Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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:
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
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
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.
r c
SCE ij j
( X X ) 2
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
TABLA DE ANOVA
Número de observaciones No es necesario ser igual en cada grupo. Necesitamos ser iguales en cada grupo.
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
Un caso especial e importante ocurre cuando se tienen k factores, con dos niveles cada
factor.
Pueden ser:
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: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
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.
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.