Tcniques estadstiques per a la qualitat

Desconfondre puntualment
Si desprs de fer un disseny factorial fraccional tenim alguns factors confosos, existeix una forma de desconfondre puntualment, afegint noms alguns experiments addicionals. Veurem en qu consisteix amb un parell dexemples. Exemple 1: resina Un grup de recerca est treballant en una nova resina per al tractament daiges que ha de permetre absorbir lexcs de nitrat. En les condicions de laboratori, sha vist que leliminaci de nitrat que saconsegueix s encara insuficient. Per aix sha planificat un experiment per a trobar quins factors influencien ms en la reducci de nitrat. Desprs dun brainstorming es va decidir que sexperimentaria amb 3 factors: el temps de regeneraci, el fluxe, la temperatura i lalada de la resina en la columna dintercanvi: Factor A: Fluxe B: Temps regeneraci C: Alada D: Temperatura Nivell baix 2 l/s 10 s 5 mm 100 oC Nivell alt 4 l/s 20 s 8 mm 150 oC

Els experiments es van realitzar de forma aleatria, per els resultats, en ordre estndard, sn els segents: Exp. 1 2 3 4 5 6 7 8 A 2 4 2 4 2 4 2 4 B 10 10 20 20 10 10 20 20 C 5 5 5 5 8 8 8 8 D 100 150 150 100 150 100 100 150 Absorci nitrat 5,23 9,27 10,39 14,23 11,18 14,56 4,90 8,76

Lestructura dlies daquest experiment s la segent: A + BCD B + ACD C + ABD D + ABC AB + CD AC + BD AD + BC Si calculem els efectes i els representem en paper probabilstic normal, obtenim els segent: 1

Normal Plot of the Effects

(response is Absorci nitrat, Alpha = 0,05)
99 95 90 80 70 60 50 40 30 20 10 5 1 AD B D AB C AC A Effect Type Not Significant Significant
F actor A B C D N ame A B C D

Els efectes significatius sn, doncs (assumint ja que les interaccions dordre 3 o superiors no sn significatives): A AD + BC

Percent

-5,0

-2,5

0,0 Effect

2,5

5,0

Lenth's PSE = 0,24

Com podem desconfondre les dues interaccions AD i BC? 1. Una possibilitat s pensar que, donat que lefecte principal dA s significatiu, s ms probable que sigui significativa la interacci AD que no pas la BC. De tota manera, inferir daqu que el significatiu s AD t un risc no menyspreable. 2. Com que abans de fer els experiments hem escrit el que sabem daquest procs, podria ser que els tcnics del procs haguessin dit que els hi semblava possible tenir una interacci entre fluxe i temperatura (AD), per no entre temps de regeneraci i alada (BC). En aquest cas, podrem apostar per AD com la interacci significativa. 3. Fer algun experiment ms per desconfondre AD + BC Anem a veure com fer aquesta opci 3. La matriu del disseny, ara en unitats codificades i havent afegit les columnes AD i BC, s la segent: Exp. 1 2 3 4 5 6 7 8 A 1 +1 1 +1 1 +1 1 +1 B 1 1 +1 +1 1 1 +1 +1 C 1 1 1 1 +1 +1 +1 +1 D 1 +1 +1 1 +1 1 1 +1 AD +1 +1 1 1 1 1 +1 +1 BC +1 +1 1 1 1 1 +1 +1 Absorci nitrat 5,23 9,27 10,39 14,23 11,18 14,56 4,90 8,76

Les columnes AD i BC sn, lgicament, iguals. Per aix les dues interaccions estan confoses. Del que es tracta ara s dafegir experiments que facin que les columnes AD i BC siguin diferents. Per exemple, afegim els experiments 9 i 10 (en negreta a la taula segent):

Exp. 1 2 3 4 5 6 7 8 9 10

A 1 +1 1 +1 1 +1 1 +1 +1 -1

B 1 1 +1 +1 1 1 +1 +1 1 +1

C 1 1 1 1 +1 +1 +1 +1 +1 +1

D 1 +1 +1 1 +1 1 1 +1 +1 +1

AD +1 +1 1 1 1 1 +1 +1 +1 -1

BC +1 +1 1 1 1 1 +1 +1 1 +1

Absorci nitrat 5,23 9,27 10,39 14,23 11,18 14,56 4,90 8,76 9,02 10,70

La matriu del disseny deixa ara de ser ortogonal (tot i que no sallunya massa de lortogonalitat). Estrictament, amb noms un experiment ms (el 9 o el 10) tindrem suficient per fer les columnes AD i BC diferents. Per nafegim dos, justament, per intentar mantenir ms lortogonalitat (fixem-nos que els experiments afegits fan que els experiments 9 i 10 tinguin la seqncia +1 i 1 per AD, i 1 i +1 per BC. En perdre lortogonalitat, ja no s possible representar els efectes en paper probabilstic normal (la correlaci entre ells ja no s nulla, i lerror estndard no s ja el mateix per tots els coeficients, i els coeficients canvien quan es treuen o safegeixen variables regressores). Podem ara fer una regressi pas a pas amb totes les variables candidates a entrar en el model: A, B, C, D, AD i BC. Stat > Regresssion > Stepwise...

Response is Absorci nitrat on 6 predictors, with N = 10 Step Constant AD T-Value P-Value A T-Value P-Value 1 9,824 -2,388 -3,60 0,007 2 9,824 -2,767 -28,94 0,000 1,897 19,84 0,000 3 9,824 -2,804 -49,79 0,000 1,861 33,06 0,000

B T-Value P-Value S R-Sq R-Sq(adj) Mallows Cp 2,10 61,85 57,08 1559,2 0,296 99,33 99,14 23,4

-0,216 -3,84 0,009 0,172 99,81 99,71 5,9

Lltim coeficient que entra, B, ho ha amb un p-valor de 0,009. Amb un nivell de significaci del 5% no el considerarem significatiu (fixem-nos de tota manera que s lefecte que ms sallunya del 0 dels no significatius en el grfic en paper probabilstic normal dels efectes, a la pgina 2). Queda clar, en qualsevol cas, que s significativa la interacci AD i no pas la BC. Fem ara una regressi amb les variables significatives (A i la interacci AD), per tamb amb la interacci BC, i demanem que sens mostri el VIF per cada variable regressora: Stat > Regresssion > Regression...

The regression equation is Absorci nitrat = 9,82 + 1,89 A - 2,75 AD - 0,022 BC

Predictor Constant A AD BC

Coef 9,8240 1,8900 -2,7525 -0,0225

SE Coef 0,1010 0,1129 0,1383 0,1383

T 97,27 16,74 -19,90 -0,16

P 0,000 0,000 0,000 0,876

VIF 1,250 1,875 1,875

S = 0,319385

R-Sq = 99,3%

R-Sq(adj) = 99,0%

Els residus de la regressi surten b. Fixem-nos que el VIF de AD i BC s una mica elevat (lgic, sn dues columnes prcticament iguals, per no ens importa, nosaltres fiem la regressi nicament per identificar quina era la significativa, i ara ja ho tenim). El VIF de A no s 1 (com passaria si fssim aquesta regressi amb una matriu totalment ortogonal), per s molt poc ms gran a 1.

A partir daqu, el millor s segurament escriure el model i les grfiques que vulguem utilitzant la matriu del disseny original. Utilitzem la regressi nicament per desconfondre. Exemple 2: tubs descapament1 Un fabricant de tubs d'escapament tenia problemes de corbat i va decidir dur a terme una investigaci per trobar millors condicions de funcionament. L'objectiu era mltiple, per aqu ens centrarem en aconseguir el dimetre del tub desitjat. La mquina era nova, el que va motivar que s'identifiquessin com potencialment importants set variables i que es conegus molt poc sobre elles a priori. A ms, es disposava de poc temps per experimentar. Sota aquestes condicions un disseny saturat semblava idoni. Les variables i nivells eren els de la segent taula: Factor A: Pressi mordassa B: Pressi seguidor C: Velocitat seguidor D: Velocitat eix y E: Velocitat eix b F: Velocitat eix c G: Ajust utillatge Nivell baix 50 45 5 7 7 7 2,2 Nivell alt 60 55 +5 9 9 9 0,2

Les dades de lexperiment, en unitats codificades, sn les segents: A -1 1 -1 1 -1 1 -1 1 B -1 -1 1 1 -1 -1 1 1 C -1 -1 -1 -1 1 1 1 1 D 1 -1 -1 1 1 -1 -1 1 E 1 -1 1 -1 -1 1 -1 1 F 1 1 -1 -1 -1 -1 1 1 G -1 1 1 -1 1 -1 -1 1 Diametre 34,6 46,3 48,6 44,9 49,7 34,0 46,5 49,0

Es tracta dun disseny saturat, que t resoluci III.

Basat en un cas plantejat a lapartat 8.7.4 del llibre Mtodos estadsticos. Control y mejora de la calidad. Edicions UPC, 2004.

Normal Plot of the Effects

(response is Diametre, Alpha = 0,20)
99 95 90 80 B C D F A E G Effect Ty pe Not Significant Significant

Percent

70 60 50 40 30 20 10 5 1

Els efectes significatius sn, doncs (assumint ja que les interaccions dordre 3 o superiors no sn significatives): E + AC + BG + DF B + AD + CF + EG G + CD + BE + AF

-5,0

-2,5

0,0

2,5 Effect

5,0

7,5

10,0

Lenth's PSE = 1,425

Si assumim que s molt difcil que la interacci de dos factors sigui significativa sense que ho siguin els efectes principals dels factors que la composen, lexplicaci ms creble s que la combinaci defectes principals sigui alguna de les segents:

Com podem esbrinar en quina situaci estem? Una opci seria fer un disseny 23 amb els factors E, B i G. Optarem, per, per afegir experiments que facin diferents les columnes: B i EG E i BG G i BE Per exemple, podrem afegir els segents quatre experiments:

Fem ara una regressi pas a pas amb els segents regressors: A, B, C, D, E, F, G, BE, GB i EG, sobre la matriu amb tots els experiments (reproduda a continuaci): A -1 1 -1 1 -1 1 -1 1 1 1 1 1 B -1 -1 1 1 -1 -1 1 1 -1 1 -1 1 C -1 -1 -1 -1 1 1 1 1 1 1 1 1 D 1 -1 -1 1 1 -1 -1 1 1 1 1 1 E 1 -1 1 -1 -1 1 -1 1 -1 -1 1 1 F 1 1 -1 -1 -1 -1 1 1 1 1 1 1 G -1 1 1 -1 1 -1 -1 1 1 1 1 1 Diametre BE 34,6 -1 46,3 1 48,6 1 44,9 -1 49,7 1 34,0 -1 46,5 -1 49,0 1 45,5 1 43,1 -1 34,0 -1 51,9 1 BG EG 1 -1 -1 -1 1 1 -1 1 -1 -1 1 -1 -1 1 1 1 -1 -1 1 -1 -1 1 1 1

Stat > Regresssion > Stepwise...

Response is Diametre on 10 predictors, with N = 12 Step Constant BE T-Value P-Value B T-Value P-Value E T-Value P-Value S R-Sq R-Sq(adj) 4,50 54,43 49,87 2,79 84,25 80,75 1 44,01 4,49 3,46 0,006 2 44,01 4,49 5,58 0,000 3,32 4,13 0,003 3 44,01 4,49 9,29 0,000 3,32 6,87 0,000 -1,99 -4,12 0,003 1,68 94,95 93,06

Queda per tant confirmat que sn significatius B, E i la interacci BE. 7