Pautas Generales para disear experimentos

-La fase de planeacin es crtica para lograr el xito de los objetivos. -Saber que va a estudiarse. -Qu tipo de diseo de experimento va a realizarse. -Como van a colectarse los datos. -Como se analizaran los datos.

1. Identificacin del problema: enunciar especficamente el problema (con la que todos estn de acuerdo) [es conveniente hacer inicialmente una lista de problemas o preguntas] y establecer un objetivo global y especficos con un equipo de todas las reas (ingeniera, control de calidad, manufactura, mercadotecnia, administracin, clientes). Frecuentemente es necesario un enfoque secuencial con una serie de experimentos para responder las cuestiones clave. Identificar: Sistema nuevo => caracterizacin o tamizado de los factores. Sistema maduro => optimizacin, confirmacin, descubrimiento y estabilidad
Confirmacin: el sistema se comporta de la misma manera ahora que antes. Descubrimiento: que ocurre con nuevas condiciones de operacin, materiales o variables. Estabilidad: bajo qu condiciones las variables de respuesta sufren una degradacin seria.

2. Eleccin de los factores, los niveles y los rangos: -Saber cmo van a controlarse y medirse los factores en los valores deseados.

Factores del diseo (por estudiar), factores que se mantienen constantes (mediante equipos ), factores que se les permite variar (pequeos compensados por aleatorizacin) y factores perturbadores controlables (bloques), no controlables (covarianza, ej: humedad) y de ruido. -El rango seleccionado deber ser relativamente grande (especialmente en tamizado y en las etapas iniciales que no se conocen los niveles con mejores resultados).

3. Seleccin de la variable de respuesta: debe proporcionar informacin til acerca del proceso bajo estudio. La mayora de las veces ser el promedio o la desviacin estndar (o ambos). Es importante la eficiencia de los instrumentos de medicin (en caso de que los instrumentos de medicin es pobre se deben medir varias veces la unidad experimental y usar el promedio) 4. Eleccin del diseo experimental: considerar la cantidad de replicas, seleccin del orden de corridas (aleatorizacin), formacin de bloques. 5. Realizacin del experimento: se debe monitorear con atencin el proceso para asegurarse que se est realizando conforme a la planeacin. Se recomienda llevar a cabo corridas de prueba (para evaluar los equipos, sistema de medicin, idea del error experimental, tiempo necesario, costos).

6. Anlisis estadstico de los datos: aplicar los mtodos estadsticos para obtener conclusiones objetivas. Los procedimientos de prueba de hiptesis e intervalos de confianza son muy tiles en el anlisis de datos. 7. Conclusiones y recomendaciones: las graficas son tiles y es recomendable realizar corridas de confirmacin y seguimiento. Este es un proceso de aprendizaje ya que nadie sabe cules son los factores, niveles o rangos ideales a escoger. Se formulan nuevas hiptesis conforme se obtienen nuevos resultados. Tener presente que el proceso es gradual e iterativo y es recomendable no disear un experimento extenso al principio del estudio sino mejor aprender sobre la marcha con experimentos secuenciales. Indagar en la teora o experiencia prctica es fundamental para la planeacin del experimento (factores, niveles, rangos, replicas, interpretar resultados). Los mtodos de diseo y anlisis ms simples son los ms adecuados. Se debe tener en cuenta que la significacin estadstica no siempre es prctica debido a restricciones como el costo.

3. Verificacin de supuestos
Normalidad -Una gran causa de la falta de normalidad es el truncamiento de decimales. -Si no se consideran algunos efectos principales o interacciones cambia la normalidad. Statgraphics; Metodo1: snapstats => anlisis de una muestra => residuos => shapiro>0,05=> cumple Mtodo 2:describir=> ajuste de distribuciones=> ajuste de datos no censurados=> residuos=> shapiro>0,05=> cumple

Transformacin de los datos: modelo de regresin multiple(con todos los factores, los no significativos tambin se incluyen solo para la transformacin)=> opciones de anlisis=> transformacin de box cox=> optimizar

Homocedasticidad Se debe cumplir Homocedasticidad en todos los factores (los no significativos tambin) Statgraphics: anova simple=> dependiente residuos, independiente un factor a la vez=> tabla=> verificacin de varianza=> levenes>0,05=> cumple

Independencia El orden en cmo se corre el experimento influye en la independencia por lo tanto se debe aleatorizar antes de correr el programa. Statgraphics: Metodo 1: describir=> series de tiempo=> mtodos descriptivos=> residuos=> tabla=> prueba de aleatoriedad. Metodo 2: Snapstats=> Autocorrelacion<1/(n^0,5)=> cumple Aleatorizar: clic derecho en los factores=> ordenar archivo =>aleatorizar

4. Prueba de hiptesis
Hiptesis nula: Hipotesis alternativa Ho: H1: media=valor mediavalor

-Compara el estadstico de prueba calculado contra su valor crtico. -Ver los estadsticos de prueba en la tabla de comparacin de medias y varianzas. - La comparacin de medias (LSD) no considera la interaccin de factores, por lo tanto la grafica de las interacciones puede contradecir los resultados si se varian ambos factores (considera fijos los demas factores) -Tener en cuenta si la campana de gauss es con respecto a una cola o de dos colas.

Replicas -Si el experimentador tiene inters en detectar efectos pequeos, se necesitan ms replicas. -Entre mas variabilidad tenga el sistema debern hacerse ms replicas. -Entre menos variabilidad tenga el sistema ms pequeo puede ser el rango de los niveles. -Es adecuado un intervalo de confianza del 95%

(varianza) = MSe (cuadrado medio del error)

5. ANOVA
Los efectos que se saquen se enva al error (aumenta la varianza). La opcin optimizar de statgraphics solo cuando exista curvatura. En caso de que solo falte un dato, se corre el anova normal sin ese dato (no se forman bloques).

Formacin de Bloques (das, operarios, maquinaria, lotes de materia prima)

Procedimiento: Cada bloque contiene a todos los tratamientos. No se deben alinear los niveles de los bloques con los niveles del factor problema, por ejemplo no meter en un horno todas las de 500 C en el mismo horno, sino distribuidas. Debe intentarse tener una unidad experimental ms homognea (Ej: la misma probeta para medir dureza). La formacin de bloques se realiza debido a las restricciones tcnicas que se encuentran en cada experimento (diferente: tiempo, operarios, maquinaria, lotes de materia prima). Si no se llevan a cabo, (no se elimina su efecto) aumentan el error experimental y camuflan la diferencia entre las medias de los tratamientos. Los resultados finales varan debido a que el efecto que no se elimina afecta los datos obtenidos. Puede examinarse tambin (como indicio) el cociente MSbloque/MSerror; si el cociente es grande (mayor que 2 o 3) vali la pena la formacin de bloques. Aleatorizacin dentro de los bloques y de los bloques mismos para ver cual se lleva acabo de primero. Si no alcanza todo el da para realizar todo el experimento, debe realizarse la misma cantidad de bloques diarios.

1 FACTOR Diseo cuadrado latino: El mismo principio de formacin de bloques pero en 2 direcciones. (2
factores problema) Diseo Cuadrado grecolatino: 3 factores problema

Kruskal wallis: (solo para casos de 1 factor) se realiza cuando no se cumple normalidad. 6. Diseo Factorial 2^k Es un caso especial del diseo factorial, con k factores y 2 niveles en cada factor (1 replica=2^k observaciones) Es recomendable para determinar los factores significativos. Entrega una respuesta lineal (debido a q solo hay dos puntos [niveles] evaluados de cada factor) Cuando no hay replicas no hay grados de libertad para el error si se consideran todas las interacciones. Se utiliza el grafico de probabilidad normal de los efectos (se sacan los efectos sobre la recta normal) para despreciar alguna de las interacciones de ms alto orden.

Procedimiento (1, 2, 6 no son necesarios, importante: 3 4 y 5):

1. Determinar los efectos e interacciones y evaluar sus s signos y magnitudes 2. Determinar los efectos que se consideraran y escribir la tabla A,B,C para (orden 8eestruc)a b ab c ac bc abc 3. Analisis de varianza con la tabla ANOVA 4. Eliminar las variables no significativas del modelo (grafico de probabilidad normal para los efectos) 5. Probar Normalidad, Independencia y Homocedasticidad (estructuracin del modelo si no cumple los supuestos) 6. Anlisis grafico con graficas de los efectos principales, interacciones, superficies de respuesta y grafica de contornos.

Punto central

Los k factores deben ser cuantitativos para agregar puntos centrales (con 2 o mas factores cualitativos se descarta punto central) Consiste en una prueba de hiptesis que determina si hay curvatura de segundo orden en la respuesta en la regin de exploracin. Compara yf_bar y yc_bar y determina si hay una diferencia significativa. El diseo factorial 2^k es anlogo a desbaste y punto central acabado. Si por lo menos hay un par de variables con curvatura el punto central ser significativo (menor que 0,05). Usualmente se toman de 3 a 7 puntos centrales. Ver sugerencias en la aplicacin de puntos centrales (archivo Excel multifactorial). Statgraphics: clic derecho en la tabla de anlisis de varianza, opciones de ventana, incluir prueba de falta de ajuste

7. Confusin del diseo factorial 2^k

Tcnica mediante la cual un experimento factorial 2^k se distribuye en bloques debido a que no pueda realizarse la totalidad del experimento y se confunde (suma de sus efectos) una interaccin (la de mas alto orden) con los bloques. Para confundir una interaccin con los bloques, los signos positivos de sus coeficientes en un bloque y los negativos en otro. Se deben confundir una interaccin por cada 2 bloques y quedaran confudidos 2^p-1 interacciones mas por su multiplicacin. (Ver figura). Puede realizarse confusin parcial, confundiendo una interaccin en cada replica.Es recomendado realizar confusion parcial (en vez de confusion de una sola interaccion) siempre que se cuente con recursos suficientes para hacer replicas. Las conclusiones estadsticas solo para las replicas que no estn confundidas. Al seleccionar los efectos que van a confundirse con los bloques, debe tenerse cuidado que no se confundan los efectos de interes (Ej: ABCDE y ABD confunde automticamente CE que puede ser de inters; mejor ADE y BCE => ABCD)

Statgraphics: DDE

8. DISEOS FACTORIALES FRACIONADOS 2^k

Es recomendable aplicar esta tecnica en etapas preliminares considerando numerosos factores (solo ejecuta algunas corridas con muchos factores y despus analizar que hacer) Tcnica utilizada debido a que los experimentos 2^k con numerosos factores superan fcilmente los recursos para realizar replicas. Gran aplicacin para determinar factores con grandes efectos Fraccion un medio del diseo 2^(k-1) es realizar solo la mitad de las corridas (Ej: 2^3-1; solo 4 corridadas en un diseo 2^3) Las corridas de un diseo fraccionado se seleccionan con el mismo signo de los coeficientes del generador (Generador con 3 factores: ABC). Fraccion principal I=+ABC, fraccion alterna I=-ABC Cuando se estima A B y C en un diseo fraccionado de hecho se estimando A+AB, B+AC,C+AB, suma a la cual se le llama alias Si se corren las dos fracciones un medio se analiza como un diseo completo en dos bloques con la interaccin ms alta confundida Resolucion 3: ABC; Resolucion 4: ABCD; Resolucion 5; ABCDE; resolucion=numero de letrras Resolucion recomendada de 4 en adelante debido a que la resolucion 3 los efectos de 2do orden son alias de los efectos principales Si A C y D son significativos entonces lo mas probable es que de los alias AC+AD y AD+BC, AC y AD son probablemente las mas significativas => [Navaja de Ockham: cuando se confrontan varias interpretaciones de un fenomeno, la interpretacion mas simple suele ser la correcta] o tambin puede ser deducida por el conocimiento del proceso. Tratar de escoger los generadores para que el diseo tenga la resolucion mas alta pero estar atentos de no escoger generadores con efectos importantes y sean alias entre si. Dis. Factorial fraccionado 2^(k-p) : p generadores, relacion de definicion: p y 2^p-p-1 interacciones generalizadas; cada efecto tiene 2^p -1 alias Diseo de aberracin mnima: la resolucion maxima posible (resolucion 5 si es posible)

Statgraphics: DDE

9. Modelos de Regresin
Procedimiento: las variables deben estar en variables codificadas. Se selecciona la variable dependiente (respuesta) y los factores significativos. Se verifica los supuestos (ver abajo). Herramienta de prediccin, control y optimizacin. Para desarrollar el modelo de regresin, las variables deben estar siempre en variables codificadas (asi pueden modelarse fcilmente las variables cualitativas) El inters se centra en modelar y explorar variables relacionadas y significativas con respecto a la variable de respuesta. (primero anlisis de covarianza y anova) Solo se ingresan las variables predictoras (x) con base en un anlisis de covarianza. Se utilizan con frecuencia para analizar datos de experimentos no planeados, como podra ser el caso de la observacin de fenmenos no controlados, de registros histricos o en experimentos diseados cuando algo sali mal. El modelo se ajusta linealmente hasta que se encuentre curvatura (punto central), cerca de esta zona de curvatura est el optimo y se desarrolla un modelo cuadrtico para observar donde est el optimo en esa zona. Aumentar demasiado el orden exponencial de las variables predictoras solo sobre ajusta el modelo (no tienene en cuenta la variabilidad del modelo) y por lo tanto no tiene la capacidad de generalizar para todos los datos. La componente con el parmetro beta ms grande domina la respuesta de y (mas significativo, revisar su signo), esta ser la variable escogida para determinar el paso de la ruta de ascenso ms pronunciado. Ejemplo 1, modelo de regresin lineal multiple Y=b0+b1 x1+b2 x2+e Relacin entre: la viscosidad de un polmero y con la temperatura x1 y la velocidad de alimentacin x2. X: llamada variables predictoras, regresoras o de regresin. B1, b2: coeficientes de regresin parical

Los modelos de regresin con apariencia mas compleja que la lineal (cuadrtica, logartmica o con interaccin de factores) puede analizarse como una regresin lineal mltiple. Ej: Y=b0+b1 x1+b2 x2+b12 x1 x2+e = b0+b1 x1+b2 x2+b3 x3+e Y=b0+b1 x1+b2 x2+b11 x1^2 +e = b0+b1 x1+b2 x2+b3 x3+e

Ajuste del modelo: mtodos para estimar los parmetros del modelo (b1,b2, ect) Debe ajustarse el polinomio de orden menor que describa adecuadamente el proceso. (de orden mayor solo aumenta su complejidad sin mejorar significativamente el ajuste y demeritan su utilidad como predictor) Verificacin del modelo 1. La grafica de residuos contra x (factores e interacciones) no debe tener una tendencia (concentracin en cierto punto no es una tendencia) (residuos no estudentizados) 2. Todos los parmetros deben ser significativos (menor que 0,05). 3. El R2 ajustado no debe ser igual a 1 (no tiene en cuenta la variabilidad del proceso) y tampoco debe ser tan pequeo (no se tuvieron en cuenta ciertos factores).

Statgraphics Modelo de regresin: Relacionar - varios factores regresin Para realizar modelos cuadrticos (o de mayor orden) en la ventana que se seleccionan, se deben elevar al cuadrado. En la ruta de mximo ascenso de statgraphics, el solo nos indica cmo mover los factores principales (no hay un botn para la mover la interaccin, pero la tienen en cuenta si se introduce en el modelo de regresin).

Superficie de Respuesta

Procedimiento: realizamos 2^k con puntos centrales (modelo lineal) y ruta de mximo ascenso hasta que encontremos curvatura (regin de experimentacin con el ptimo). En esta regin (no nos movemos de esta) realizamos superficie de respuesta con puntos axiales (diseo central compuesto) y determinamos el optimo. Determina las condiciones de operacin ptimas del sistema o que se satisfagan los requerimientos de operacin. Depende del modelo de regresin planteado si se genera una acertada superficie de respuesta. Inicialmente por lo general nos encontramos lejos del punto ptimo por lo tanto empezamos con un modelo de primer orden. Cuando nos encontraos cerca del optimo (cuando hay curvatura) se requiere un modelo que incorpore curvatura para aproximar la respuesta (de segundo orden).

La trayectoria de ascenso ms pronunciado es la derivada del modelo de regresin con respecto a cada una de las variables predictoras.

Para realizar optimizacin multivariada: -Se le da peso en importancia a las variables y se verifica que las ms importantes se puedan optimizar en cierta direccin. -Se realiza una optimizacin restringida donde se optimiza lo mximo posible la(s) variable de inters hasta que alguna de las dems variables de respuesta llega a un lmite de un rango establecido (restriccin del proceso). -Establecer rangos donde las variables de respuesta se consideren en condicin deseable individual. Convertirlas en un rango de 0 a 1, con 1 mejor y 0 peor (pg. 452) y despus determinar el arreglo con la condicin de deseable global mas alta. -Se superponen las graficas de contorno de las superficies de respuesta (mximo 3 variables de respuesta).

Para caracterizar (saber si es mximo, mnimo o punto silla) de un punto estacionario se utiliza el anlisis cannico (ej: pg. 441) cuando intervienen muchas variables del proceso x. (o estudiar la sensibilidad relativa de la respuesta, cuando hay menos que 4 => grafica de contornos)

Pasos para seleccionar el ascenso ms pronunciado (Ejemplo Pg. 436)

Tipo de diseo Para ajustar modelos: De primer orden utilizar un 2^k con puntos centrales. De segundo orden utilizar un DCC diseo central compuesto. Si se utiliza un

diseo fraccionado preferiblemente los efectos principales no deben ser alias entre s. (Pg. 455) (Existen tambin tipos de diseos irregulares Formacin de bloques: para superficies de respuesta de primer orden con diseos 2k o fraccionados, se utiliza las mismas tcnicas (capt. 7) y para los de segundo orden, los bloques deben cumplir la condicin de ortogonalidad ver en la pg. 464. Operacin Evolutiva: si un proceso fue previamente optimizado y se requiere saber si se necesita realizar nuevamente una optimizacin se utiliza la hoja de clculo EVOP (pg. 486).

Statgraphics DDE, Superficie de respuesta Tablas, ruta de mximo ascenso

Experimentos con mezclas

cada factor se compone o ingredientes (x1, x2, x3) de una mezcla (de 0 a 1) y por lo tanto los niveles de los factores son dependientes de los niveles de otros factores.

Diseo simplex: se usa para estudiar los efectos de los componentes de una mezcla sobre la variable de respuesta en un experimento con mezclas. (se encuentre el punto optimo para una mezcla de componentes determinada) Se recomienda realizar los diseos simplex reticular aumentado con puntos axiales (explora el centro del triangulo).

Factores con efectos aleatorios

Utilizado cuando existe un gran nmero de niveles. Factores con efectos fijos: los niveles de los factores usados por el experimentador son los de inters especfico y la inferencia estadstica es solo sobre ellos. Factores con efectos aleatorios: los niveles se eligen al azar de una poblacin ms grande de niveles posibles y se desea inferir conclusiones sobre esa poblacin completa de niveles. La poblaciones de niveles del factor se considera infinita o lo suficientemente grande para considerarla infinita. Modelo con efectos aleatorios La prueba de hiptesis de los efectos ahora es sobre los componentes de la varianza de los tratamientos (no sobre los efectos de los tratamientos). La idea no saber la diferencia entre tratamientos, ahora la idea es conocer que tanto cambia la varianza

Sus niveles se seleccionan al azar (Ej: de los 40 tornos y 30 operadores se seleccionan unos cuantos para hacer una inferencia sobre todos) Tao se convierte en una variable aleatoria. Cambia como calculamos el fo observado, y los grados de libertad, pag 531

Se desea estimar tanto la prueba de hiptesis como los componentes de la varianza. En caso de obtener una varianza negativa, se considera insignificante. En interacciones con por lo menos un factor aleatorio, la interaccin se considera aleatoria.

Ejemplos Para investigar las fuentes de variabilidad de un sistema como el de un sistema de medicin. Ej: medicin de una pieza (efectos aleatorios: operadores y piezas)

Statgraphics

Factores aleatorios: Comparar, anlisis de varianza, modelos lineales generalizados. Se deben seleccionar los factores aleatorios y las interacciones por evaluar.

Anlisis Covarianza
Se utiliza principalmente para introducir las variables correctas al modelo de regresin si no se cuenta con el ANOVA. (no introducir variables correlacionadas) As como la prueba t pareada y formacin de bloques, el anlisis de covarianza puede utilizarse para eliminar el efecto de los factores perturbadores controlables y mejora la precisin del experimento. El anlisis de covarianza puede utilizarse para ajustar la variable de respuesta con el efecto de la variable no controlada x (pero observable) y eliminar su cuadrado medio del error. Es una combinacin del anlisis de varianza y de regresin.