Instituto Tecnológico de Tijuana

Departamento de Ing. Industrial

Herramientas Estadísticas para Manufactura

Docente: MAE. Alfonso Zazueta

ALUMNOS:

JUAN GUILLERMO AGUILAR CAHUARE

DANIEL GIOVANNI VAZQUEZ DIAZ

ISMAEL VÁZQUEZ MORENO

DANNY LÓPEZ LÓPEZ

JODHY ALEJANDRO ROMAN ARAUJO

LUIS ENRIQUE HARO GARCIA

EDUARDO SEGURA
2.0 Diseño de Experimentos.
2.1 Diseño de una vía
2.2 Bloquea aleatoria.
2.3 Diseño de dos vías
2.4 Diseños factoriales
2.5 Diseños 2K
2.6 Diseños 3K
¿ Que es diseño de experimentos?
es una herramienta estadística para la mejora de la calidad usada
frecuentemente en proyectos Seis Sigma.
¿Para que sirve el diseño de experimentos?
Esta metodología sirve para diseñar las condiciones ideales de un
producto, proceso o servicio para que cumpla con nuestras expectativas
usando el mínimo número de experimentos o pruebas.
¿Qué de plantea en el diseño de experimentos?
El diseño de experimentos: se plantea un conjunto de pruebas
documentadas de manera en que los datos recabados puedan ser
analizados mediante la estadística para obtener patrones o respuestas
predecibles válidas y objetivas que nos formen una conclusión efectiva.
Áreas de aplicación de diseño de experimentos.
El diseño de experimentos encuentra aplicaciones en la industria, la agricultura,
la mercadotecnia, la medicina, la ecología, las ciencias de la conducta, etc. constituyendo una
fase esencial en el desarrollo de un diseño de experimentos.
Pasos para realizar un diseño de experimentos
1.-Identificación del enunciado del problema: Una enunciado claro del problema
contribuye sustancialmente para alcanzar una mejor comprensión de los
fenómenos bajo estudio y la solución final del problema.
2. Elección de los factores, los niveles y los rangos
3. Selección de variables de respuesta: El experimentador deberá tener la
certeza de que la variable de respuesta proporciona en realidad información útil
acerca del proceso bajo estudio
4. Elección del diseño experimental: Implica la consideración del tamaño de la
muestra, la selección de un orden de corridas adecuado y la determinación de
si entran en juego o no la formación de bloques u otras restricciones para la
aleatorización.
5. Realización del experimento: Monitorear el proceso para asegurar la
ejecución conforme a planeación. Conveniente realizar corridas piloto.
6. Análisis estadístico de los datos: Es muy útil presentar los resultados en
forma de modelo empírico.
7. Conclusiones y recomendaciones: El experimentador debe sacar
conclusiones prácticas y recomendar un curso de acción
Diseño de Experimentos 1 vía
(ANOVA 1 Factor)
 ANALISIS DE VARIANZA DE UN FACTOR
(ANOVA 1 VIA)
Introducción
El análisis de la varianza de un factor (ANOVA) es una metodología para analizar la variación entre
muestras y la variación al interior de las mismas mediante la determinación de varianzas. Es llamado
de una vía porque analiza un variable independiente o Factor; ejemplo: Velocidad. Como tal, es un
método estadístico útil para comparar dos o más medias poblacionales. El ANOVA de un criterio nos
permite poner a prueba hipótesis tales como:

H 0  1   2   3  ....   k
H1 : Al menos dos medias poblacionales son diferentes.
Los supuestos en que se basa la prueba t de dos muestras que utiliza muestras independientes son:

1. Ambas poblaciones son normales.

2. Las varianzas poblacionales son iguales, esto es

 12   22 .
El estadístico tiene una distribución muestral resultando:

sb2
Fc  2
sw
El valor crítico para la prueba F es:
F , ( k 1), k ( n 1))

Donde el número de grados de libertad para el numerador (Sb^2 > Sw^2) es k-1 y para el
denominador es k(n-1), siendo el nivel de significancia.

k = número de muestras.
Ejemplo: Se tienen 14 empleados seleccionados al azar que se someten a 3 diferentes cursos de entrenamiento:
Programa 1, Programa 2 y Programa 3.
Como los empleados se seleccionan aleatoriamente para cada programa el diseño se denomina:
DISEÑO COMPLETAMENTE ALEATORIZADO
Se observa el aprovechamiento de los empleados en los programas:
Tratamientos
I C=1 C=2 C=3 J

Programa 1 Programa 2 Programa 3

r=1 85 80 82

r=2 72 84 80

r=3 83 81 85

r=4 80 78 90

r=5 --- 82 88

Medias 80 81 85 Xj
Media de medias o media total: 82.4
Tipos de variación y sumas de cuadrados
1. Variación total entre los 14 empleados, su puntuación no fue igual con todos
VARIACIÓN TOTAL RESPECTO A LA MEDIA GENERAL

r c 2

SCT    ( Xij  X )
SCT = (85-82.14)2 + (72-82.14)2+(83-82.14)2+.....+(88-82.14)2
i 1 j 1

SCT = 251.7
2. Variación entre los diferentes tratamientos o Variación entre muestras o variación entre programa
1, programa 2 y programa 3

EFECTO DE LA MEDIA DE CADA TRATAMIENTO RESPECTO A LA MEDIA GENERAL

r
SCTR   rj ( X j  X ) 2
1
SCTR = 4(79.5 - 81.3333)2 + 5(81 - 81.3333)2 + j5(85 - 81.333)2
SCTR = 65.71
3. Variación dentro de un tratamiento o muestra o programa dado que no todos los empleados
dentro de un mismo programa obtuvieron los mismos puntajes. Se denomina Variación dentro de los
tratamientos.

VARIACIÓN DENTRO DEL TRATAMIENTO O VARIACIÓN DEL ERROR

CADA VALOR RESPECTO A LA MEDIA DE SU TRATAMIENTO

r c
SCE    ij j
( X  X ) 2

SCE = SCT - SCTR = 186 i 1 j 1

4. Grados de libertad

Grados de libertad totales = n - 1 = 14 - 1 = 13

Grados de libertad de los tratamientos = c - 1 = 3 - 1 = 2

Grados de libertad del error = gl. Totales - gl. Tratamientos = 13 - 2 = 11

gl SCT = gl SCTR + gl SCE
gl SCE = gl SCT - gl SCTR = (n -1) - (c - 1) = n -c
5. Cuadrados medios (Suma Cuadrados/ Grados libertad)
CMT = Cuadrado medio total = SCT / (n-1) = 19.4
CMTR = Cuadrado medio del tratamiento = SCTR / (c -1) = 32.9
CME = Cuadrado medio del error = SCE/ gle.= 16.9
6. Estadístico de prueba Fc y estadístico F crítico de alfa

Fc = CMTR / CME= 1.946745562

Falfa, gl.numerador, gl.denomin ador  F ,c 1,n c

ZONA DE
NO RECHAZAR RECHAZO

Distr. F
Como Fc es menor a Falfa no se rechaza Ho y las medias son iguales.
7. Valor de P Fc

P = distr.f(Fc, gl. SCTr, gl. SCE) = distr.f(1.946, 2, 11) = 0.18898099

Como P es mayor a alfa no se rechaza Ho
CONCLUSION: NO HAY SUFICIENTE EVIDENCIA PARA RECHAZAR HO, LAS MEDIAS DE LOS
TRATAMIENTOS SON IGUALES

TABLA DE ANOVA

FUENTE DE VARIACIÓN SUMA DE GRADOS DE CUADRADO

CUADRADOS LIBERTAD MEDIO VALOR F
Entre muestras (tratam.) SCTR c-1 CMTR CMTR/CME
Dentro de muestras (err.) SCE n-c CME
Variación total SCT n-1 CMT
Bloques aleatorios
El diseño de bloques completos al azar surge por la necesidad que Tiene el Investigador de
ejercer un control local de la variación dado la existencia de un Material experimental
heterogéneo. En ese orden de ideas, los pasos que el Investigador sigue son:
(A) Forma los bloques de unidades experimentales homogéneos Fundamentándose para ello en
algún criterio de Bloqueo o agrupamiento. Estos Criterios pueden ser: Raza, Época, Edad, Sexo,
Peso, Sistema de Manejo, Tipo De explotación, Zona, País, Número de Partos, número de
Lactaciones, número De Ordeños, corrales o establos, Potreros, camadas, métodos, variedades,
entre Otros.
(B) Luego de formados los bloques se asignan al azar Los tratamientos a la Unidades
experimentales de cada Bloque. El esquema dado a continuación ayuda A comprender la
filosofía de La formación de bloques. Los bloques se definen Como un conjunto de unidades
experimentales homogéneas dentro de sí y Heterogéneos entre sí. En los bloques están
representados todos los tratamientos.
Objetivos
(a) Maximizar las diferencias entre bloques
(b) Minimizar la variación dentro de bloques
Ventajas
(A) Elimina una fuente de variación del error, aumentando de Esta Forma la precisión del ensayo. La precisión del
ensayo Se mide a través Del coeficiente de variación CV (%) = S/Y PROMEDIO x100
(B) Permite una gran flexibilidad en la relación tratamiento Bloque, Siempre y cuando se reserven un número
igual o un múltiplo de Tratamientos por unidad experimental.
(C) La pérdida de información por bloque o tratamiento no dificulta el Análisis estadístico.
(D) Permite aplicar el principio de confusión al hacer coincidir los Bloques con las ciertas variables que influyen
sobre la respuesta pero Que no son de interés para el investigador.
Desventajas
(A) No es apropiado para un número elevado de tratamientos se Recomienda entre 6 y 24 tratamientos
(B) No es aconsejable cuando exista una gran variación en más de una Variable en el material experimental.
(C) Si el efecto de bloque no es significativo se trabaja Innecesariamente con disminución de los grados de
libertad Para el error y la consecuente disminución de la precisión.
(D) Si resulta una interacción entre bloque y tratamiento, se invalida la Prueba F.
Diseño de Experimentos 2 vías
(ANOVA 2 Factores)
 Diseño de Experimentos 2 vías
(ANOVA 2 Factores)
En este caso las fórmulas son parecidas a la del ANOVA de una vía pero ahora
agregando el cálculo por renglones adicional al de columnas donde se incluye la
variable de bloqueo. El bloqueo es completamente al azar.
Se trata de bloquear un factor externo que probablemente tenga efecto en la
respuesta pero que no hay interés en probar su influencia, sólo se bloquea para
minimizar la variabilidad de este factor externo, evitando que contamine la
prueba de igualdad entre los tratamientos.
Los tratamientos se asignan a las columnas y los bloques a los renglones.
Un bloque indica condiciones similares de los sujetos al experimentar con
diferentes tratamientos.
Diseño de dos vías
Se desea probar simultáneamente el efecto de dos factores de interés para el investigador.
Cada factor tiene más de un nivel: el factor A tiene a niveles y el factor B tiene b niveles.
Para el análisis factorial debe aparecer más de una observación en cada celda. Réplicas.
 Comparativa diseño 1 vía vs 2 vías
Bases para la comparación Diseño unidireccional Diseño de dos vías

Es una prueba de hipótesis, se utiliza

Es una técnica estadística en la que se
para probar la igualdad de tres o más
Sentido puede estudiar la interacción entre
medias de población utilizando
factores y la variable influyente.
simultáneamente la varianza.

Variable independiente Uno Dos

Efecto del nivel múltiple de dos

Compara Tres o más niveles de un factor.
factores.

Número de observaciones No es necesario ser igual en cada grupo. Necesitamos ser iguales en cada grupo.

Los tres principios deben ser

Diseño de experimentos Necesito satisfacer solo dos principios.
satisfechos.

Principios del diseño de experimentos: Replicación, la aleatorización y el control local.

Ejemplo
Se desea probar simultáneamente el efecto de dos factores de interés para el investigador.
Efecto de los sistemas de computación y el efecto de paquetes de software.
Factor A tiene 3 niveles.
Factor B tiene 2 niveles.
Hay a x b combinaciones: 3x2=6 comb. Se denomina diseño factorial 3x2
Cada combinación se denomina tratamiento.
• Para el análisis factorial debe aparecer más de una observación
en cada celda. Réplicas.

Factor A Sist.de Comp.

Factor B 1 2 3
28 25 30
Paquete 1 26 23 29
de 24 27 28
software μ¹¹=26 μ¹²=25 μ¹³=29
28 29 28
2 27 31 27
29 27 26
μ²¹=28 μ²²=29 μ²³=27
Análisis factorial
Se dice que la interacción existe si un nivel del factor A funciona de manera diferente (mejor o peor)
con niveles diferentes del factor B.
Cuando NO existe interacción las rectas no se intersectan
Una prueba con segmentos de recta paralelas prueba la ausencia de interacción. Se dice que los
efectos son aditivos.
Hipótesis que se deben probar:
Ho: las medias de las columnas son iguales
Ho: las medias de las filas son iguales.
Ho: no hay interacción presente.
ANÁLISIS FACTORIAL SIN INTERACCIÓN
GRÁFICA DE PRODUCCIÓN-NIVELES DE SISTEMA DE CÓMPUTO
30
30
paq 1

28 28
28

paq 2
26
26
PROD1

24
23

22
21

20
1.0 1.5 2.0 2.5 3.0
COMP1
ANÁLISIS FACTORIAL CON EVIDENCIA DE
INTERACCIÓN
Scatterplot of P vs C
29 29
29
PAQ 1

28
28

27
27
P

PAQ 2

26
26

25
25

1.0 1.5 2.0 2.5 3.0

C
Diseño Factorial
En estadística, un experimento factorial completo es
un experimento cuyo diseño consta de dos o más
factores, cada uno de los cuales con distintos valores
o niveles, cuyas unidades experimentales cubren todas
las posibles combinaciones de esos niveles en todo los
factores. Este tipo de experimentos permiten el estudio
del efecto de cada factor sobre la variable respuesta, así
como el efecto de las interacciones entre factores sobre
dicha variable.
Si el número de combinaciones en un diseño factorial
completo es demasiado alto para su procesamiento,
puede optarse por un diseño factorial fraccional, en el
que se omitan algunas de las combinaciones posibles.
Es un diseño de costa de dos o mas factores , cada uno de los cuales tiene distintos valores o
nivels.
Un diseño factorial complete es aquel que se utiliza todas las combinaciones posbles de los
valores seleccionados de las variables independientes.
 Comparación
Comparación
Los siguientes diagramas muestran un diseño factorial completo en comparación con un diseño
factorial fraccionado de ½.
Diseño Factorial 2 K
DISEÑOS FACTORIALES 2K
Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen
varios factores para estudiar el efecto conjunto de éstos sobre una respuesta.

Un caso especial e importante ocurre cuando se tienen k factores, con dos niveles cada
factor.
Pueden ser:

Cuantitativos (valores de temperatura, presión o tiempo)

Cualitativos (dos máquinas, dos operadores, los niveles “superior” e “inferior” de un factor o,
la ausencia o presencia de un factor.
DISEÑOS FACTORIALES 2K
Si se tiene 2 factores: Factor A, Factor B.
𝒏𝒊𝒗𝒆𝒍 𝒃𝒂𝒋𝒐 𝒏𝒊𝒗𝒆𝒍 𝒃𝒂𝒋𝒐
Factor A:ቊ Factor B:ቊ
𝒏𝒊𝒗𝒆𝒍 𝒂𝒍𝒕𝒐 𝒏𝒊𝒗𝒆𝒍 𝒂𝒍𝒕𝒐
𝒏𝒊𝒗𝒆𝒍 𝒃𝒂𝒋𝒐 = −ó − 𝟏 𝒏𝒊𝒗𝒆𝒍 𝒂𝒍𝒕𝒐 = +ó 𝟏

−ó −𝟏 −ó −𝟏
Factor A:ቊ Factor B:ቊ
+ó𝟏 +ó𝟏

FACTOR A FACTOR B

- -
𝟐𝟐 = 𝟒 𝑪𝑶𝑴𝑩𝑰𝑵𝑨𝑪𝑰𝑶𝑵𝑬𝑺
+ -
- +
+ +
Si se tiene 3 factores: Factor A, Factor B, Factor C.

− − −
Factor A:൜+ Factor B:൜ + Factor C:൜ +

FACTOR A FACTOR B FACTOR C

- - -
23 = 8 𝐶𝑂𝑀𝐵𝐼𝑁𝐴𝐶𝐼𝑂𝑁𝐸𝑆
+ - -
- + -
+ + -
- - +
+ - +
- + +
+ + +
 FACTOR A FACTOR B FACTOR C FACTOR D
Si se tiene 4 factores: - - - -

−
+ - - -
Factor A:൜+ - + - -
+ + - -
−
Factor B:൜ + - - + -
+ - + -
− - + + -
Factor C:൜+
+ + + -
- - - +
−
Factor D:൜+ + - - +
- + - +
+ + - +
24 = 16 𝐶𝑂𝑀𝐵𝐼𝑁𝐴𝐶𝐼𝑂𝑁𝐸𝑆 - - + +
+ - + +
- + + +
+ + + +
Ejemplo:
Un químico desea investigar el efecto de la abertura de
malla (factor A, 40,60), tipo de suspensión (factor B,
suspensión A, suspensión B) y temperatura de ciclaje
(factor C, 0°C, 30°C) en el volumen de sedimentación
(%). Se eligen dos niveles de cada factor y se realiza un
diseño factorial con dos replicas. Los resultados se
muestran a continuación:
Combinación A B C replica I replica II

(1) - - - 18.2 18.9

a + - - 27.2 24.0
b - + - 15.9 14.5
ab + + - 41.0 43.9
c - - + 12.9 14.4
ac + - + 22.4 22.5
bc - + + 15.1 14.2
abc + + + 36.3 39.9
Variable de respuesta: Volumen de sedimentación
Factores controlados:
Abertura de malla (factor A)
Tipo de suspensión (Factor B)
Temperatura de Ciclaje (factor C)

Hipótesis:
Ho:No influye la abertura de malla en el volumen de sedimentación.
Ha:Si influye la abertura de malla en el volumen de sedimentación.

Ho:No influye el tipo de suspensión en el volumen de sedimentación.

Ha:Si influye el tipo de suspensión en el volumen de sedimentación.

Ho:No influye la temperatura de ciclaje en el volumen de sedimentación.

Diseño Factorial 3 K
El diseño factorial 3k considera k factores con tres niveles cada uno y tiene 3k tratamientos. La
primera desventaja de los diseños 3k es que al aplicarse requieren mayor cantidad de pruebas
que el diseño 2k.
El diseño factorial 3k es una de las alternativas experimentales que permite estudiar efectos de
curvatura, además de efectos lineales y de interacción.
 Dos razones que hacen viable el diseño
3k :
Se tienen factores de tipo continuo e interesa estudiar efectos cuadráticos como A2, B2,…, A2B, B2A,
A2B2,… (efectos de curvatura). Esto se hace cuando se cree que la variable de respuesta no es lineal,
ni aproximadamente lineal en el rango de variación de los factores estudiados

Los factores son categóricos o discretos y de manera natural tienen tres niveles cada uno.
3⁴ requiere en total 81 pruebas, una para cada tratamiento; mientras que el diseño 24 sólo
necesita 16 pruebas. De esta forma, cuando se tienen muchos factores, cuatro o más,
prácticamente es prohibitivo pensar en correr un diseño 3k.
Cuando se tienen pocos factores, tres como máximo, o en el peor de los casos cuatro, hay
algunas situaciones prácticas en las que el diseño 3k es una buena alternativa.
 2
Diseño factorial 3
Este diseño consiste en 32 = 9 tratamientos diferentes, que corresponden a todas las posibles
maneras en que se pueden combinar dos factores en tres niveles cada uno. Sean A y B los
factores, cada uno con tres niveles, a los cuales se les suele llamar bajo, medio y alto.
Análisis del diseño factorial 32 : El modelo estadístico para el diseño 32 se puede escribir
considerando el efecto individual de cada factor y de la interacción entre ambos, y queda como
sigue:

donde gi es el efecto del factor A en su nivel i, dj representa el efecto del factor B en su nivel j (yd)ij es el
efecto de interacción de ambos en los niveles ij y n es el número de repeticiones de cada tratamiento.