Sofware Aplicado en Calidad Con Fines Cos

La comunidad Latina de estudiantes de negocios
MANUAL DE MINITAB 14 CAPITULO No. III
Contenido
Introduccin a los diseos factoriales. Diseos Factoriales Completos. Experimentacin Secuencial. Optimizacin de Multiples Respuestas.
Los documentos que buscas estn en http://www.gestiopolis.com/ 33 - 4 -4
Introduccin a los diseos Factoriales

Objetivos:
Entender la estructura y uso de los diseos factoriales. Entender los efectos principales y el efecto de las interacciones sobre una respuesta.
1-1
Los documentos que buscas estn en http://www.gestiopolis.com/ 1 1-1
Contenido
Ejemplos y Ejercicios
Diseos factoriales Completos Ejemplo # 1
Propsito
Calcule y visualice los efectos as como las interacciones y compruebe 1-4
Pgina
el modelo.
Ejercicio 1.1 Desgaste del Motor
Analice un diseo factorial completo
1 - 38
1-2
Los documentos que buscas estn en http://www.gestiopolis.com/ 1-2
Diseos Factoriales
Que son los Diseos Factoriales? Los diseos factoriales permiten el estudio de las simulaciones de varios efectos del factor sobre el proceso. Variando Los niveles de los factores simultneamente y puede ser: Eficiente en trminos del tiempo y costo Permite el estudio de interacciones entre los factores.
Cuando usar los diseos factoriales? Uso de diseo factoriales para: Ser Eficiente las estimaciones de los efectos de cada factor de la respuesta. Estimar los efectos de interacciones entre dos o ms factores en la respuesta. Probar la curvatura en la respuesta incluyendo el centro de los puntos en su el Diego. Porque usar los Diseo Factoriales? Se usa los dueos factoriales para contestar preguntas como: Cules son la preparacin de las variables ms influyentes en la respuesta? Cules son los factores que optimizaran la respuesta? Por ejemplo: La velocidad de corte, la dureza del metal, o el impacto de corte y su lapso de vida. Cul es la preparacin del dulcificante, la cantidad del jarabe en el agua y la temperatura mxima de una nueva bebida suave?
1-3 Los documentos que buscas estn en http://www.gestiopolis.com/
Diseos Factoriales completos

Ejemplo # 1 Maximizacin de la adherencia de la pintura de primera clase Problema
La pintura de primera clase es usada para mejorar la pintura de los automviles. Se debe determinar los efectos del tipo de pintura y el mtodo de adherencia.
Datos
Se crea un diseo factorial que use todas las combinaciones de la pintura de primera clase y el mtodo de adherencia y repita este diseo cuatro veces. Dos tipos de pintura de primera clase fueron aplicados a una superficie de aluminio hundiendo la superficie en la pintura o con pistola de pintar, despus de que cada muestra es pintada, se aplica una ltima base de pintura y se mide la fuerza de adherencia. Procedimiento: Stat > DOE > Factorial > Create Factorial Design Stat > Tables> Cross Tabulation Stat> DOE > Factorial > Analyze Factorial Design Stat > DOE > Factorial > Factorial plot.
Data set
Nombre StdOrder RunOrder CenterPt Blocks ApMethod PrimType Adhesion Tipo de Datos Numeric Numeric Numeric Numeric Text Text Numeric Tipo de Variable Order Order Center point Block Factor Factor Response Nivel
1 Dip, spray One, Two
Los documentos que buscas estn en http://www.gestiopolis.com/
1-4
Diseos Factoriales Completos

Que son los diseos factoriales completes?
En un experimento de factorial, las respuestas son medidas como una combinacin de niveles de factores experimental. La combinacin de niveles de factores representa las condiciones de las cuales las respuestas sern medidas. Una condicin experimental es una Corrida y la medida de la respuesta es una observacin. Las corridas enteras son el diseo. Los siguientes diagramas muestran dos y tres diseo de factores. A
B S S S S Dos niveles del factor A Tres S niveles del factor B
S S S S S
A S S S S S
C B S S S S S S S S Dos niveles de cada factor. S S
Cuando se usa los diseos factoriales completos?

MINITAB provee dos tipos de diseos kfactoriales: Utilice un diseo factorial de dos niveles (2 design) cuando cada factor experimental tiene solo dos niveles. Utilice un diseo factorial completo cuando cualquier factor experimental tiene mas de dos niveles. Por ejemplo Factor A puede tener dos niveles, Factor B puede tener tres niveles y Factor C puede tener cinco niveles.
Porque usar los Diseo Factoriales? Se usa los dueos factoriales para contestar preguntas como: Cules son la preparacin de las variables ms influyentes en la respuesta? Cules son los factores que optimizaran la respuesta? Por ejemplo: Cual es la interaccin entre la temperatura y la azcar que afecte la humedad del chocolate?
1-5
Creando diseo factoriales

Diseo
Con dos factores puede solo decidir si es un diseo factorial completo. Cul contiene 4 corridas (1 para cada combinacin tratada)? Repita este diseo 4 veces resultando en 16 corridas.
Niveles factoriales
En automtico MINITAB nombra los factores alfabticamente y los codifica de la siguiente manera: low =-1, high=1 Si se usa valores actuales para el alto y bajo nivel, se puede obtener los coeficientes modelos y las unidades y cdigos apropiadamente graficados.
Creando Diseos Factoriales

1 Elija Stat > DOE > Factorial > Create Factorial Design. 2 Clic Designs. 3 De Number of Replicates, elija 4. 4 Clic OK. 5 Clic Factors. 6 Complete la ventana como se muestra de bajo.
7 Clic OK en cada ventana.
Interpretando los Resultados

Cada columna en el diseo en identificada por su nombre. Si se desea se pude cambiar los valores de la columna. Si se altera el diseo se debe ir a Define Custom Factorial Design y redefinir las columnas.
Cambiando el orden de la exhibicin

Si se desea se puede cambiar el orden de la exhibicin o utilizar el ordenamiento en automtico. Para mayor comprensin se puede usar el orden en automtico.
Exhibiendo niveles de Factores.

Se exhiben los niveles de los factores con sus valores actuales o en la unidad deseada. Cuando se exhiben en la unidad deseada, los valores son etiquetados como nivel bajo y nivel alto (-1, 1). Siguiente paso: Usar Display Design para ver el diseo en orden automtico y la unidad deseada.
MINITAB hace uso de un generador numrico aleatorio para determinar el orden de la exhibicin. Aunque tu orden de exhibicin no va a hacer juego con la orden de exhibicin mostrada aqu, la exhibicin Standard si.
Comprobacin ortogonal
La comunidad Latina de estudiantes de negocios Para evaluar el ortogonal de un diseo, se necesita cambiar la hoja de trabajo a cdigo de unidad. Tambin se puede entender el diseo fcilmente en cdigo automtico.
Ventaja de un diseo ortogonal

Se pueden estimar trminos de modelo. Debido a que se puede encontrar la contribucin independiente de cada efecto, el anlisis es ms simple al reducir un modelo, usted puede quitar todos los trminos no significativos simultneamente.
MINITAB y un diseo ortogonal. Si se usa Create Factorial Design, MINITAB puede general diseos otrogonales en automtico. Cuando un diseo es exhibido sin cdigo de unidad, puede no ser un diseo ortogonal largo. Por esta razn MINITAB, siempre usa los cdigos de unidad para presentar el anlisis.
Desplegar diseo. 1 Seleccione Stat > DOE > Display Design. 2 Complete la ventana como se muestra de bajo.
3 Clic OK.
1-8

Ortogonal
Cuando los factores en un diseo son ortogonales, se puede estimar los factores de cada factor independientemente. Si dos columnas son orthogonales una a la otra, se pude tener las siguientes condiciones: La suma de cada columna es cero. La correlacin entre cada columna es cero.
Standar Order
Estndar order es mostrado en dos factores encontrados en ApMethod y Prim Type. La columna ApMethod se encuentra entre -1 y +1. La columna PrimType se encuentra entre 2, -1 seguido por 2, +1. Los primeros cuatro renglones representan un solo dato de este experimento. Cada tratamiento es listado una vez en este dato. Este patrn es repetido tres para un total de cuatro datos.
Incorporacin de datos a la respuesta

Los documentos que buscas estn en http://www.gestiopolis.com/ 19
La comunidad Latina de estudiantes de negocios La respuesta variable es la fuerza de incorporacin del Primer Saint. Se puede agregar la medida (respuesta) a la hoja de trabajo tecleando el resultado dentro de una nueva columna.
Data Windows
1. Presione Ctrl + D para mover la ventana de fecha. 2. Nombre a la columna C7 Adhesion. 3. Teclee los siguientes valores en fila 1-16 de Adhesin: 4.52 4.55 5.05 4.88 4.48 4.37 4.89 4.75 4.29 4.43 5.14 4.91 4.60 4.25 4.95 4.71
1 10
Exhibiendo el diseo
Exhibiendo cdigos de unidad contra no cdigos de unidad.
Display design permite exhibir los datos en cdigos de unidad como tambin en no cdigos de unidad mientras se encuentre en Standar order o Run order. MINITAB siempre analiza los datos en cdigo de unidades sin importar la exhibicin del diseo.
Qu sigue?
Crear una tabla de resumen para investigar el promedio de incorporacin de cada combinacin tratada.
Exhibiendo diseo.
1. Elija Stat > DOE > Display design. 2. En Units for factor, elija Uncoded units. 3. Clic OK
Los documentos que buscas estn en http://www.gestiopolis.com/ 1 - 11
Definir efectos de factores

Antes de analizar los resultados de diseo factorial se necesita entender los efectos de factores. Crear una tabla conteniendo el promedio de incorporacin para cada combinacin de application method y primer type, as como el promedio de incorporacin para cada application method y primer type.
Tabulacin cruzada (Cross Tabulation)

1. Ir al Data Windows. Si los datos no son iguales como se muestran previamente en la pgina 1-9, se abre el archivo PRIMER.MPJ. 2. Elija Stat > Table > Cross Tabulation 3. Se completa el dialogo del cuadro como se muestra a continuacin.
4. 5. 6. 7.
Clic Summaries. En Associated variables, enter Adhesion En Display, verificar Means. Clic OK en cada cuadro de dialogo.
Adaptando el modelo
Si las respuestas son ms de una, un anlisis por separado es mostrado en cada columna. Una ves que se haya elegido la variable respuesta, clic Terms para seleccionar el modelo.
Analizar el diseo factorial ( Analyze Factorial Design)

1. Elija Stat > DOE > Factrial > Analyze Factrial Design. 2. Complete la cuadro de dialogo.
1 - 17 1 -.17
Adaptando el modelo
En automtico, MINITAB incluye los mximos nmeros de trminos posibles en el modelo. Estos trminos son mostrados en el listad Selected Terms. Se puede elegir trabajar con este modelo o MINITAB puede personalizar los trminos.
Seleccionar trminos
Si no se desea trabajar con el mtodo de trminos en automtico. Existen dos maneras de seleccionar el modelo de los trminos. Desde la lista de Available Terms seleccione el listado Selected Terms usando las flechas o doble clic en cada trmino. Especifique los trminos por orden. Por Ejemplo, incluyendo los trminos arriba de loa orden 3, incorpora efectos principales, dos y tres maneras de interacciones en el modelo.
Analyze Factrial Design

3. Clic Terms.
4. Verificar que el modelo esta en automtico y dar clic en OK.
Acomodando El modelo
Para determinar si alguno de los trminos que se han colocados tienen efectos significativo se usa lo siguiente: P-value generada en la tabla de efectos en la seccin Windows. Diagrama normal de los efectos. Diagrama de Pareto en los efectos.
Alpha ().
En un diseo 2K alpha () es el riesgo de no estar correcto en que los trminos de los efectos.
Debido a que estos diseos son usados regularmente para mostrar factores que contribuyan a la variable en la respuesta. MINITAB prepara los niveles significativos ms altos. El nivel significativo en automtico Alpha () para los diagramas es fijado desde 0.1 a 0.05 Analyze Factor Design 5 Clic Graphs 6 Completar la caga de dialogo como se muestra.
7 Clic OK en cada cuadro de dialogo.

Un diagrama de Pareto muestra cuales factores afectan la incorporacin y la relativa magnitud de cada efecto. Mirar cuales trminos contribuyen a la mayor variable respuesta. La grafica exhibe lo siguiente: Los trminos desde arriba hacia abajo en orden de importancia decreciente. Una lnea de referencia El diagrama de Pareto muestra que ambos mtodos de aplicaciones y Primer Type tiene impacto significativo en Saint adhesin. La interaccin (AB) no es significante. Mientras el diagrama de Pareto muestra una clara visualizacin de la magnitud de un efecto, este no provee informacion acerca de la direccin del efecto. Usar las graficas normales de efectos para evaluar la direccin.
Diagrama de Pareto de efectos de estandarizacin.
1 - 22 1.1 1.20
Reduccin Factorial de Modelos

El reducir modelos debe ser jerrquico. En un modelo jerrquico, si un trmino de interaccin es incluido, todas las interacciones, efectos principales que los comprenden tambin son incluidos. Los pasos a seguir para reducir un modelo factorial son resumidos de bajo: 1. Mirar la tabla de ANOVA para identificar los grupos de trminos que no son significantes. Excluya un grupo de trminos y reinstale el modelo. Excluya bloques y ordenes mximas de interacciones primero. 2. Cuando todos los trminos restantes en el modelo son significantes en la tabla ANOVA, mirar al P-VALUE de los trminos individuales. 3. Excluya los bloques no significativos y los efectos de interacciones y reinstale el modelo. 4. Elimine los principales efectos no significativos que no son usados en los mximos trminos (higher- order), reinstale el modelo.
Reduccin de modelo
Para remover los trminos de interaccin del modelo, se debe hacer lo siguiente: Desde Include terms in the model up through order elija 1. Sombree AB en el en la cuadro de dialogo Selected Terms y clic < Doble clic en el termino AB en el cuadro de dialogo Selected Terms.
Los trminos restantes (A y B) son usados para explicar la variable paint adhesin.
Analyze Factrial Design

1. Elija Stat > DOE > Factrial > Analyze Factrial Design. 2. click Terms. 3. Complete la cuadro de dialogo como se muestra de bajo:
4. Clic OK.
Reduccin de Modelo
Graficas Residuales. Este es probablemente el modelo final, usar graficas residuales para verificar que las siguientes suposiciones sobre el trmino modelo de error se haya resuelto. Los errores son distribuidos desde el medio cero. El error es el mismo para cada punto de diseo. Que es, el restos de la variacin del error constante para el factor de la diferencia nivel de combinaciones y la variacin del error no cambia segn el valor de la respuesta. Los errores son independientes. Que es, no hay correlacin entre errores; cada error es independiente de los dems.
Analyze factorial design.

5 Clic Graphs. 6 Completar la cuadro de dialogo como se muestra de bajo.
7 Clic OK en la cuadro de dialogo.

Las graficas de los efectos para la reduccin de modelos muestras que ambos factores son significantes. Notar que solo los efectos principales son graficados. MINITAB usa los nombres de los factores ms bien que las letras para las etiquetas.

Usar las graficas residuales contra el orden de los datos para verificar que los residuales son independientes. Si existe un efecto debido a la coleccin de datos ordenados, los residuales no sern dispersados cerca del cero. Se podrn detectar un patrn en la graficas. Si no existe efecto debido a la coleccin, los residuales no sern dispersados cerca del cero.

En la tabla de efectos estimando el Low p-values (0.040 y 0.000) para ambos factores indica que la aplicacin del mtodo y primer type tienen un significante impacto en la incorporacin. Se debe notar lo siguiente: La aplicacin del mtodo efecto es negativa (0.13375) debido a que la paint adhesion fue grande, sobre el promedio, cuando se sumerge que cuando se roca. El paint type efecto es positivo (0.47375) debido a la primer type dos tiene un promedio alto que la primer type uno.
1-30

La tabla ANOVA incluye una carencia de prueba apta (lack of fit test). La hiptesis nula es que este modelo se ajusta a la respuesta de dato adecuadamente. El p-value (0.315 > 0.10) indica que no se debe de rechazar esta hiptesis. Este caso significa que no se hizo ningn error por remover los trminos de la interaccin del modelo. La carencia significante indica que se puede tener trminos izquierdos fuera del modelo.

La tabla de inusual observaciones indica que la observacin 9 esta fuera porque su residuo es ms de dos desviaciones estndar desde el cero. Estar afuera regularmente pasa por cambios, pero generalmente bueno chocarlo para saber una potencial causa.
Que sigue?
Se usa grafica factorial para encontrar los factores que optimizan la respuesta.
Verificando la mejor combinacin

Una ves que se ha elegido un apropiado modelo para los datos experimentales, usar grafica factorial para visualizar los resultados.
Factorial Plots
1. elija Stat > DOE > Factorial > Factorial plots. 2. Complete el cuadro de dialogo.
3. 4. 5. 6. 7.
Para cada grafica clic Setup En Response, enter adhesion. En Factors to Incluye in Plots, remover ApMethod y PrimType a seleccionar. clic OK. despus De tres graficas, clic OK.

De los puntos principales de los efectos, se puede concluir lo siguiente: Los resultados de de sumergir es fuerte adherencia que el rociado. Los resultados de Primer type dos es fuerte adherencia que el Primer type uno. Se puede probar estos efectos y se sabr desde la tabla de coeficientes que son significantes.
Interpretando los datos

Grafica de interaccin.
La grafica de interaccin muestra que la primer tupe de sumergir es mas fuerte en adherencia. Se sabe que la interaccin no es importante por el hecho de que dos lneas estn cercanamente paralelas.

Grafica Cbica.
La grafica cbica muestra que los resultados que se pueden observar anteriormente en la tabla de salida cruzada (cross-tabulation ). Debido a que solo se tiene dos factores, la grafica de cbica es un rectngulo. Se puede ver los niveles de los factores simultneamente. La mejor adherencia (5.0075) es para Primer type dos y es para los especimenes que se sumergen.
Consideraciones finales
Conclusiones Prcticas.
La pintura en adherencia es maximizada cuando la Primer type es sumergida. De cualquier manera se debe de considerar los costos para cada mtodo. Consideraciones estadsticas. Para identificar importantes trminos en el modelo. Se usa una grafica de Pareto o una grafica normal de probabilidad de efectos. Para obtener informacion en relacin de constante y bloques de los factores. Se usa la tabla de coeficientes y efectos. Para visualizar la significan ca de los grupos de efectos. Se usa la tabla ANOVA. Para considerar los efectos de retiros simultneos de dos o mas trminos. Se usa una carencia de prueba apta (a lack of fit test). Para evaluar la normatividad, independencia, y la igualdad de los residuos. Se usa la grafica residual. Para visualizar los efectos principales y dos maneras de intersecciones. Se usa la grafica de efectos principales e interacciones (main effects and interaction plots). Para visualizar los principales resultados de todas las combinaciones de tratamiento. Se usa una grafica cbica.
1 - 37
Ejercicio 1.1
Desgaste del Motor Problema
Se desea estudias la viscosidad del aceite y temperatura en el desgaste de motor. La Meta es encontrar el factor de preparacin para minimizar el desgaste del motor.
Reunin de datos.
Se esta buscando la combinacin que produzca el menor desgaste. Se harn dos replicas as que se podrn correr cada experimento para poder probar todas la posibles interacciones. Todos los experimentos se podrn correr en un solo da, y si se requiere otro da se harn trminos de bloques.
Instrucciones.
1. Utilice la tabla de dados que se encuentra de bajo para crear un diseo factorial completo con tres factores y dos replicas. 2. Abril el Project ENGWEAR.MPJ 3. Utilice Analyze Factorial Design para ajustar el modelo, Incluyendo una grafica de Pareto y de efecto. 4. Evaluar si es conveniente usar graficas de residuo para el modelo final. 5. Utilizar graficas factorial para determinar la mejor preparacin.
Data set
Name StdOrder RunOrder CenterPt Blocks Viscosity Temp Additive EngWear Data type Numeric Numeric Numeric Numeric Numeric Numeric Numeric Numeric Variable type Order Order Center Point Block factor Factor Factor Response Levels
1 30,40 75, 100 A, B
Diseos Factoriales Completos
Objetivos
Determine el tamao de la muestra de un diseo factorial completo. Desarrollo de un diseo factorial completo. Calcular el poder de un diseo factorial completo.
Contenido
Ejemplos y Ejercicios Propsito Pgina
Calculando tamao de muestras.Determinar el nmero de replicas 2-3 Ejemplo # 1 que se necesita para alcanzar el poder Elegir el nmero de replicas. Deseado. Ejercicio 1.1 Replicas, punto central y poder. Evaluar el impacto de agregar rplicas 2-11 diseo de replicas. y puntos de centro en poder. Ejemplo # 2 Minimizacin residual en un proceso de limpieza industrial Analizar un diseo factorial total, identificar problemas en puntos residuales. 2-12
Ejercicio 2.1 Analizar un diseo factorial total. Remover los datos que puedan estar afuera en el proceso de limpieza. Investigacin de poder. Ejemplo # 3 Deteccin de una mejora en la limpieza. Ejercicio 3.1 Diseo flexible de un cable de aluminio. Ejercicio 3.2 Deformacin de las placas de cobre. Encontrar el poder de las pruebas para detectar diferencias. Definir el diseo factorial para un cliente; Analizar un diseo factorial Y encontrar la energa de la prueba. Analizar un diseo factorial general
2-41
2-42
2-47
2-48
Los documentos que buscas estn en http://www.gestiopolis.com/ 1.1 2 2-
Calculando Tamao de Muestras

Ejemplo # 1 Elegir el nmero de muestras Problemas.
En la etapa final de la produccin un taladro de acero es limpiado apenas antes de ser empacado. La temperatura, el tiempo y el concentrado de la solucin del limpiador han sido identificados con las variables de entrada que afecta la limpieza. La tarea es encontrar el factor de preparacin de la limpieza mas optima para los taladros. Despus de limpiar cada parte, el taladro es empapado en solvente. El solvente es entonces evaporado y el residuo del solvente es medido. Se esta buscando el tratamiento que produzca el menor residuo. Un mejoramiento significativo en la limpieza de residuo es de cinco unidades de desviacin estndar. La desviacin estndar en el residuo es dos unidades. Se debe de determinar el nmero de replicas necesarias en un diseo completo de un triple factorial para detectar una diferencia de cinco unidades con una reduccin de al menos 80% de poder.
Reunin de datos.
Solo ocho veces puede ser elaborado el experimento en un da. Si se decide hacer un diseo que requiera ms de 8 veces, es necesario agregar una variable que cuente los das de elaboracin del experimento.
Tools
Stat > Power and Simple Size > 2-level factorial design. Data set Ninguna. (none) Name Temp Time Conc Data type Numeric Numeric Numeric Variable type Factor Factor Factor Levels 120, 180 10, 30 2,6
2-3 2-3
Calculando Tamao de Muestras

Cuales son los clculos de tamaos de muestra.
La habilidad de la prueba de poder es detectar un efecto. Es posible que debido al error de muestreo los resultados de la prueba arrojen conclusiones equivocadas. La prueba de Poder identificara correctamente si existe un efecto en caso de haberlo. Si una prueba ha sido de poder bajo, se puede fallar en detectar si existe un efecto y por lo tanto se puede concluye errneamente que no existe. Si una prueba ha sido de poder muy grande, o muy pequea es posible que los efectos encontrados como no interesantes sean al final significativos. El tamao de las muestras tiene un directo impacto sobre el poder (power). Haciendo crecer el tamao de las muestras se consigue que crezca el poder de la prueba.
Cuando usar los clculos de tamao de muestras.

Antes de recolectar los datos a considerar en el diseo sensitivo. Se debe de examinar los posibles problemas del tamao de la muestra. Si se desea estar seguro que se tiene el poder (power) suficiente para detectar diferencias (efectos) que puedan ser determinantes o ser importantes, se puede incrementar el diseo de sensitivo para incrementar los tamao de las muestras o para tomar medidas para reducir los errores de varianza.
Porque usar los clculos de tamao de muestras.

La estimacin del tamao de la muestra puede responder preguntas tales como: Con cuantas replicas necesito detectar los factores que sean significantes y/o diferentes en el resultado. Cuantos puntos del centro se deben agregar para incrementar sustancialmente el poder del diseo. Por ejemplo: Que tan largo de la muestra es necesario para determinar el impacto del cristal para el brillo de una televisin. Como agregar puntos centrales que afectan el poder del diseo para detectar diferencias la dureza del chocolate.
2-4
Elija el tamao de la muestra

Es necesario determinar cuantas veces se debe replicar el diseo para alcanzar el poder necesario para detectar efectos del tamao de cinco unidades o ms largos. Valores Para diseos factoriales completos de dos niveles se puede calcular: Nmero de replicas. Poder. Efecto mnimo. Nmero de puntos centrales. Se necesita determinar el valor aceptable para cualquiera de los tres parmetros y MINITAB Resolver el cuarto. Para los problemas de residuo, especficos valores para el poder, mnimos efectos, y nmeros de puntos centrales. MINITAB determinar el nmero de replicas requeridas para detectar un efecto de tamao cinco en el nivel especifico del poder.
2- Level Factorial Design.

1 Elija Stat > Power and Simple Size > 2-level 2 Complete la cuadro de dialogo que se muestra de bajo.
3 Clic Options. 4 En Significance level, teclee 0.10 5 Clic OK en cada cuadro de dialogo.
2-5

Para detectar una reduccin del residuo de cinco unidades con uno poder de al menos 0.80, se necesita dos replicas del diseo. Solo 8 corridas deben ser hechas en un solo da. Porque se necesita un total de 16 corridas, se necesita usar un da como un factor de bloque.
Qu sigue?
Encontrar la estimacin del poder si el experimento es corrido en dos bloques (dos das).
Agregando bloques al modelo

Bloques.
Agregar bloques al modelo ha sido un impacto en el poder de las pruebas.
Termino de punto central.

Debido a que el diseo no incluye puntos centrales. MINITAB ignora la opcin para incluir un trmino para puntos central en el modelo.
2- Level Factorial Design.

1 Elija Stat > Power and Simple Size > 2-Level Factorial Design 2 clic Design 3 Completar el cuadro de dialogo.

La adicin de una variable de bloque reduce el poder del diseo levemente (de 0.09980 a 0.9975) de cualquier manera la reduccin del poder debido a la inclusin de bloques en le calculo del poder es usualmente generada por una desviacin estndar mas pequea.
Se necesita replicar dos veces para obtener un poder de 80%, por lo regular la manera mas practica para incrementar el poder es incrementar el nmero de replicas en el diseo. De cualquier manera tambin se puede agregar puntos centrales al diseo.
Consideraciones estadsticas.
Existen cinco factores bsicos que pueden incrementar el poder de un nivel dos diseo factorial ( two-level factorial design). 1. Un tamao ms grande del efecto. Algunas veces se puede incrementar el tamao de un efecto incrementando la diferencia entre los niveles de los factores. 2. Un nivel ms alto (el nivel de significancia). 3. Menos variabilidad. Cuando la desviacin es menor, tambin ser la diferencia que se pueda detectar. 4. Ms replicas. El mayo valor colectado para cada punto de esquina. Agregando replicas tambin se incrementa los grados de libertad usando una estimacin de desviacin estndar por lo tanto se incrementa el poder. 5. Ms puntos centrales. Agregando puntos centrales se incrementa el grado de libertad usando una estimacin de desviacin estndar, por lo tanto se incrementa el poder.
2-9 Los documentos que buscas estn en http://www.gestiopolis.com/ 2-9
Cambio de factores difciles.
Muchos experimentos envuelven factores que son difciles de cambiar. Un factor es difcil de cambiar porque se involucra el tiempo y los costos o por los niveles de factor tomados. Por ejemplo, la temperatura y la presin. Cuando un experimento contiene factores difciles de cambiar, se debe seleccionar aleatoria mente una combinacin de niveles de factores difciles de cambiar.
Cambio de factores y bloques difciles.

Los cambios de factores son confundidos frecuentemente con los bloques.
Ejercicio 1.1 Replicas, Puntos Centrales y Poder

Problema
Un mejoramiento significativo en la limpieza es la reduccin de cinco unidades. La desviacin estndar en reduccin es aproximadamente de dos unidades. Se debe de determinar el nmero de replicas o puntos centrales que se necesitan en tres factores de diseo factorial completo para detectar una diferencia de cinco unidades con al menos 80% de poder.
Reunin de datos
Solo ocho corridas pueden ser preparadas en un solo da. Si se desea usar un diseo que requiera mas de ocho corridas se necesitara agregar una variable bloque que cuente los das en cada corrida del experimento.
Instrucciones
1 Observar como el poder es afectado si solo se corre una replica. Provea a MINITAB los valores para las replicas (1), Efectos (5); y nmero de puntos centrales (0). Para encontrar el poder para este diseo. Prepare el nmero de trminos omitidos del modelo a 1 en el diseo sub-diagonal. 2 Para incrementar el poder, una alternativa es replicando el diseo y agregando puntos centrales. Esto debido a que solo se pueden correr ocho corridas en el da. Se corre el experimento con puntos centrales en dos bloques. Observar como se agregan 1,2,3, o cuatro puntos centrales por bloques al diseo con una replica afecta al poder. Si se agrega al menos un punto central por bloque, no se necesita omitir ningn trmino de modelo.
Data set.
Ninguno.
Name Temp Time Conc
Data type Numeric Numeric Numeric
Variable type Factor Factor Factor
Levels 120, 180 10, 30 2,6
2 - 11
Replicando Diseos
Ejercicio 2 Minimizando la reduccin en un proceso de limpiezas industrial. Problemas.
En la etapa final de la produccin un taladro de acero es limpiado apenas antes de ser empacado. La temperatura, el tiempo y el concentrado de la solucin del limpiador han sido identificados con las variables de entrada que afecta la limpieza. La tarea es encontrar el factor de preparacin de la limpieza mas optima para los taladros. Despus de limpiar cada parte, el taladro es empapado en solvente. El solvente es entonces evaporado y el residuo del solvente es medido. Se esta buscando el tratamiento que produzca el menor residuo.
Reunin de datos.
Solo ocho veces puede ser elaborado el experimento en un da. Si se decide hacer un diseo que requiera ms de 8 veces, es necesario agregar una variable que cuente los das de elaboracin del experimento. Tools Stat > DOE >Factorial > Create Factorial Design. Stat > DOE >Factorial > Analyze factorial Design.
Data set
Name StdOrder RunOrder CenterPt Blocks Temp Time Conc Residue Data type Numeric Numeric Numeric Numeric Numeric Numeric Numeric Numeric Variable type Order Order Center Point Block Factor Factor Factor Response Levels
1, 2 120, 180 10, 30 2, 6
2 - 12 2 - 12
Replicando Diseos
Las replicas son repeticiones de corridas en un mismo experimento. Cuando se replica un diseo, se duplica todo el diseo inicial. Por ejemplo. Suponga que se ha creado un diseo factorial completo en 4 factores y 16 corridas y se especifica 2 replicas. Las 16 corridas sern repetidas por un total de 32 corridas en el experimento.
Cuando se replica un diseo

Existen tres razones para replicar un diseo: 1 Se puede obtener un error experimental. 2 Se puede obtener una estimacin mas precisa de un efecto. 3 Se puede analizar la variacin de cara combinacin.
Porque replicar un diseo

Al replicar un diseo se pueden contestar preguntas tales como: Cuan es la variabilidad de la respuesta de cada combinacin. Es la variabilidad igual a travs de todos los niveles de los factores. Por ejemplo, Cual es la variabilidad en la vida de una herramienta de corte en velocidad de corte y corte angular. Factorial Design (One Replicate) One replicate added (Total of two replicates) Two replicates added (Total of three replicates)
Creando un diseo factorial

Se debe de seleccionar el tipo de diseo (2-level factrial (default generators.) y nmero de factores (3), antes de elegir el diseo. Clic Design para observar los diseos apropiados para un dos-nivel factorial conteniendo tres factores.
Creacin de un diseo factorial

1 Elija Stat > DOE > Factrial > Create Factorial Design. 2 Completar la cuadro de dialogo que se muestra de bajo.
3. Clic Designs.

Diseo
Un diseo valido depende de el nmero de factores y el tipo de diseo elegido previamente en la cuadro de dialogo.
Replicas y bloques
El nmero de bloques permitido en una lista depende de ambos nmeros de factores y el tipo de diseo. El mximo nmero de replicas para cualquier diseo factorial a travs del cuadro de dialogo es de diez. Cuando se regresa al cuadro de dialogo principal se debe observas que el botn de Factors, Options y Results ha sido activados.

4 Complete el cuadro de dialogo como se muestra de bajo.
5 Clic OK para retornar a la cuadro de dialogo principal.

Factores
Se puede dar nombre a los factores y especifcar la preparacion del experimento en el cuadro de dialogo de factores. Una regla general, Se debe especificar los valores numericos si los factores pudieran ser cotinuos. Los factores categoricos se deben cifrar como texto. Si se agregan puntos centrales al modelo, los factores categoricos se deben cifrar como texto.

6 Clic Factors 7 Completar el cuadro de dialogo como se muestra de bajo.
8 Clic OK en el cuadro de dialogo. 9 Clic en el Project Manager de la barra de herramientas para ver informacin en relacin al diseo.
Los documentos que buscas estn en http://www.gestiopolis.com/ 21.1 16

Se puede observar la generacin de un diseo en el Project Manager o en el Seccin Windows.
Diseo factorial
El diseo es diseo factorial completo con 3 factores y 8 corridas el total de nmeros de corridas es de 16 porque existe dos replicas de cada combinacin.

Diseo factorial completo
En la seccin de Windows, MINITAB exhibe la misma informacin en relacin a las base de diseo que se muestra en el Project Manager. La base es un diseo factorial completo con tres factores y ocho corridas.
Generadores de bloques.
La primer replica de cara tratamiento es colocada en un bloque y la segunda replica en otro.
Los documentos que buscas estn en http://www.gestiopolis.com/ 2 18
Agregando datos a la respuesta

Si se desea teclear datos en la respuesta directamente, MINITAB Data Windows, con el archivo RESIDUE.MTW. Ya contiene los valores de cada corrida. Los datos en RESIDUE.MTW estn en orden estndar. Se debe de asegurar que el diseo sea exhibido en orden estndar antes de combinar los datos de la respuesta con el diseo.
Display Design
1 Elija Stat > DOE > Display Design 2 En Order for all points in the workshed, elija Standar order for design. 3 Clic OK Open Worksheet. 1 Elija File > Open Worksheet 2 Elija Merge 3 En File name, teclee RESIDUE.MTW 4 Clic Open 5 Presione Ctrl + D par a ver la hoja de trabajo.

Elementos del diseo.
MINITAB automticamente almacena el diseo en una hoja de trabajo. Se debe de ser cuidadoso en relacin a los cambios de los elementos de diseo en la hoja de trabajo. Si se hacen cambios que modifiquen el diseo, se debe de redefinir el diseo usando Define Custom Factorial Design. StdOrder. El diseo esta en orden estndar; El primer factor es ordenado alto bajo, alto bajo, el segundo factor esta ordenado dos bajo y dos alto; y el tercer factor esta ordenado cuatro alto y cuatro bajo. RunOrder. En RunOrder MINITAB asigna un orden aleatorio a las corridas del experimento para facilitar la aleatoriedad cuando el experimento este preparado. CenterPt. Esta columna indica el tipo de puntos del diseo. Los puntos centrales son codificados con 0; las esquinas de puntas son codificados como 1. Todos los puntos de diseo en este experimento son puntos de equina. Blocks. Los bloque indican si ese particular combinacin preparada se correr en el primer o segundo da.
Qu sigue?
Usar Analyze Factorial Design para acomodar el modelo inicial.
Analizando grafica de modelo y efectos

Seleccionando trminos.
Cuando se comienza un anlisis de un diseo factorial completo, el primer modelo debe de contener todos los trminos, incluyendo los principales efectos e interacciones. La seleccin de todas la interacciones esta hecha automticamente en el sub-cuadro de dialogo.
Analyze Factorial Design;

1 Los datos no son iguales que los que se muestran en la pgina 2-20, se debe abrir el archivo RESIDUE.MPJ 2 Elija Stat > DOE > Factorial > Analyze Factorial Design 3 En Responses, d enter a Resudue 4 Clic Terms. 5 Complete el cuadro de dialogo como se muestra de bajo.
6 Clic OK.
Analizando grafica de modelo y efectos

Diagrama de efectos.
En el anlisis inicial, se debe de usar graficas normales y de Pareto para determinar cuales terminos son imprtantes en el modelo. Se debe de recordar que un importante trmino es uno en cual la respuesta promedio de una alta y baja preparacion son significantemente diferentes.
Diagrama residual.
Se debe de esperar a tener el modelo final anter de crear un diagrama residual.
Analyze Factorial Design

7 Clic Graphs 8 Complete el cuadro de dialogo como se muestra de bajo.
Los documentos que buscas estn en http://www.gestiopolis.com/ 1.1
2 - 22

Las barras en la grafica de Pareto que se excede la lnea punteada indica in significante efecto al elegir el nivel. En este ejemplo, los siguientes efectos son significantes: Temperatura. Tiempo. La interaccin de tiempo por temperatura.

Interpretacin practica contra estadstica.
El hecho de que la concentracin no sea significante puede parecer lo contrario de intuitivo. Porque tal vez se espera que unos resultados de alta concentracin en unos bajos residuos. Una razn practica puede ser pobre la preparacin pobre para una concentracin; si la alta preparacin en muy concentrada; la preparacin puede tambin estar cerca de otra. In Otras palabras, los cambios en la concentracin no pueden ser suficientes para un impacto residual.

Efectos estandarizados.
La estandarizacion de los efectos son los valores absoluto de una t-stadistic Mostrada en la sesion.

Un una grafica de probabilidad normal. Minitab etiqueta trminos que son significativos al elegir el nivel. Estos terminos son los mismos efectos significativos que se muestran en el diagrama de Pareto. La grafica de probabilidad normal tambien muestra la direccin de cambio. En este ejemplo A y B son negativos; La interaccin AB es positiva.
Tabla ANOVA Se usa la tabla ANOVA para visualizar grupos de trminos en ves de trminos individuales. La tabla indica los siguientes: Los bloques no son significativos, los resultados del experimento fueron similares en ambos das (P =0.754) Al menos uno de los efectos principales es significativo (P =0.000) Al menos uno de los dos caminos de interaccin es significativo (P =0.023) La interaccin de tres caminos no es significativo (P = 0.147)
Qu sigue?
Remover los bloque y el trmino de la interaccin de tres caminos (three way) y reajustar el modelo.
2 - 27
Reajustando y reduciendo el modelo

Removiendo los trminos de un modelo.
Para ajustar el modelo reducido se debe de regresar a Analyze Factorial Design y hacer lo siguiente: Mover la interaccin ABC del Selected Terms al Abalilable Terms.
Removiendo los bloques de un modelo.

Cuando un bloque no es significativo, se puede remover del modelo y los resultados de albos das no son tratados con replicas.

1 Elija Stat > DOE > Factor > Analyze Factorial Design 2 En Response, Enter Residue. 3 Clic Terms. 4 Complete el cuadro de dialogo que de muestra de bajo.
Interprentando los Resultados

Verificacion de terminos significantes usando graficas de efectos
Las graficas de efectos (Grafica de pareto y grafica de probabilidad normal de efectos estandarizados) de la reduccion de modelo indica la temperatura, tiempo, y y la interaccion de tiempo por temperatura son significantes.
Anlisis de la tabla de Varianza.

Se puede concluir que: Existe al menos un efecto principal significante (P = 0.000) Exisite al menos una interaccin two-way significante (P = 0.019).
Falta de ajuste.
La p-value no significante para Lack of Fit (P = 0.122) indica que el trmino de interaccin three-way que se removi del modelo no es necesario.
Tabla de coeficientes.
Se puede verificar que los siguientes trminos no son significativos y se pueden mover del modelo. Conc (P = 0.650) Temp*Conc (P = 0.879) Time*Conc (P = 0.242)
Qu sigue?
Debido a que ninguno de los trminos son significativos, se pueden remover y volver a ajustar el modelo.
Ajuste y Reduccin del Modelo

Removiendo los trminos de un modelo.
Para el ajuste de un modelo se debe de regresar a Analyze Factorial Design y quitar todos los trminos que contengan los factores C: Conc de Selected Terms al Available Terms.
Analyze Factorial Design 1 Elija Stat > DOE > Factor > Analyze Factorial Design 2 En Response, Enter Residue. 3 Clic Terms. 4 Complete el cuadro de dialogo que de muestra de bajo.
5 Clic OK en cada cuadro de dialogo. 6 Clic Graphs, no verificar Normal y Pareto. 7 Clic OK en cada caja de dialogo.

Tabla de efectos de estimacin y coeficientes
Utilizar la p-value en la tabla de efectos de estimacin t coeficientes para determinar si cualquiera de los efectos residuos no son significantes. La p-value indica que todos los trminos residuos son significantes al nivel 0.10. Temp (P = 0.000) Time (P = 0.001) Temp*Time (P = 0.001)
Qu sigue?
Crear una grafica de residuos para verificar que los modelos asumidos han sido encontrados.
Verificando los modelos asumidos

Ahora que se ha reducido el modelo a uno es apropiado revisar la grafica residual. Utilizar la grafica residual para verificar que los siguientes modelos de termino error han sido encontrados. Los errores son una distribucin normal con significancia cero. El error es el mismo para cada punto de diseo, que es, el error varianza residuo constante para diferente combinacin de factores y la varianza error no cambia de acuerdo a los valores de la respuesta.

1 Elija Stat > DOE > Factor > Analyze Factorial Design o presionar Ctrl +E 2 Clic Graphs 3 Completar el cuadro de dialogo como se muestra de bajo.
4 Clic OK en cada caja de dialogo.

Utilizar la grafica de distribucin normal para verificar que los residuos no se han desviado de una distribucin normal. Si los residuos son de una distribucin normal, los puntos seguirn una lnea recta. Si los residuos no son una distribucin normal, los puntos no seguirn una lnea recta. Para los datos de residuo no se siguen un patrn de lnea recta, el punto de la esquina izquierda queda fuera de la lnea recta.
Qu sigue?
Utilizar la grafica Brushing para investigar estos puntos.
2-35
Identificacin de observaciones inusuales

Utilizar la grafica Brushing para identificar observaciones problemticas en la grafica residual. Utilizar Set Variables ID para obtener los factores asociados observados. Si algunos puntos son problemticos, se puede utilizar Set Variables ID para identificar los atributos comunes separados de estos puntos.
Set ID Variables
1 2 3 4 Clic en Normal Probability Plot of the Residuals. Clic en el Pintbrush icono para activar grafica Brishing. Clic derecho para elegir Set ID Variables. Completar el cuadro de dialogo como se muestra de bajo.
5 Clic OK.

Se debe de investigar la observacin en la fila nueve mas lejos. Temperatura = 120 Time = 30 Concentracin = 2 Debido a que el residual es negativo, el valor de la respuesta de este punto es bajo que el modelo que se puede predecir.

Utilizar la grafica residual contra la el acomodo de valores para verificar que las siguientes suposiciones han sido encontradas. La varianza constante cruza todo el nivel del factor. La tabla de bajo resume el tpico patrn que se puede ver. Y se puede observar uno de estos patrones en alguna grafica, la suposicin ha sido violada.
Patrn
El roco residual de diferentes valores. Un punto no es verdad localizado lejos del cero.
Indicadores
La varianza del experimento no es Constante.

Utilizar la grafica residual contra la el acomodo de valores para verificar que las siguientes suposiciones han sido encontradas. Si existe un defecto debido a la reunin de ordenados. Los residuales no son esparcidos aleatoria mente alrededor del cero y se puede detectar un patrn en la grafica. Si existe un defecto debido a la reunin de ordenados.
Consideraciones Finales
Antes de hacer cualquier conclusin en relacin a los datos se debe investigar las causas de los puntos dispersos. En este caso se muestra que las causas de la dispersin de puntos es un error en la entrada de datos. En efecto la observacin en la fila nueve fue codificada como 41, pero deba de ser 51. Los datos deben de analizar de nuevo con los correctos valores antes de que se pueda hacer cualquier conclusin.
Consideraciones estadsticas.
Un punto fuera puede general gran impacto al modelo. El ajuste y las conclusiones se pueden dibujar desde el anlisis, as que es muy importante que se investigue a fondo las causas potenciales de la dispersin. Si no se puede encontrar una razn practica de la existencia de la dispersin, es de mucha utilidad el determinar que tan disperso se encuentra los puntos y que tanto afecta para las conclusiones. Se puede: Correr el mismo anlisis con o sin la lnea de observacin para revisar si las conclusiones han cambiado. Experimentar con cambio de valores para menor o mayor valores y observar la magnitud y sus conclusiones.
Ejercicio 2.1
Moviendo la Dispersin y Limpiando los Datos del Proceso Problema.
En la etapa final de la produccin un taladro de acero es limpiado apenas antes de ser empacado. La temperatura, el tiempo y el concentrado de la solucin del limpiador han sido identificados con las variables de entrada que afecta la limpieza. La tarea es encontrar el factor de preparacin de la limpieza mas optima para los taladros. Despus de limpiar cada parte, el taladro es empapado en solvente. El solvente es entonces evaporado y el residuo del solvente es medido. Se esta buscando el tratamiento que produzca el menor residuo.
Reunin de datos.
Solo ocho veces puede ser elaborado el experimento en un da. Si se decide hacer un diseo que requiera ms de 8 veces, es necesario agregar una variable que cuente los das de elaboracin del experimento.
Instrucciones.
1. Abrir RESIDUE.MPJ 2. Corregir los valores de 41 a 51 de la fila nueve para cambiar la observacin. 3. Utilizar Analyze Factors Design para ajustar modelo incluyendo la grafica de Pareto y efectos. 4. Evaluar si es viable el modelo final usando graficas residuales. 5. Utilizar la grafica factorial para determinar la mejor preparacin del factor.
Data set
Name StdOrder RunOrder CenterPt Blocks Temp Time Conc Residue Data type Numeric Numeric Numeric Numeric Numeric Numeric Numeric Numeric Variable type Order Order Center Point Block Factor Factor Factor Response Levels
1, 2 120, 180 10, 30 2, 6
2-41 2 - 41
Investigacin del Poder

Ejemplo deteccin de un mejoramiento de limpieza. Problema.
En la etapa final de la produccin un taladro de acero es limpiado apenas antes de ser empacado. La temperatura, el tiempo y el concentrado de la solucin del limpiador han sido identificados con las variables de entrada que afecta la limpieza. La tarea es encontrar el factor de preparacin de la limpieza mas optima para los taladros. Despus de limpiar cada parte, el taladro es empapado en solvente. El solvente es entonces evaporado y el residuo del solvente es medido. Se esta buscando el tratamiento que produzca el menor residuo. Un mejoramiento significativo en la limpieza de residuo es de cinco unidades de desviacin estndar. La desviacin estndar en el residuo es dos unidades. Se debe de determinar el nmero de replicas necesarias en un diseo completo de un triple factorial para detectar una diferencia de cinco unidades con una reduccin de al menos 80% de poder.
Reunin de datos.
Solo ocho veces puede ser elaborado el experimento en un da. Si se decide hacer un diseo que requiera ms de 8 veces, es necesario agregar una variable que cuente los das de elaboracin del experimento. Tools Stat > Power and Simple Size > 2-level factorial design.
Data set
Ninguna. (none) Name Temp Time Conc Data type Numeric Numeric Numeric Variable type Factor Factor Factor Levels 120, 180 10, 30 2,6
2-42 2 - 42
Anlisis del Poder

Que es el poder del anlisis
El poder de una prueba permite detectar un efecto. Si esta existe. Debido a errores se puede dar una conclusin no correcta. El poder tiene la probabilidad de probar correctamente y de encontrar un efecto si este existe. Si una prueba ha sido de poder bajo, se puede fallar en detectar si existe un efecto y por lo tanto se puede concluye errneamente que no existe. Si una prueba ha sido de poder muy grande, o muy pequea es posible que los efectos encontrados como no interesantes sean al final significativos. El tamao de las muestras tiene un directo impacto sobre el poder (power). Haciendo crecer el tamao de las muestras se consigue que crezca el poder de la prueba.
Cuando usar el anlisis de Poder.

Se puede examinar los datos despus de reunir los datos para saber el poder de la prueba que uno esta preparando. Por ejemplo, Suponer que se conduce un experimento y los datos del anlisis no revelan ningn resultado estadstico. Se puede calcular el poder basado en la diferencia mnima (efecto) que de desea detectar. Si el poder para detectar esta diferencia es baja, si se desea, de puede modificar el diseo del experimento para incrementar el poder i continuar evaluando el problema. Se el poder es muy alto se puede concluir que no existe diferencia significativa (efecto) y no se sigue con el experimento.
Por qu usar Anlisis de Poder?

Puede ser usado para contestar preguntas tales como: Cual fue el poder de la prueba que se acaba de correr. Fue el experimento lo suficientemente poderoso para encontrar un efecto significativo, si este existe?
2-43 2 - 43
Calculando el Poder
Es bueno tener una estimacin del poder para determinar la validez de los resultados. Calculado la desviacin estndar de un Modelo. Se puede suponer que un proceso normal deja un promedio residual de 55. Y se desea mejorar el proceso detectando el residual en 5 unidades. (Un promedio residual de 50 o menos.) Se puede utilizar un diseo factorial 2-level con 3 factores y 8 corridas el total de nmeros de corridas es de 16 porque existe dos replicas de cada combinacin. En el ejercicio 2.1 se puede encontrar el ajuste principal al cuadrado residual para este ejemplo. La desviacin estndar de este modelo es definido como la raz cuadrada de la varianza. (Adj MS Residual Error = 3.536) para el modelo. La raz cuadrada de la varianza de in modelo total fue 3.536 = 1.880 2- Level Factorial Design. 1 Elija Stat > Power and Simple Size > 2-Level Factorial Design 2 Completar el cuadro de dialogo como se muestra de bajo.
3 Clic Design 4 En Number of blocks, teclee 2 5 Clic OK. 6 Clic Options 7 En Significance level, teclee 0.10 8 Clic OK en cada cuadro de dialogo.
2 - 44

El poder de un modelo es de 0.9990. En otras palabras, con el diseo de experimentos y con el y el ajuste completo del modelo la probabilidad de encontrar correctamente una diferencia en residual de cinco unidades o mas es de 0.9990 o 99.9%
Influencia sobre el poder.

El poder depende de los nmeros de los trminos en el modelo, as como del nmero de bloques, el un anlisis final es excluido cuatro trminos y bloques.
Conclusiones Prcticas
Si el diseo ha generado un poder ms grande que el de 0.99 para detectar un cambio en los cinco puntos. Esto significa que existe menos de 1% de oportunidad de que no se haya encontrado o se haya fallado en encontrar una diferencia en la mejora de la limpieza. Consideraciones Estadsticas. Con solo tres factores, Un diseo factorial completo contiene solo ocho combinaciones. Este diseo es eficiente en costos para ms aplicaciones. Como los nmeros de los factores en el diseo 2 K incrementa, el nmero de corridas requeridas para un diseo factorial completo rpidamente mas haya para mas bsqueda. El nmero de corridas requeridas para un diseo factorial completo es listado en la tabla de bajo:
Nmero de factores 2 3 4 5 6 7 8 9 10
Nmero de corridas. 4 8 16 32 64 128 256 512 1024
2 - 46
Ejercicio 3.1
Diseo flexible de un cable de aluminio Problema
Una planta que produce productos de aluminio provee ala compaas energa con cables de aluminio. La fuerza con que se toma para hacer la curva al cable es de 0 grados esto es muy importante porque los trabajadores de la compaa necesitan trabajar al aire libre en la temporada del invierno.
Reunin de datos
Un three-factor un diseo factorial completo es usado para encontrar la preparacin del tamao del cable, el radio de la compresin y la templanza mnima que se necesita para que se flexione. Se desea que la respuesta sea una fuerza en libras para flexionar el cable de 0 a 90 grados.
Instrucciones
1 Abrir el Project WIREFLEX. MPJ. MINITAB no conoce que los datos son de un diseo de experimentos. Usar Define Custom Factorial Design para preparar estos datos como un two-level factorial experiment. Se puede definir WireSize, CompRati Y Anneal como factores. Utilizar Analyze Factorial Design para ajustar el diseo incluyendo el diagrama de Pareto y de efectos. Evaluar si es conveniente en el modelo final utilizar graficas residual. Utilizar grafica factorial para determinar la preparacin que minimice la fuerza necesaria para flexionar el cable. Encontrar el poder en la prueba para detectar diferencia en la fuerza. 0.5.
2 3 4
Data set
Ninguna. (Done) Name Wire Size Comparative Annul 0-90Flex Data type Text Text Text Numrica Variable type Factor Factor Factor Response Levels Thin, Thick Low, High A, B
2-47 2 - 47
Ejercicio 3.2
Deformacin de placas de cobre Problema
Los dos factores que contribuyen de gran medida a la deformacin de placas de cobre son la temperatura y el contenedor de placas. Es importante la interseccin entre estos dos factores.
Reunin de datos.
Se tiene dos factores con 4 niveles cada uno. Por lo tanto, el total de nmero de corridas en una replica completa es de 16. En orden para obtener una estimacin del error experimental. Usar dos replicas. Debido al tiempo de prueba requerido, solo 16 corridas pueden ser preparadas cada da. Una replica deber ser corrida cada da.
Instrucciones
1. Utilice la tabla que se encuentra de bajo para crear un diseo factorial completo con 2 factores (cada uno con 4 niveles) y 2 replicas. Se debe de asegurar de seleccionar la opcin de General full factor designa en el cuadro de dialogo de Creare Factorial Design. Debido a que los datos fueron reunidos en das separados, se debe de crear un bloque variable. 2. Los datos en la hoja de trabajo, WARP.MTW, son en orden estndar. Asegurarse que el diseo sea exhibida en orden estndar y entonces agregar a los datos de la respuesta en la hoja de trabajo usando la pocin Merge (fusin), en open worksheet. 3. Utilizar Analyze Factorial Design Para ajustar el modelo. 4. Evaluar si es apropiado utilizar grafica residual para el modelo final. 5. Utilizar la grafica factorial para determinar la preparacin de minimizacin de deformacin. Name StdOeder RunOrder Blocks Temp Copper Warping Data type Numeric Numeric Numeric Numeric Numeric Numeric Variable type Order Order Block Factor Factor Response Levels 1,2 50, 75, 100, 125 40, 60, 80, 100
2 - 48
Experimentacin Secuencial
Objetivos:

Reducir el nmero de corridas de experimentos usando diseos factorial fraccional. Detectar curvatura del modelo elaborado usando puntos centrales.
1-1
Los documentos que buscas estn en http://www.gestiopolis.com/ 3 -- 1 1 1
Contenido
Ejemplos y Ejercicios
Diseos factorial fraccional Ejemplo # 1 Minimizar una reaccin Cataltica. Puntos centrales en diseos factoriales Ejemplo # 2 Minimizar una reaccin Cataltica. Ejemplo # 3 Mejorar un proceso de diseo de fraccin de resistencia de soldadura. Ejemplo # 4 Mejorar un proceso de diseo de fraccin de resistencia de soldadura. Crear y analizar un diseo factorial fraccional. 3-3
Propsito
Pgina
Probar la curva usando puntos centrales. Analizar un six - factorial, diseo de fraccin
3 - 31
3 - 48
Analizar un six - factorial, diseo de fraccin
3 - 48
Los documentos que buscas estn en http://www.gestiopolis.com/ 1.1 2 3- 2
Diseo Factorial Fraccional

Ejemplo #1
Minimizacin de una reaccin Cataltica. Problema Se est interesado en estudiar como una reaccin cataltica convierte el substrato en un producto final. Se puede listar en cinco factores potencialmente influenciados, Feedrate, Catalysit, Agitation, Temperature y percent concentration. La meta es minimizar el porcentaje de substrato consumido en una reaccin. Reunin de datos. Se tiene suficiente dinero para hacer 35 corridas, se puede correr un diseo factorial completo (25) y usar 32 corridas en el primer experimento. Es generalmente mejor correr un diseo fraccional, analizar los resultados, y decidir los subsecuentes experimentos. Se debe de decidir usar 16 corridas, media fraccin debido a que si es concerniente a 2-way de interaccin puede ser significante. Usando este acercamiento secuencial se podr ganar la informacion suficiente para ahorrar tiempo y dinero. Procedimiento: Stat > DOE > Factorial > Create Factorial Design Stat > DOE > Display Design Stat> DOE > Factorial > Analyze Factorial Design
Data set
Nombre StdOrder RunOrder CenterPt Blocks Feedrate Catalyst Agitation Temp Conc% Reacted Tipo de Datos Numeric Numeric Numeric Numeric Numeric Text Numeric Numeric Numeric Numeric Tipo de Variable Order Order Center point Block Factor Factor Factor Factor Factor Response Nivel
1 10, 15 A, B 100, 120 140, 180 140, 180 3, 6
Diseo factorial fraccional

Que son los diseos factorial fraccional.
Para la mayora de los experimentos, la cantidad de recursos disponibles (tiempo, dinero) es limitada, como el numero de factores en 2k se incrementa, el numero de corridas para preparar una replica completa se incrementa rpidamente. En muchos casos, el diseo factorial completo comienza a ser muy costoso y difcil de preparar. Los diseos factorial fraccional usa fracciones de un diseo factorial completo para obtener informacin en relacin a efectos principales y a bajas ordenes de interaccin. Factorial Completo fraccin.
Cuando usar diseo factorial fraccional Un diseo 27 requiere 128 corridas para completar una replica conteniendo todas las posibles combinaciones de los niveles de factores. El modelo completo contiene 7 principales efectos y 21 dos factores interacciones (two-factor interactions) el resto de los factores interacciones de una orden ms alta. Porque usar diseo factorial fraccional. Se pueden contestar las siguientes preguntas. Cuales factores tienen un efecto mayor en la respuesta. Cuales factores tienen solo un impacto insignificante en la respuesta. Cuales ordenes de baja interaccin son importantes para explicar la variacin en la respuesta.
3-4 1.1
Create Factorial Design

Observacin En el cuadro de dialogo el diseo es tambin llamado 25-1.
Create Factorial Design 1 Elija Stat > DOE Factorial > Create Factorial Design 2 De Number of factors, elija 5 3 Clic Design 4 Complete el cuadro de dialogo como se muestra de bajo.
5 click OK.
Los documentos que buscas estn en http://www.gestiopolis.com/ 3 --5 3 5
Crear un Diseo Fraccional

Niveles de Factores.
Utilizar niveles numricos para las variables de cantidad tales como Feedrate, Agitation, Temp, y Conc%.
6 Clic Factors
7 Complete el cuadro de dialogo como se muestra de bajo.
Los documentos que buscas estn en http://www.gestiopolis.com/ 3 -3 - 6 6

Debido a que el lugar de los factores E (Conc%) cualquier efecto que se pueda ver podr ser confundido con efectos de interaccin ABCD.
Los documentos que buscas estn en http://www.gestiopolis.com/ 3 38 8 - -

Se puede encontrar incorporacin de informacin en relacin al diseo. Factors- Existen 5 factores en el diseo. Base Design- Este es el diseo base sin replica. Runs- El diseo se ha corrido 16 veces. Replicates- Se tiene una sola replica para cada uno del punto de diseo. Blocks- El diseo no esta en bloques.

Diseos Generados.
El factor E tiene el mismo patrn 1 y -1s que ABCD. Esto muestra que la seccin de Windows es: Design Generators: E = ABCD

La seccin de Windows exhibe las estructuras de diseo. I+ABCDE
Interpretando los datos

Asegurarse de que los datos en Windows sean iguales a los que se muestran aqu antes de seguir adelante.
Los documentos que buscas estn en http://www.gestiopolis.com/ 3 -13
Anlisis de un Diseo Factorial Fracciona.

1 Si los datos no son iguales a lo que se ha manejado anteriormente, abrir el Project REACT.MPJ 2 Elija Stat > DOE Factorial > Analyze Factorial Design 3 En Response, enter Reacted 4 Clic Terms 5 Observe que la preparacin en automtico muestra el siguiente cuadro de dialogo
6 Clic OK

Grafica de Probabilidad Normal.
Si todos los efectos fueron cero y la variacin fue derivada de una sola modificacin entonces todos los puntos deben de caer cerca de la lnea. Los efectos lejanos de la lnea son considerados significantes debido a sus valores.

Porque existen los efectos no estandarizados?
La grafica de probabilidad normal y la grafica de Pareto exhiben lo siguiente: Efectos estandarizados (t-value) cuando el modelo no esta saturado. Efectos no estandarizados (valores actuales) cuando el modelo est saturado.
Tabla de Anlisis de Varianza.

MINITAB no exhibe F-statistics y p-value en la seccin de Windows debido a que no son suficientes las observaciones.
Especificando un Modelo Reducido
Los efectos de la grafica del modelo completo indican que los efectos de B, D, E BD, y DE son significantes.
Analyze Factorial Design 1 Elija Stat > DOE > Factorial > Analyze Factorial Design 2 Clic Terms 3 Complete el cuadro de dialogo como se muestra de bajo.
4 Clic OK 5 Clic Graphs 6 Dentro de Residual Plot, Verificar Normal Plot, Residual Versus Fits, y Residual Versus Order. 7 Clic OK en cada cuadro de dialogo.

La grafica de efectos del modelo reducido indica que los trminos restantes son significativos. Notar que MINITAB re-etiqueta las graficas para un modelo reducido.

Anlisis de Varianza.
La tabla de anlisis de varianza de Windows muestra que los efectos principales son significativos.
Falta de Preparacin
La falta de preparacin de prueba muestra que no es significante el modelo (P=0.647)

Coeficiente Estimado.
Reacted= -88.37-32.75*Catalyst+1.02*Temp+23.25*Conc+0.27*Catalyst*Temp0.16*Temp*Conc.
La ecuacin puede ser usada como una unidad real.
Usar la grafica de probabilidad normal de residuos para verificar que los residuos no son substancialmente desviados de una distribucin normal.

Utilizar la grafica de residuos contra los valores preparados para verificar lo siguiente: Constante varianza a lo largo de todos los niveles de factores. No existe desviacin de datos.

Utilizar la grafica de Residuos contra los datos de la orden para verificar que los residuos son independientes.
Encontrando la mejor preparacin

Se puede utilizar la grafica factorial para encontrar la mejor preparacin por catalist, temperatura, y concentracin en orden para minimizar el porcentaje.
Factorial Plots 1 Elija Stat > DOE > Factorial > Factorial Plots. 2 Verificar Main Effects Plot y clic Setup 3 Completar el cuadro de dialogo como se muestra.
4 Clic OK 5 Repetir el paso 2-4 para preparar la Interaction plot. 6 Clic OK

Grafica de efectos principales.
La grafica de efectos principales muestra lo siguiente: Catalyst B produce un alto porcentaje que el Catalyst A. En promedio una temperatura de 180 grados en mejor que una temperatura de 140 grados.

Grafica de Interaccin.
Cuando la temperatura es 140 grados el Catalyst tiene un impacto pequeo sobre la reaccin del porcentaje. A una temperatura de 180 grados el porcentaje de reaccin.

Grafica cbica
La grafica cbica muestra claramente que se obtiene la ms alta conversin al final del producto usando el Catalyst B.
Conclusiones Prcticas.
Se puede concluir que el mximo porcentaje de substrato en reaccin es: El rate de alimentacin y agitacin no tiene un impacto significativo. Catalyst B, a una temperatura de 180 grados y 3% de concentracin minimiza el consumo de substrato.
Agregando grafica de puntos centrales para evaluar el modelo de curvatura

Create factorial design
1 Elija Stat > DOE > Factorial > Create Factorial Design 2 De Number of Factors, elija 2 3 Clic Design 4 De Number of center points, elija 2 5 Clic OK. 6 Clic Factors 7 Complete el cuadro de dialogo como se muestra de bajo.
Las dos ltimas filas de datos son los puntos centrales indicados por la columna CenterPt. Todos los niveles de factores son exactamente igual entre los nubles altos y bajos.
Diseo factorial fraccional

La grafica de Pareto muestra los efectos de los factores. La temperatura, concentracin en su interaccin no parece ser significante.
Curvatura.
La tabla ANOVA tiene una lnea para probar la curvatura. La hiptesis nula asume la evidencia de no significativo en los datos de la curvatura.
Para los datos reaccin no existe nmeros suficientes de observaciones para determinar si los residuales son por la distribucin normal.

Utilizar la grafica de residuos contra los valores preparados para verificar: Constancia de varianza en todos los niveles de los factores. Los puntos centrales fueron replicados. Debido a que los valores de la respuesta no son iguales a dos puntos. Sus residuos no son cero.

Si no existe efecto debido a la coleccin de datos, los residuos aleatorios al cero y se puede detectar un patrn en la grafica. Si no existe efecto debido a la coleccin de datos, los residuos aleatorios al cero.
Visualizando la falta de preparacin para alinear modelo

Utilizar una grafica factorial para observar el promedio de los efectos su temperatura y concentracin. Factorial Plots 1 Elija Stat > DOE > Factorial > Factorial Plots 2 Verificar Main Effects Plots y clic Setup. 3 Complete el cuadro de dialogo.
4 Clic OK 5 Repita los pasos 2-4 para preparar la Interaction Plot y Cube Plot. 6 Clic OK.

Temperatura y Concentracin.
Observar que los puntos centrales estn lejos de la lnea que conecta el promedio del porcentaje 170 grados y 190 grados. La misma informacion puede ser vista en una grafica de interaccin.
BIBLIOGRAFIA
Llibro de Minitab 14 Capitulo # tres: Introduccin a los diseos factoriales. Diseos Factoriales Completos. Experimentacin Secuencial. Optimizacin de Multiples Respuestas.
Integrantes de la investigacin Ingeniero, Sergio Alejandro Cura Hernndez. Ingeniero, Ricardo Edmundo Flores Gonzlez Contador, Jos Alfredo Lpez Lozano
Los documentos que buscas estn en http://www.gestiopolis.com/ 3 3 - 44 - 44

Sofware Aplicado en Calidad Con Fines Cos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sofware Aplicado en Calidad Con Fines Cos

Uploaded by

Copyright:

Available Formats

La comunidad Latina de estudiantes de negocios

MANUAL DE MINITAB 14 CAPITULO No. III

Los documentos que buscas estn en http://www.gestiopolis.com/ 33 - 4 -4

Introduccin a los diseos Factoriales

La comunidad Latina de estudiantes de negocios

Los documentos que buscas estn en http://www.gestiopolis.com/ 1 1-1

La comunidad Latina de estudiantes de negocios

Ejercicio 1.1 Desgaste del Motor

Analice un diseo factorial completo

Los documentos que buscas estn en http://www.gestiopolis.com/ 1-2

La comunidad Latina de estudiantes de negocios

1-3 Los documentos que buscas estn en http://www.gestiopolis.com/

La comunidad Latina de estudiantes de negocios

Diseos Factoriales completos

1 Dip, spray One, Two

Los documentos que buscas estn en http://www.gestiopolis.com/

La comunidad Latina de estudiantes de negocios

Diseos Factoriales Completos

B S S S S Dos niveles del factor A Tres S niveles del factor B

C B S S S S S S S S Dos niveles de cada factor. S S

Cuando se usa los diseos factoriales completos?

Los documentos que buscas estn en http://www.gestiopolis.com/

La comunidad Latina de estudiantes de negocios

Creando diseo factoriales

Creando Diseos Factoriales

7 Clic OK en cada ventana.

Los documentos que buscas estn en http://www.gestiopolis.com/ 1-6

La comunidad Latina de estudiantes de negocios

Interpretando los Resultados

Cambiando el orden de la exhibicin

Exhibiendo niveles de Factores.

Ventaja de un diseo ortogonal

Los documentos que buscas estn en http://www.gestiopolis.com/

La comunidad Latina de estudiantes de negocios

Interpretando los Resultados

Incorporacin de datos a la respuesta

Los documentos que buscas estn en http://www.gestiopolis.com/

La comunidad Latina de estudiantes de negocios

Los documentos que buscas estn en http://www.gestiopolis.com/ 1 - 11

La comunidad Latina de estudiantes de negocios

Definir efectos de factores

Tabulacin cruzada (Cross Tabulation)

Los documentos que buscas estn en http://www.gestiopolis.com/ 1 - 12

La comunidad Latina de estudiantes de negocios

Analizar el diseo factorial ( Analyze Factorial Design)

Los documentos que buscas estn en http://www.gestiopolis.com/

La comunidad Latina de estudiantes de negocios

Analyze Factrial Design

4. Verificar que el modelo esta en automtico y dar clic en OK.

Los documentos que buscas estn en http://www.gestiopolis.com/ 1 - 18

La comunidad Latina de estudiantes de negocios

7 Clic OK en cada cuadro de dialogo.

Los documentos que buscas estn en http://www.gestiopolis.com/ 1 - 19

La comunidad Latina de estudiantes de negocios

Interpretando los Resultados

Diagrama de Pareto de efectos de estandarizacin.

Los documentos que buscas estn en http://www.gestiopolis.com/

La comunidad Latina de estudiantes de negocios

Reduccin Factorial de Modelos

Los documentos que buscas estn en http://www.gestiopolis.com/ 1 - 23

La comunidad Latina de estudiantes de negocios

Analyze Factrial Design

Los documentos que buscas estn en http://www.gestiopolis.com/ 1 - 24