Unidad 4 Diseño experimental para un factor

INSTITUTO TECNOLOGICO DE PIEDRAS NEGRAS

EQUIPO: -VIRGINIA GUADALUPE LOPEZ MIRANDA -VANESA AGUILAR CERVANTES

ESTADISTICA ADMINISTRATIVA ll Carrera: Contado público

Semestre: 3er semestre

Actividad: consulta y ejercicios de unidad 5

Fecha de entrega: 16 de Diciembre del 2012

Página 1 de 12

por lo que posee su propio lenguaje. diseñando tres réplicas para los factores de tres niveles.. ejemplo puede ser el turno de dia de la semana. se obtendrá.. y asumir que las interacciones del factor más que cierta orden (opinión. Efecto.Es el cambio en la variable de respuesta por el cambio del nivel de un factor. CONCEPTUALIZACION El diseño de experimentos ah sido creado por matemáticos y estadísticos..g. e.Implementación de cada una de las combinaciones.1 INTRODUCCION. Bloque.. Suele plantearse de la siguiente manera: se requiere analizar una característica cualitativa X( que suele llamarse variable respuesta). Es realizada de manera a minimizar la variación no incluida en el diseño. o principio de los sparsity-de-efectos la poder se explote a menudo.. 2k el experimento factorial se puede diseñar recurrentemente de 2k-1 experimento factorial replegando los 2k-1 el experimento. Para esto. así realmente una estimación del error experimental. el interés de estudiarlo radica en si el factor tiene una influencia significativa sobre la variable respuesta. La réplica es más común para los experimentos pequeños y es una manera muy confiable de determinar error experimental. etc. Fundamentalmente. Variable a estudiar. Estas observaciones Xij son observaciones independientes con distribución N(µ+xij σ).Unidad 4 Diseño experimental para un factor 4.Agrupación planeada de factores o combinaciones. asignando el primer repliega al primer (o punto bajo) llano del nuevo factor. Combinación. Bajo esta asunción.Es el resultado de una corrida experimental. Cuando el número de factores es grande (típicamente más que cerca de 5 factores.. Un experimento factorial permite la valoración de error experimental de dos maneras.Una de las variables dependientes que son estudiadas en el experimento. Página 2 de 12 .. En estos casos.. entre tres o más factores) son insignificantes.Es la asignación de un solo nivel a un factor. ALCANCE DEL DISEÑO EXPERIMENTAL Para más de dos factores. para cada uno de los niveles una muestra aleatoria de valores X. IMPORTANCIA Y ALCANCE DEL DISEÑO EXPERIMENTAL EN EL AMBITO EMPRESARIAL. y el segundo repliega al segundo (o colmo) llano. las estimaciones de tales interacciones de la alta orden son estimaciones de un cero exacto.Repetición de la corrida experimental. pero éste varía por el uso).. El experimento puede ser replegado. réplica del diseño pueden llegar a ser operacionalmente difíciles.Cuando uno o más factores trabajan juntos para producir un efecto diferente que los efectos producidos por aquellos factores de manera individual. Variable de respuesta. Este marco se puede generalizar a.. Replicación. sometida a m niveles de un único factor. INTRODUCCION El diseño de experimentos con un factor constituye la versión más sencilla del problema general de diseño de experimentos. a continuación se describen los términos más importantes: Factor. Corrida experimental. Esta puede ser cualitativa o cuantitativa. o de varios niveles a todos los factores en una corrida experimental. Interacción. es común funcionar solamente un solo repliega del diseño. el cual es necesario conocer para su mejor comprensión y utilización. Nivel. CONCEPTUALIZACION.Valores que puede tener el factor a estudiar.

también. X: Indica el tratamiento o variable independiente.Unidad 4 Diseño experimental para un factor Cuando hay muchos factores. en los que se manipulan dos o más variables independientes.2 CLASIFICACION DE LOS DISEÑOS EXPERIMENTALES Los diseños experimentales se clasifican en diseños experimentales clásicos y diseños de caso único. 3. en los que registra una sola variable dependiente. Diseño de grupos homogéneos: los grupos experimentales no se forman por aleatorización pura sino introduciendo ciertas restricciones de manera que los grupos sean homogéneos respecto de cierta característica de interés. En función del número de variables dependientes que se registren: Diseños univariables. Diseños multivariables. 4. En función del número de observaciones por sujeto y condición experimental: Diseño transversal (también denominado diseño crosssectional o estático) en el que disponemos de una sola medida u observación por sujeto y condición. Los experimentos factoriales pueden ser utilizados cuando hay más de dos niveles de cada factor. En la práctica. Los diseños experimentales clásicos se clasifican en función de varios criterios: 1. en el que disponemos de más de una medida u observación. en los que se registra más de una variable dependiente. Cada una de estas medidas se tomará bajo la acción de cada una de las condiciones de tratamiento. Diseño de grupos al azar: la asignación de los sujetos a los grupos experimentales se realiza al azar.3 NOMENCLATURA Y SIMBOLOGIA DE DISEÑO EXPERIMENTAL En los diseños experimentales se presenta la nomenclatura que se utilizara para representar de una manera clara y visual la estructura de los diseños: O: Indica la medida de la variable independiente antes (O1) o después (O2) del tratamiento. R: Esta letra expresa que los sujetos han sido elegidos al azar de la población y asignados. Los diseños factoriales son por lo tanto menos atractivos si un investigador desea considerar más de dos niveles. Diseño de medidas repetidas: es aquél en el que el investigador registra dos o más medidas de la variable dependiente para cada sujeto o unidad experimental. el número de los funcionamientos experimentales requeridos para (o más) los diseños factoriales de tres niveles será considerablemente mayor que para sus contrapartes de dos niveles. 4. los funcionamientos experimentales en un experimento factorial se deben seleccionar al azar para reducir el impacto eso diagonal podía tener en los resultados experimentales. Sin embargo. Página 3 de 12 . 4. en los que se manipula una sola variable independiente. …… Esta línea discontinua sirve para indicar que los sujetos no han sido elegidos ni asignados al azar a los grupos experimentales y de control. El subíndice expresa la posición de la medida en el diseño. incluso sin la réplica. Diseños factoriales. 2. al azar a los grupos experimentales y de control. Diseño longitudinal.En función de su capacidad para controlar las variables extrañas y reducir la variancia de error. En función del número de variables independientes que se manipulan: Diseños simples. Como con cualquier experimento estadístico. muchos funcionamientos experimentales serán necesarios. esto puede ser un desafío operacional grande.

Este procedimiento se basa en la noción general de un rango studentizado (recordar distribución tstudent). en otros casos. La aleatoriedad cancela el efecto de factores que quizá no conocemos que están allí. en términos de su influencia sobre las variables de respuesta medidas. Así. 4. En algunos casos. La aleatorización hace válida esta suposición. el objetivo puede ser "escoger al ganador" para encontrar un tratamiento que proporcione la respuesta deseada. una hipótesis sólida motiva la selección de los tratamientos. Cantidad de balanceo. es posible comprender mejor los mecanismos fundamentales.5 IMPORTANCIA DEL DISEÑO ALEATORIZADO Es el orden en que se ejecutan las condiciones experimentales en el experimento. Bajo la aleatoriedad todos los tratamientos tiene la misma oportunidad de ser seleccionados. es importante identificar los tratamientos con el papel que cada uno tiene en la evaluación de la hipótesis de investigación. se usa una técnica llamada bloqueo. químicos biológicos o sociales. Control local. Este valor se llama rango de menor significancia para las p medias y se denota con Rp donde Página 4 de 12 .7 PRUEBA DE DUNCAN. Los tratamientos son una creación de las circunstancias para el experimento. ya sean físicos. 4. En este último caso. Cuando se eligen los tratamientos adecuados en respuesta a una hipótesis de investigación. Si no se logra delinear con claridad esta hipótesis y el objetivo del estudio. bloqueo y agrupamiento de las unidades experimentales que se emplean en el diseño estadístico adaptado. incluso estos pueden estar cambiando sus niveles a medida que corremos el experimento.6 SUPUESTOS ESTADISTICOS EN LAS PRUEBAS EXPERIMENTALES La hipótesis de investigación establece un conjunto de circunstancias y sus consecuencias. El rango de cualquier subconjunto de p medias muestrales debe exceder cierto valor antes de que se encuentre que cualquiera de la p medias es diferentes. de modo que los diferentes grupos puedan sujetarse a distintos tratamientos. Cuando se conoce la fuente de variabilidad y se puede controlar. Relación entre los tratamientos y las hipótesis. Agrupamiento. Es un procedimiento utilizado para realizar la comparación de rangos múltiples de medias. Colocación de un conjunto de unidades experimentales homogéneas en grupos.Unidad 4 Diseño experimental para un factor 4. puede haber dificultades en la selección de los tratamientos y experimentos sin éxito. Es usada con el propósito de cancelar efectos de variables que no se están controlando (como efectos del ambiente en el que se realiza el experimento→humedad). el experimento se usa para aclarar los mecanismos básicos asociados con los tratamientos.

066 4 3. es decir si Rp < mi+p – mi. s2 es el cuadrado medio del error y se toma de la tabla de análisis de varianza 3. Los pasos que debemos seguir para aplicar la prueba de Duncan son: 1. Calcular los Rp de acuerdo con la expresión anterior y tomar de la tabla de análisis de varianza el valor s2 = SSE/(k*(n-1)) Probar por rangos que vayan de la media 1 a la p Si la hipótesis se cumple. 2.Unidad 4 Diseño experimental para un factor R p  rp s2 n donde: 1.226 6 3. 6. terminamos Hacemos rangos más pequeños p = p-1 y regresamos al paso 4 mientras p > 1.20 5 Página 5 de 12 . Note que inicialmente p es igual al número de tratamientos k. 3. y Rp puede entenderse como la diferencia mínima que debe existir entre la media mas grande y la más pequeña de un conjunto de tamaño p. Paso 1. 2. 4. 5.12 5 m6 22. Calculamos los Rp para nuestro ejemplo.45/5]1/2 = 2.90 5 m4 23. Determinar de una tabla los valores rp para un valor de significancia a. 4. Calcular el valor de cada una de las medias correspondientes a cada tratamiento y ordenarlas de mayor a menor.066*[2.5 5 m5 16.45 del análisis de varianza R2p = rp*[s2/n]1/2 R22 = r2*[s2/n]1/2 = 2. 5. Ejemplo Consideremos un ejemplo hipotético donde tenemos los siguientes valores para las medias de 6 tratamientos. tomando el valor de s2 = 2.276 m2 14.043 R23 = r3*[s2/n]1/2 = 3.146 2 2.919 3 3. ya ordenadas las renumeraremos de 1 a p. p rp Paso 3.160 5 3. media y n Paso 2. p representa el tamaño del conjunto de medias.75 5 m1 19. n es el número de elementos para un tratamiento especifico. rp son los rangos studentizado de menor significancia y depende del nivel de significancia y den número de grados de libertad.45/5]1/2 = 2.84 5 m3 21.919*[2. Los valores de rp los obtenemos de tablas.

84 = 3.45/5]1/2 = 2.7 Paso 5.226 2.90 – 14. m6 – m5 es mayor que R4 = 2.160 2. m4 – m2 es mayor que 2. por lo tanto R6 = 2.14.5 = 8.62 Paso 5.45/5]1/2 = 2.160*[2. y por lo tanto el rango no es 4. por lo tanto el rango no es 5.36 m6 – m5 = 22. Paso 6.50 = 6.1 m4 – m5 es mayor que R5 = 2.212 R25 = r5*[s2/n]1/2 = 3.Unidad 4 Diseño experimental para un factor R24 = r4*[s2/n]1/2 = 3.212.258 6 3.75 = 6. por lo tanto el rango no es 6.50 = 8.226*[2.066 2.2 m4 – m1 = 23.293 En resumen p rp Rp Paso 4.212 5 3. m3 – m2 es mayor que R4 = 2. Paso 4.2 m4 – m1 es mayor que R4 = 2. 2 2.20 – 16.293 y probamos m4 – m2 = 23.90 – 16. p = 5.212.1 p = 4. Comenzamos con p=6.45/5]1/2 = 2.276 2. Paso 4.15 m3 – m2 = 21.276*[2. Paso 6.043 3 3.4 Paso 5.45 m6 – m2 = 22.75 = 6.12 – 14.296.146 4 3.919 2.258 R26 = r6*[s2/n]1/2 = 3.1 m4 – m5 = 23.296.20 .212.20 – 19. y m6 – m2 es mayor que R5 = 2.293.293 Página 6 de 12 .

37 m1 – m2 = 19.50 = 5.09 m5 – m2 = 16. por tanto hay un rango 2 dado por [m3 – m1 ]. m3 – m5 es mayor que R3 = 2.50 = 2.146. Paso 6.043.2 p = 3.75 . m6. por tanto hay un rango 3 dado por [m4.146 y por lo tanto el rango no es 3.25 Paso 5.12 – 16.146. Paso 4. Para las demás m1 – m5 es mayor que R2 = 2. m6. m3.50 m3 – m5 = 21. m5 – m2 es mayor que R2 = 2. m3].12 .4 Como ya determinamos el conjunto [m4. Terminamos.4 m3 – m1 es menor que R2 = 2.14.90 – 19.12 = 2.043 por lo tanto el rango no es 2. m3].84 Paso 5.08 m1 – m5 = 19.146.84 . Para el resto m6 – m1 es mayor que R3 = 2.84 = 2.19. [m2]} Página 7 de 12 .20 – 21.08 m6 – m1 = 22.3 p = 2.75 = 4. Finalmente los rangos quedan m = {[m4. m6.3 m4 – m3 = 23.3 p = 1. trabajamos con el resto de las medias así m3 – m1 = 21.043.84 – 14. Paso 4.3 m4 – m3 es menor que R3 = 2.84 = 3. m1 – m2 es mayor que R3 = 2.Unidad 4 Diseño experimental para un factor Paso 6.16. [m5]. Paso 6.75 = 3. m1].

8 APLICACIONES El diseño de experimentos tiene una gran variedad de aplicaciones y puede ser aplicado a un gran numero de industrias.9 Industrias ligeras o de uso y consumo Página 8 de 12 . la optimizacion de recursos.ayuda a la reduccion de piezas defectuosas y aumento de la capacidad de produccion.la identificación de causas de variabilidad son algunos de los objetivos del diseño de experimentos aplicados en nivel industrial. 2 Industrias de bienes de equipo  Maquinaria Medida de la variabilidad de los instrumentos de medida: Es posible aplicar el diseño de experimentos como herramienta para determinar y mejorar los indices de capacidad de un proceso concreto apoyandose en estudios de reproducibilidad y repetitividad.Unidad 4 Diseño experimental para un factor 4. Aplicaciones según la clasificación de la industria A continuacion se muestran algunos ejemplos de aplicaciones existentes según el tipo de industria.humedad relativa etc.4 Diseño de electrodos: Estudio de los esfuerzos en los electrodos en funcion de la fuerza de aplicacion y el tamaño del electrodo. para determinar las variables que influyen en la resistencia de la soldadura.3 Diseño de motores eléctricos: Estudio de las características constructivas del motor y su influencia en variables importantes como la perdida de flujo y la constante de velocidad. Industrias pesadas o de base  Química pesada Estudio de la composición para la elaboración de productos: Estudio de los valores mas apropiados para la elaboración de compuestos químicos que requieran diversos componentes. necesito experimentos de un solo factor. Análisis del efecto de las condiciones del entorno en la elaboración del producto como la temperatura ambiente.5 Diseño de elementos de sujeción: Analisis de la influencia de los parametros geometricos en la resistencia de los remaches.7  Produccion de vehículos industriales Estudio de procesos de soldadura: estudio de un proceso de soldadura.6  Materiales de construcción Estudios de corrosión: Estudios de la influencia del tiempo en la corrosión de aceros de construcción y metales en general. Aplicaciones en el mecanizado: estudio de la variabilidad en los procesos de mecanizado.8  Industria aeronáutica Optimizacion del proceso de anodizado y pintado: optimizar los procesos de anodizado y pintado para conseguir una buena proteccion anticorrosion.

Cada uno de ellos consiste en tomar una pieza de un material dado. pruebas distintas. Ejemplo numérico Una empresa manufacturera desea saber que factores son mas importantes en el proceso de mecanizado. Por fijar ideas. puede realizar 9. la velocidad de giro de la máquina. Finalmente.10 Mejora del rendimiento de un procesador: Se usa para determinar el impacto que tienen variables importantes como la temperatura y las horas de uso en el rendimiento del procesador. es decir. 4x9. como la ANOVA. Tras realizar los experimentos. selecciona tres temperaturas. decide aleatorizar las pruebas. Para realizar el experimento se han identificado 3 parametros que se consideran de importancia. el avance y el radio de la herramienta. realiza un estudio cuantitativo utilizando técnicas estadísticas. desordenarlas aleatoriamente en el tiempo. medidas de resistencia distintas. obtiene 36. La pieza puede ser elaborada con tres tipos de plástico distintos. los fangos activos. 12  Biotecnología Operaciones en un sistema de fangos activos: optimizar y entender las reacciones que se dan en el tratamiento secundario de una EDAR. decide repetir cada una de las 9 pruebas 4 veces cada una. Se ha decido realizar un experimento a dos niveles (alto y bajo).Unidad 4 Diseño experimental para un factor   Farmacia y química ligera Informática y telecomunicaciones Estudio del rendimiento de una red informatica: Realizando simulaciones es posible cuantificar el rendimiento y las variables criticas que hacen que la transferencia de datos en la red sea económicamente rentable. A partir de ese momento. 20 °C y 60 °C. es decir.con 3 factores. Reducción del tiempo del CPU: El estudio se basa en la aplicacion del diseño de experimentos para determinar la mejor combinacion de factores que reduzcan el tiempo de CPU.11 Diseño de filtros pasivos: se utiliza el diseño de experimentos para determinar los valores de las tolerancias de los componentes para optimizar los circuitos. De ahí que se plantee las siguientes preguntas:   ¿Qué efecto tienen la composición de la pieza y la temperatura en la resistencia de la pieza? ¿Existe algún material con el que la pieza resulte más resistente que con cualquiera de los otros dos independientemente de la temperatura? Para darles respuesta. Optimizacion de materiales en semiconductores: Estudio de las propiedades electricas del arsienuro de galio dopado con silano. someterla a una temperatura prefijada y aplicarle una presión hasta que la pieza se quiebre. El grado de presión necesario será la medida de resistencia de la pieza. es decir.13 Un ejemplo Un ingeniero quiere estudiar la resistencia de una pieza plástica sometida a temperaturas cambiantes. Además. -20 °C. Por lo tanto. el ingeniero se plantea realizar una batería de experimentos. para obtener el mejor acabado superficial en uno de sus productos. 3x3. que ya no forman parte propiamente de la fase del diseño experimental. Página 9 de 12 . por ejemplo.

2596 4.2596 4.30 160.3541667 3320.195 70.160 Con esta matriz se pasa a realizar el analisis de la influencia de cada componente sobre la respuesta utilizando el analisis de la varianza (ANOVA).35.160.004 0.80 50.50.2596 4.50.60.55.195.160.125 50403.Unidad 4 Diseño experimental para un factor Los datos tomados son los siguientes.160.100. Corrida 1 2 3 4 5 6 7 8 Velocidad de giro (RPM) 588 588 588 588 1182 1182 1182 1182 Avance (mm/rev) 0.008 Radio de la herramienta ( pulgadas)o 1/64 1/32 1/64 1/32 1/64 1/32 1/64 1/32 Acabado superficial 50.1567 1.125 5000 24200 112.004 0.70.5 96. Combinaciones de Tratamientos 1 a b ab c ac bc abc 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 AB 1 -1 -1 1 1 -1 -1 1 AC 1 -1 1 -1 -1 1 -1 1 BC 1 1 -1 -1 -1 -1 1 1 ABC -1 1 1 -1 1 -1 -1 1 RESPUESTA 145.150.200 60.60.125 5000 24200 112.1675 34.80.190.875 grados de libertad 1 1 1 1 1 1 1 24 31 Cuadrado Medio 20503.5 102921. como las interacciones entre ellas.35.5 378.35.125 12.190.160.50 145.155 180.50.2596 4.06048 Fo 212.110 25.80 Para el analisis del experimento se toma la siguiente notacion     Factor A: Velocidad de giro (RPM) Factor B: Avance (mm/rev) Factor C: Radio de la herramienta ( pulgadas) Respuesta: Acabado superficial Primero es necesario definir la matriz que tome tanto los efectos principales.60.160.2596 4.92432 51.102703 0.008 0.5 378.5 2312.60 155.35.70.89189 251.160 160.160 80.60.2596 Página 10 de 12 . se suele despreciar las interacciones de tercer orden o superiores ya que no influyen de manera significativa.160.70.02659 Ft 4.160.008 0.55 25.1297 3.160.008 0.004 0. La tabla ANOVA inicial queda como sigue: Fuentes de Variacion A B C AB BC AC ABC ERROR TOTAL Contraste -810 1270 20 -110 400 880 60 Suma de Cuadrados 20503.30 180.150. queda como sigue.125 50403.125 12.004 0.789189 523.2596 4.110 160.100.55 55. 14 La matriz para nuestro caso.200. segun muchos autores.

y elminamos aquellos elementos cuyas Fo sean menor a Ft.102703 0.1567 38.89189 251. si se quiere tener una mejor respuesta es necesario actuar sobre esta variable. Avance: es la variable que mas influye en el acabado superficial. La tabla ANOVA nos muestra que la influencia de los efectos principales A.125 !250 6050 Coeficiente Interseccion de la recta 2562.B.C y los interacciones dobles AC y BC tienen una importancia no despreciable en la respuesta. 2. Se puede apreciar la importancia de cada elemento en orden descendente.5 5000 24200 107.875 grados de libertad 1 1 1 1 1 26 31 Cuadrado Medio 20503. Velocidad de Giro: si bien parece que esta en tercer lugar.8125 3320. Avance y radio de la herramienta: el efecto conjunto de estas dos variables muestra una influencia en la respuesta significativa estadísticamente pero no tan grande como las anteriores.7813 3.2252 Como se puede apreciar en la tabla.. Velocidad de Giro y radio de la herramienta: esta interaccion doble representa también una variable no menospreciable y la actuacion sobre estas dos variables lograra tener una mejor respuesta. pasamos a calcular su efecto y los coeficientes de la ecuacion que predecira la respuesta en funcion de los elementos que hemos cosiderado como importantes.89063 106.125 12. es decir no es posible eliminar A.125 50403.2252 4.7815 12600. Asi pues elminamos la interaccion ABC (antes se había mencionado que estos efectos son despreciables de manera directa por varios autores).5625 625 3025 El diagrama de Pareto para nuestro caso. Es necesario recordar que no es posible elminar los efectos principales si existen interacciones dobles donde estas se encuentren. su efecto en la respuesta es casi identica a la interaccion doble. revela el peso que tiene cada elemento en la respuesta.125 102921.5625 6300. ya que existen las interacciones BC y AC las cuales son significativas.2252 4.5 5000 24200 2803. Para cuantificar que tanto influye cada elemento.2252 4. Fuentes de Variacion A B C BC AC Efecto 5125. por lo que es actuar sobre esta variable mejoraria la respuesta. la tabla final de la ANOVA es la siguiente. no es posible eliminar el efecto principal C aun si su Fo es menor a su Ft.125 12. Radio de la herramienta: su efecto es casi imperceptible sin embargo no es posible elimnarla por la existencia de interacciones doble.1297 51. sin antes haber elminado AC y AB.Unidad 4 Diseño experimental para un factor Se puede apreciar en la tabla inicial que las interacciones ABC. 5.789189 523. pues su Fo es menor a Ft.125 50403. 1. Fuentes de Variacion A B C BC AC ERROR TOTAL Contraste -810 1270 20 400 880 Suma de Cuadrados 20503.06048 Fo 212.2252 4.no afectan significativamente a la respuesta. 4. Página 11 de 12 .0730051 Ft 4. 3.39063 1. y pasamos a recalcular la tabla ANOVA.

Teniendo en cuenta las ventajas y las desventajas que nos deja el diseño de experimento para un proyecto futuro y que esto se nos facilite al momento de analizarlo siguiendo los pasos del programa.Unidad 4 Diseño experimental para un factor CONCLUSION: El diseño de experimento nos ayuda a planear el experimento que deseamos donde analizan los datos correspondientes de manera estadística. en donde podemos analizar una o más variables. nos ayuda a comprobar hipótesis. También nos proporciona una gran cantidad de datos sobre el problema. Página 12 de 12 .