You are on page 1of 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

INTRODUCCIN AL
DISEO DE EXPERIMENTOS

Dr. Primitivo Reyes Aguilar


Abril, 2001

Pg. 1 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

CONTENIDO
1. FUNDAMENTOS DEL DISEO DE EXPERIMENTOS
2. DISEOS FACTORIALES Y OTROS MTODOS
DE MEJORA DE PROCESOS

Pg. 2 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

1. FUNDAMENTOS DEL DISEO DE EXPERIMENTOS


En muchas industrias el uso efectivo del diseo de experimentos es la
clave para obtener altos rendimientos, reducir la variabilidad, reducir los
tiempos de entrega, mejorar los productos, reducir los tiempos de desarrollo de
nuevos productos y tener clientes ms satisfechos.
1.1 QU ES EL DISEO DE EXPERIMENTOS (DOE)?
Un diseo de experimentos es una prueba o serie de pruebas en las
cuales se hacen cambios a propsito en las variables de entrada de un
proceso, de tal forma que se puedan observar e identificar cambioos en la
respuesta de salida. Un proceso de manufactura es una combinacin de
personas, mtodos y mquinas que transforman materias primas en productos
terminados. Los productos resultantes tienen una o ms caractersticas de
calidad observables o respuestas (Crticas para la calidad si el cliente reclama
por su no cumplimiento CTQs). Algunas de las variables del proceso X1, X2,
X3,, Xp son controlables o factores de control, mientras que otras Z1, Z2,
Z3, .., Zq no son controlables (a pesar de que pueden ser controladas
durante el desarrollo de las pruebas), y se denominan factores de ruido. Los
objetivos del diseo de experimentos pueden incluir:
1. Determinar cules variables tienen ms influencia en la respuesta, y.
2. Determinar en donde ajustar las variables de influencia xs, de tal forma que
y se acerque al requerimiento nominal.
3. Determinar donde ajustar las variables de influencia xs de tal forma que la
variabilidad en y sea pequea.
4. Determinar donde ajustar las variables de influencia xs de tal forma que los
efectos de las variables z desean minimizados.
Por lo anterior, los mtodos de diseo de experimentos pueden utilizarse
ya sea para el desarrollo o la mejora de los procesos, para mejorar el

Pg. 3 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

desempeo o para obtener un proceso que sea robusto o insensible a fuentes


externas de variabilidad.
El control estadstico de procesos (CEP) y el diseo de experimentos
estn muy relacionados. Si un proceso est en control estadstico pero no tiene
la suficiente capacidad, para reducir su variabilidad ser necesario optimizarlo
a travs del diseo de experimentos. El CEP es un mtodo estadstico pasivo,
donde se observa el proceso y se espera que ocurra una seal que nos oriente
hacia un cambio til, sin embargo, si el proceso est en control, la observacin
pasiva no producir mucha informacin til. Por otra parte, el diseo de
experimentos es un mtodo estadstico activo, donde, se realizan una serie de
pruebas en el proceso haciendo cambios en las entradas y observando los
cambios correspondientes en las salidas, esto genera informacin que puede
guiar hacia la mejora del proceso.
Los mtodos de diseo de experimentos tambin pueden ser tiles para
estabilizar un proceso. Asumiendo que la carta de control muestre un proceso
fuera de control, y que el proceso tenga muchas variables de entrada
controlables, a menos que se conozca cules variables de entrada son las ms
importantes, puede ser difcil llevar el proceso a control. Los mtodos de diseo
de experimentos pueden ser usados para identificar las variables de proceso
que tienen ms influencia.
El diseo de experimentos es una herramienta de ingeniera importante
para la mejora de un proceso de manufactura. Tiene tambin una palicacin
extensa en el desarrollo de nuevos procesos. La aplicacin de estas tcnicas
durante el desarrollo de los procesos puede resultar en:
1. Rendimiento mejorado.
2. Variabilidad reducida y comportamineto cercano al valor nominal.
3. Tiempo de desarrollo reducido.
4. Costos totales reducidos.

Pg. 4 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Los mtodos de diseo de experimentos pueden tambin jugar un paple


mayor en las actividades de ingeniera de desarrollo de nuevos productos o
mejora de los productos actuales. Algunas aplicaciones del diseo de
experimentos incluyen:
1. Evaluacin y comparacin de configuraciones bsicas de diseo.
2. Evaluacin de alternativas de material.
3. Determinacin de parmetros clave de diseo con impacto en el desempeo.
El uso del diseo de experimentos en estas reas puede resultar en una
fabricacin mejorada del producto, mejor desempeo y confiabilidad en el
campo, balos costos del producto, y tiempos de desarrollo del producto ms
cortos.
1.2 GUAS PARA EL DISEO DE EXPERIMENTOS
Para tener xito en el diseo de experimentos, es necesario que todos
los involucrados en el experimento tengan una idea clara del objetivo del
experimento, de los factores a ser estudiados, como se realizar el
experimento y al menos una idea cualitativa de cmo se analizarn los datos.
El procedimiento recomendado por Montgomery tiene los pasos siguientes:
1. Reconocimiento y establecimiento del problema.
2. Seleccin de factores y niveles.
3. Seleccin de la variable de respuesta.
4. Seleccin del diseo experimental.
5. Realizacin del experimento.
6. Anlisis de los datos.
7 Conclusiones y recomendaciones.
1.3 EJEMPLOS DE APLICACIN DEL DISEO DE EXPERIMENTOS
A continuacin se presentan varios ejemplos que ilustran la aplicacin
del diseo de experimentos para mejorar la calidad de productos y procesos.

Pg. 5 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

A. CARACTERIZANDO UN PROCESO
Con la aplicacin del control estadstico de proceso, se ha reducido el
nmero de soldaduras falsas en un panel de circuito impreso hasta un 1% para
retrabajo, esto an es demasiado, sin embargo el proceso est en control
estadstico.
La mquina de soldar y el flujo de soldadura tienen varias variables que
se pueden controlar, que incluyen:
1. Temperatura de soldado.
2. Temperatura de pre calentamiento.
3. Velocidad del transportador.
4. Tipo de Fundente.
5. Gravedad especfica del fundente.
6. Altura de la ola de soldadura.
7. ngulo del transportador.
Adems de los factores controlables, se tienen otros factores que no son
controlables fcilmente durante la manufactura, a pesar de que pueden
controlarse a nivel de prueba, y son los siguientes:
1. Espesor del circuito impreso.
2. Tipos de componentes usados en los pneles.
3. Distribucin de los componentes en los pneles.
4. Operador.
5. Tasa de produccin.
Bajo esta situacin, caracterizar el proceso significa encontrar los
factores (controlables y no controlables) que generan la ocurrencia de defectos
de soldaduras falsas en los circuitos impresos. Para lo cul es necesario
realizar un diseo de experimentos que nos permita estimar la magnitud y
direccin de los efectos de los factores. Es decir, cunto cambia la variable de
respuesta (defectos por unidad) al cambiar cada factor, o cunto cambia al
Pg. 6 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

cambiar todos los factores a la vez, algunas veces estos experimentos se


denominan experimentos de separacin de variables.
.

La informacin de los experimentos se usa para identificar los factores

crticos del proceso y determinar la direccin de ajuste de estos factores


crticos para reducir el nmero de defectos por unidad. El diseo de
experimentos tambin se usa para obtener informacin sobre los factores que
deben ser controlados ms de cerca con cartas de control (CEP), durante la
fabricacin para prevenir un comportamiento errtico del proceso.

Con el

tiempo si el proceso se mejora lo suficiente, es posible controlar el proceso a


travs de sus variables crticas de entrada en vez de usar cartas de control
para controlar las salidas o el producto terminado.
B. OPTIMIZANDO UN PROCESO
Despus de caracterizar el proceso, el paso lgico siguiente es optimizar
el proceso, es decir determinar la regin a donde han guiado los factores
importantes a la mejor respuesta. Por ejemplo, si la respuesta es rendimineto,
se buscar la zona de mximo rendiemiento, y si la respuesta es vasriabilidad
en una dimensin crtica de producto, se puede buscar la regin de varibalidad
mnima.
Suponiendo que se desea mejorar el rendimiento de un proceso
qumico. Suponiendo que despus de un experimento de caracterizacin se
identificaron como variables de influencia la Temperatura de operacin y el
Tiempo de reaccin. El proceso normalmente opera en 155 F y 1.7 h de
tiempo de reaccin, con un rendimiento del 75%. Asumiendo que el proceso
tenga el comportamiento siguiente.

Te
mp 200F
erat
ura

95%

180F
90%

Pg. 7 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS


80%

Hacia un mejor rendimiento

160F

Condiciones de operacin
actuales
75%

150F

69%
56%

0.5

1.0

1.5

2.0

2.5

Tiempo (horas)

Fig. 1.1 Grfica de contornos de rendimiento en


funcin de la temperatura y el tiempo de reaccin

Para localizar el punto ptimo es necesario realizar un experimento que


vare el tiempo y la temperatura al mismo tiempo. Este tipo de experimento se
le denomina un experimento factorial, en este caso se usan dos niveles. La
respuesta observada en las cuatro esquinas del cuadrado indican hacia donde
se deben mover los factores para incrementar el rendimiento. Con unos pocos
movimientos adicionales se puede llegar al punto de mximo rendimiento.
1.4 EXPERIMENTOS CON UN FACTOR
Este mtodo es el ms sencillo, se mostrar con un ejemplo.
Un fabricante de papel de bolsas de mandado est interesado en
mejorar la resistencia a la tensin de las bolsas. Con un 10% de concentracin
de viruta de maderas duras en la pulpa el papel tiene una resistencia de
aproximadamente 15 psi. El proceso se encuentra en control estadstico (CEP).
Se sospecha que la resistencia a la tensin de la bolsa debe aumentar
conforme aumenta la concentracin de viruta, por razones econmicas del
proceso no se debe sobrepasar de entre 5 a 20%. Se deciden investigar cuatro
niveles de viruta, 5, 10, 15 y 20%, con seis muestras de cada nivel de

Pg. 8 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

concentracin, usando una planta piloto. Las 24 muestras se prueban en el


probador de tensin del laboratorio, en orden aleatorio. Los datos se muestrabn
a continuacin:
Tabla 1.1 Resistencia a la traccin del papel (psi)
Observaciones
Concentracin (%) 1

Total Promedio

15

11

10

60

10.00

10

12

17

13

18

19

15

94

15.67

15

14

18

19

17

16

18

102

17.00

20

19

25

22

23

18

20

127

21.17

383

21.17

Este es un ejemplo de un experimento completamente aleatorizado de


un solo factor. Cada nivel del factor tiene seis observaciones o rplicas. Al
aleatorizar las 24 pruebas, se balancea el efecto que pueda tener cualquier
variable extraa que pueda impactar la resistencia a la tensin observada. Por
ejemplo, suponiendo que hubiera un efecto de calentamiento en el probador de
resistencia a la tensin conforme pasa el tiempo, si las pruebas se hicieran
primero con la concentracin del 5% despus con la del 10% y as
sucesivamente, se podra decir que el aumento en resistencia se podra deber
al efecto del calentamiento del equipo.
Comparando las medianas de las cuatro concentraciones (9.5, 16, 16.5,
21) en grficas de caja, se observa que efectivamente cambiando la
concentracin de viruta, produce una resistencia a la tensin ms alta con
variabilidad casi simtrica.

25
20
15
10

Pg. 9 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

5%

10%

15%

20%

Fig. 1.2 Grficas de caja de los datos


concentracin de viruta de maderas duras

de

Las grficas de caja muestran la variabilidad de las observaciones


dentro de un nivel especfico del factor y la variabilidad entre los niveles del
factor. Se analiza ahora como se puede analizar el experimento completamente
aleatorizado.
ANLISIS DE VARIANZA (ANOVA)
Suponiendo que se tengan a diferentes niveles de un factor que se
desean comparar. La respuesta obervada en cada uno de esos niveles de los
factores es una variable aleatoria.
Tabla 1.2 Datos tpicos para un Experimento de un Factor
Observaciones
Nivel del factor
1
2

Total Promedio

y11
y21

ya1

y12
y22

ya2

y13
y23

ya3

y14
y24

ya4

y1n
y2n

yan

y1.
y2.

ya.
y..

y1
y2

ya
y..

Se puede describir una observacin Yij como:


y ij i j

i = 1, 2, ., a;

j = 1, 2, , n

(1.1)

Donde, es la media general, i es el efecto del factor i, y ij es un componete


de error aleatorio. Se asume que la distribucin de los errores es normal e
independientemente distribuida con media cero y varianza 2 , la cul se
Pg. 10 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

asume que es constante durante todos los niveles del factor. En forma tpica los
componentes del error se deben a error de mediciones, variables no incluidas
en el modelo, variacin aleatoria del proceso, etc.
Los datos de la fig. 1.2 muestran el arreglo de un anlisis de varianza
(ANOVA) de una direccin, para un solo factor sus efectos fijos i se definen
como desviaciones de la media general como sigue:

a
i 1

i 0

(1.2)

Se trata de probar la hiptesis siguiente:


Ho:

1 = 2 = .. = a = 0

H1:

i 0 para al menos una i.

(1.3)

El procedimiento de prueba para las hiptesis anteriores se denomina


Anlisis de varianza (ANOVA), donde se particionan la variabilidad total en
sus partes componentes.
La suma total de cuadrados es:
a

SST j 1 ( y ij y..)
n

(1.4)

i 1
a

SST j 1 ( y ij y..) ni 1 ( y i. y..) 2 j 1 ( y ij y i .)


n

i 1

(1.5)

i 1

En la ecuacin anterior, la variacin total se ha dividido en dos


variaciones como sigue:
SST = Suma de cuadrados total de las desviaciones de cada punto
respecto a la media general.
SSF = Suma de cuadrados de las desviaciones de cada una de
las medias de los diferentes niveles respecto a la media general.
SSE = Suma de cuadrados de las desviaciones entre cada punto y la
media del nivel correspondiente.
Pg. 11 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Para facilitar los clculos se tienen las frmulas siguientes:


a

SST j 1 y ij
n

i 1
a

SS F
i 1

y ..2

an

(1.6)

y i2. y ..2

n an

(1.7)

SS E SST SS FACTOR

(1.8)
Al comparar la magnitud de la suma de cuadrados del factor SS F con la
suma de cuadrados del error, SS e, se puede determinar cuanta variabilidad es
debida a los cambios en el factor y cuanta es debida al error, para facilitar la
comparacin, convertimos la escala dividiendo ambos trminos entre sus
grados de libertad. Como hay an = N observaciones, SST tiene N-1 grados de
libertad. Hay a niveles del factor, por tanto SS F tiene (a 1) grados de libertad.
Finalmente, dentro de cualquier nivel hay n rplicas, dando (n-1) grados de
libertad con lo que estimamos el error experimental. Como hay a niveles del
factor, se tiene a(n-1) = an a = N a grados de libertad para el error. La
divisin de las sumas de cuadrados entre los grados de libertad se denominan
cuadrados medios; como sigue:

MS F

SS F
a 1

(1.9)

MS E

SS E
a ( n 1)

(1.10)

Puede demostrarse que el cuadrado medio del error MSe estima la


varianza del error experimental 2. Adems MSF estima la varianza slo si
todas las medias de los niveles del factor son iguales, pero si son diferentes,
MSF ser mucho mayor que la varianza 2. Para probar lo anterior se usa la
prueba F de varianzas.

Pg. 12 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Fo

MS F
MS E

(1.11)

Si Fo F , a 1, a ( n a ) , se puede concluir que las medias de los niveles del factor


son diferentes. Si se hace el anlisis en computadora, tambin se peude
concluir observando el valor de P. A continuacin se muestra la tabla de
Anlisis de Varianza (ANOVA).
Tabla 1.3 Anlisis de varianza (ANOVA) para un experimento
de un factor
Fuente de
variacin

Suma de
Grados de Cuadrado
cuadrados libertad
medio

Fo

Entre
niveles
del factor

SSF

a-1

MSF

Fo = MSF / MSe

Error
(dentro de
niveles de
factores)

SSe

a(n-1)

MSe

Total

SST

an 1

Ejemplo 1.1 Considerando el experimento de la resistencia a


la tensin para las bolsas de papel se tiene: Utilizando la
funcin de Excel de Anlisis de varianza (ANOVA)
de Anlisis de Datos se tiene:

Pg. 13 de 67

del men

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Anova: Single Factor


SUMMARY
Groups
Row 1
Row 2
Row 3
Row 4

Count

ANOVA
Source of
Variation
Between Groups

6
6
6
6

SS

Sum Average Variance


60
10
8
94
15.67
7.87
102
17
3.2
127
21.17
6.97

df

382.79

MS

Fc

Conc. 5%
Conc.10%
Conc. 15%
Conc. 20%

P-value

3 127.597 19.6052 3.59E-6

F crit
3.0983

Concentraciones

Within Groups

130.17

20 6.50833

Total

512.99

23

Como Fcalc > Fcrtica (0.05, 3, 20) = 3.09, se concluye que


las medias de los niveles de los factores, son diferentes.

Anlisis Residual
El anlisis de varianza (ANOVA) asume que las observaciones son
normales e independientemente distribuidos con la misma varianza en cada
nivel del factor. Esto puede verificarse por inspeccin de los residuos. En este
caso el residuo es

eij y ij y i ,

o sea la diferencia entre una observacin y la

media correspondiente al nivel del factor. Los residuos correspondientes a los


datos del ejemplo se muestran en la tabla 1.4.
La suposicin de normalidad se checa al graficar los residuos en papel
de probabilidad normal. Para checar el supuesto de igual varianza en cada
nivel del factor, graficar los residuos contra los niveles del factor y comparar la
dispersin de los residuos.

Es til graficar los residuos contra y i (valor

ajustado), la variabilidad de los residuos debe ser aleatoria. Si aparece un


patrn en las grficas de los residuos, indica que es necesaria una

Pg. 14 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

transformacin de los datos. Por ejemplo si la variabilidad de los residuos se


incrementa con y i , entonces es necesaria una transformacin log( y ) o

El supuesto de independencia se puede checar graficando los residuos


contra el orden de realizacin de los experimentos, si se presenta un patrn, tal
como secuencias positivas o negativas, puede indicar que las observaciones
no son independientes. Indicando que el orden de corrida de los experimentos
es importante.

Tabla 1.4 Resistencia a la traccin del papel (psi)


Residuos
Conc. (%)

-3.00

-2.00

5.00

1.00

1.00

0.00

10

-3.37

1.33

-2.67

2.33

-3.33

0.67

15

-3.00

1.00

2.00

0.00

-1.00

1.00

20

-2.17

3.83

0.83

1.83

-3.17

-1.17

Las grficas de los residuos no muestran que el modelo sea inadecuado para
el anlisis.
4
Valor residual
0

10

15

20

Resistencia media a la tensin

-4
Fig. 1.3 Grfica de los residuos versus Yi. promedio
Comparacin de las medias individuales
Observando las medias en la tabla de ANOVA anterior se puede ver que
la resistencia aumenta conforme aumenta la concentracin de pulpa de
maderas duras. Si se conoce el valor de cualquier media de nivel del factor
tendr una desviacin estndar

. Si todas medias de los niveles del factor

Pg. 15 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

fueran iguales, se comportaran como si se hubieran extrado de la misma


distribucin normal con desviacin estndar

Se puede hacer una comparacin mltiple utilizando una distribucin t


deslizante sobre la figura 1.3 usando el factor de escala

MSE

6.51
1.04
6

y graficndolo contra el valor de la ordenada de t en ese punto. Se puede


construir a ojo y visualizar que tanto cubre la distribucin en relacin con la
posicin de las medias de los niveles. En este caso el promedio del 20%
definitivamente no puede ser cubierto por la distribucin al tratar de cubrir los
otros puntos.
El intervalo de confianza para las medias de los niveles se puede
obtener con la frmula y i. t / 2, a ( n 1) MSE .

Componentes del modelo de varianza


La varianza total del proceso tiene como componentes la varianza del error y
la varianza de las medias de los niveles del factor, o sea:
2 MS E
MS F MS E
2
n

(1.12)

Y la desviacin estndar del proceso se determina con:


y2 2 2

(1.13)

Teniendo la desviacin estndar del proceso y su media se puede estimar la


capacidad del proceso en funcin de los lmites de especificacin.
Ejemplo 1.2 Se tiene inters en investigar la variabilidad
que existe en la resistencia a la tensin del hilo, entre
varios telares en la empresa. Para el estudio se toman 4

Pg. 16 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

muestras de cada uno de los 4 telares, con las siguientes


resultados:
Tabla 1.5 Datos de resistencia del ejemplo
Observaciones
Telar

Total

Promedio

98

97

99

96

390

97.5

91

90

93

92

366

91.5

96

95

97

95

383

95.8

95

96

99

98

388

97.0

1527

95.4

El anlisis de varianza arroj los siguientes resultados:


Tabla 1.6 ANOVA de la resistencia a la tensin
Fuente de
variacin

Suma de
Grados de
cuadrados libertad

Cuadrado
medio

Telar

89.19

29.73

Error

22.75

12

1.90

Total

111.94

15

Fc
15.68
.

Los componentes de la varianza son:


2 1.90
29.73 1.90
2
6.96
4
y2 1.90 6.96 8.86

Asumiendo que la resistencia est normalmente distribuida,


tendr una media de 95.4 psi y una desviacin estndar de
2.98 psi.

Si el lmite inferior de especificacin es 90

psi, el proceso no tiene capacidad para producir dentro de


especificaciones, causado por la variabilidad excesiva en
los telares. Para cumplir con el cliente la desviacin
estndar debera reducirse a 1.30 psi.
Pg. 17 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Defectivos
LIE= 90

LIE=90

Fig. 1.4 Variacin del proceso


1.5 BLOQUEO Y FACTORES EXTRAOS
En muchos casos es necesario disear el experimento de tal forma que
la variabilidad que surge de variables extraas pueda ser controlado. El
procedimiento general para el diseo de bloques totalmente aleatorizado
consiste en seleccionar b bloques y correr una rplica completa de
experimentos en cada uno de los bloques. Habr a observaciones (una por
cada nivel del factor) en cada bloque, y el orden de realizacin de los
experimentos

ser

aleatoriamente

asignada

dentro

del

bloque.

Las

observaciones pueden ser representadas por el modelo:


y ij i j ij

i = 1, 2, , a; j =1, 2, ., b

(1.14)

Donde:
= Media general
i = Efecto del nivel i-simo del factor. La suma de sus desviaciones respecto a
la media general es cero.
j = Efecto del bloque j-simo. La suma de sus desviaciones respecto a la
media general es cero.
ij = NID(o, 2) Es el trmino de error.
Se trata de probar la Hiptesis de igualdad de efectos del factor, o sea:
H 0 : 1 2 ... a 0
H 1: : i 0, para.al .menos.una.i

Pg. 18 de 67

(1.15)

INTRODUCCIN AL DISEO DE EXPERIMENTOS

La suma de cuadrados total de donde se pueden desglosar las sumas de


cuadrados de los factores, bloques y error es:
a

SST j 1 ( y ij y..) bi 1 ( y i. y..) 2 a j 1 ( y y..) 2 j 1 ( y ij y . j y i . y..)


b

.j

i 1

i 1

(1.16)
Simblicamente se tiene:
SST SS FACTOR SS BLOQUE SS E

(1.17)

Con los siguientes grados de libertad correspondientes:


ab 1 ( a 1) (b 1) ( a 1)(b 1)

(1.18)

La Hiptesis nula de que no hay diferencia entre los niveles del factor se
prueba con la prueba F = MSFactor / MSError.
Ejemplo 1.3 Se trata de determinar el efecto de cuatro
diferentes qumicos sobre la resistencia de una fibra. Los
qumicos

se

utilizan

como

parte

del

proceso

final

de

planchado permanente. Se seleccionaron cinco muestras de


fibras, y se corri un diseo por bloques aleatorizado,
probando cada tipo de qumico una vez en orden aleatorio
sobre

cada

muestra

de

fibra,

obtenindose

los

datos

siguientes:
Tabla 1.7 Datos de resistencia de la fibra Diseo en
bloques
Tipo de

Muestras de fibra

Total Promedio

Yi.

Yi. media

1.3

1.6

0.5

1.2

1.1

5.7

1.14

2.2

2.4

0.4

2.0

1.8

8.8

1.76

1.8

1.7

0.6

1.5

1.3

6.9

1.38

3.9

4.4

2.0

4.1

3.4

17.8 3.56

Qumico

Total col. Y.j 9.2 10.1 3.5 8.8 7.6 39.2 1.96
Promedio
2.30 2.53 0.88 2.20 1.90 Y.. Y.. media

Pg. 19 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Tabla 1.8 Anlisis de varianza (ANOVA) del experimento por


bloques aleatorizados.
Anova: Two-Factor Without Replication
SUMMARY Count
Row 1
5
Row 2
5
Row 3
5
Row 4
5
Column 1
Column 2
Column 3
Column 4
Column 5

4
4
4
4
4

Sum
5.7
8.8
6.9
17.8

Average Variance
1.14
0.163
1.76
0.628
1.38
0.227
3.56
0.893

9.2
10.1
3.5
8.8
7.6

2.3
2.525
0.875
2.2
1.9

1.27333
1.68916
0.56916
1.71333
1.08666

Fibra 1
Fibra 2
Fibra 3
Fibra 4
Fibra 5

ANOVA
Source of
Variation
Rows
Qumicos
Columns
Fibras
Error

18.044

6.014667 75.8948 4.52E-8

3.4903

6.693

1.67325 21.1135 2.32E-5

3.2591

0.951

12

Total

25.688

19

SS

df

MS

P-value

F crit

0.07925

Por ser Fc > Fcrtica para los tipos de qumicos, sus


medias

difieren

entre

s.

Dems

tambin

se

observa

diferencias entre las fibras.


Se puede usar el mtodo de la distribucin t con escala

MSE 0.08 0.13 . Si se antepone esta a las medias, se


b
5
observa que la media del qumico 4 difiere mucho de las
otras medias. El 95% de intervalo de confianza para la
media 4 es (3.29, 3.83).

Pg. 20 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Los residuos se calculan como la diferencia entre el valor


observado y el valor estimado (respuesta media cuando se
aplica el tratamiento i-simo en el bloque j-simo, sea:
^

eij yij y ij

(1.19)

y ij y i. y . j y..
La tabla de los residuos se muestra a continuacin:
Tabla 1.9 Residuos del Diseo aleatorizado en bloques
Tipo de
Qumico
1

La

Muestras de fibra
2
3
-0.11
0.44

1
-0.18

4
-0.18

.
0.02

0.10

0.07

-0.27

0.00

0.10

0.08

-0.24

0.30

-0.12

-0.02

0.00

0.27

-0.48

0.30

-0.10

grfica

normalidad.

en
A

variabilidad
variabilidad.

papel
pesar

en

normal
de

que

de
el

residuos

qumico

resistencia,

Sern necesarios

los

tambin

mostr

mostrmayor

indica

otros experimentos

afinar la solucin.

Pg. 21 de 67

mayor
para

INTRODUCCIN AL DISEO DE EXPERIMENTOS

2.

DISEOS

DE

EXPERIMENTOS

FACTORIALES

FRACCIONALES
Muchos experimentos para mejoramiento involucran varias variables,
existen diversos diseos para esas situaciones. A continuacin se tratarn
algunos.
2.1 EXPERIMENTOS FACTORIALES
Se utilizan cuando hay varios factores de inters en un experimento. En
los experimentos factoriales se deben utilizar en cada rplica, todas las
combinaciones de los factores que se estna investigando. Si se tienen dos
factores A y B con niveles a y b respectivamente, cada rplica contendr todas
las posibles combinaciones ab.
El efecto de un factor se define como el cambio en la respuesta como
resultado de un cambio en el nivel del factor. A esto se denomina efecto
principal ya que se refiere a los factores primarios del estudio. Por ejemplo:
B2

20

40

B1

10

30

A1

A2

Fig. 2.1 Un experimento factorial con dos factores A y B


En la figura 2.1 ambos factores A y B tienen dos niveles indicados por 1 o 2
o por + y -, denominados alto y bajo respectivamente. El efecto principal
del factor A es la diferecnia entre la media de la respuesta cuando est en nivel
alto y la media de la respuesta cuando est en nivel bajo. El efecto del factor B
y de la interaccin AB se calculan de la misma forma, o sea:

Pg. 22 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

30 40 10 20

20
2
2
20 40 10 30
B y B 2 y B1

10
2
2
10 40 30 20
AB y AB 2 y AB1

0
2
2
A y A 2 y A1

Respuesta
B2

B2
B1

A1

B1

A2

A1

a) Sin interaccin

A2

b) Con interaccin

Fig. 2.2 Tipos de experimentos factoriales


En algunos casos el efecto de la interaccin puede enmascarar el efecto
de los efectos principales si es muy grande, observndose poco efecto de los
efectos principales.
Una alternativa mal utilizada por los ingenieros es el experimentar
variando un factor a un tiempo, aunque esto puede alejar del ptimo, analizar el
siguiente ejemplo.

Pg. 23 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Rendimiento (%)
80
70
60
F
140

155

170

Fig. 2.3 Rendimiento versus temperatura con tiempo de


reaccin de 1.7 hr.

Temperatura (F)
180
170

90%

160

80%

150
140

60% 70%
Tiempo (hr.)
0.5 1.0 1.5

2.0

Fig. 2.4 Optimizando al variar un factor a un tiempo


En la figura 2.4 si se fija el tiempo en 1.7 hrs. y se empieza a variar la
temperatura se encontrar un mximo en 155 F, sin embargo existen otras
zonas de mayor rendimiento mayores de 70% que nunca podrn ser
alcanzadas.
Para el caso de experimentos con dos factores la suma de cuadrados
ahora se va a formar de la suma de cuadrados del factor A, la suma de
cuadrados del factor B, la suma de cuadrados de la interaccin AB y la suma
de cuadrados del error, como sigue:

Pg. 24 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

SST SS A SS B SS AB SS E

(2.1)

La tabla de Anlisis de varianza (ANOVA) queda como sigue:


Tabla 2.1 Tabla de ANOVA
Fuente de
variacin

Suma de
Grados de Cuadrado
cuadrados libertad
medio

Fo

Factor A
Factor B
Interaccin
AB
Error
Total

SSA
SSB
SSAB

a-1
b-1
(a-1)(b-1)

MSA
MSB
MSAB

Fo = MSA / MSe
Fo = MSB / MSe
Fo = MSAB / MSe

SSe
SSt

ab(n-1)
abn 1

MSe

Ejemplo 2.1

La pintura

de Primer

a las

superficies de

aluminio de un avin se aplican por dos mtodos imersin


y aspersin, el propsito es mejorar la adhesin de la
pintura. Se tiene inters en probar si tres diferentes
tipos

de

Primer

aplicados

por

los

los

dos

diferentes

mtodos tienen efecto en la adhesin de la pintura. Se


pintaron tres muestras con cada tipo de Primer usando cada
uno de los mtodos de aplicacin, se aplic pintura de
acabado y se hizo una prueba para medir la adhesin. Los 18
experimentos se realizaron en un orden aleatorio, con los
resultados siguientes:
Mtodo de aplicacin
Tipo

Imersin

Aspersin .

4.0, 4.5, 4.3

5.4, 4.9, 5.6

5.6, 4.9, 5.4

5.8, 6.1, 6.3

3.8, 3.7, 4.0

5.5, 5.0, 5.0

La tabla de Anlisis de varianza (ANOVA) queda como sigue:


Fuente de Suma de
Grados de Cuadrado
variacin cuadrados libertad medio

Pg. 25 de 67

Fo

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Factor A

4.58

2.29

Fo = 28.63

Factor B

4.91

4.91

Fo = 61.38

Interaccin
AB

0.24

0.12

Fo = 1.5

Error

0.99

12

0.08

Total

10.72

17

Como la Fcrtica (0.05, 2, 12) = 3.89 y Fcrtica (0.05, 1,


12) = 4.75, concluimos que el tipo de primer y el mtodo de
aplicacin afectan la fuerza de adherencia de la pintura,
adems de que no existe interaccin entre estos factores.
Los residuos corresponden a las diferencias entre cada
valor observado y su promedio correspondiente en cada
celda, si se grafican en papel normal casi forman una
recta, indicando normalidad.
2.2.1 EL DISEO FACTORIAL 2K
Un diseo muy comn es el que considera varios factores (K) en dos
niveles (alto y bajo), el diseo ms simple es el diseo 2 k .
El diseo 22
Este el diseo ms simple, usa dos factores A y B, cada uno en dos
niveles. Requiere la realizacin de 4 experimentos que pueden replicarse n
veces, tomando las sumas de los resultados de las rplicas se tiene:

Pg. 26 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

b
(1)

A = -, B = -

(a)

A = +, B = -

(b)

A = -, B = +

(ab)

A = +, B = +

ab

-+

++

B
(1) - -

+- a
A

Figura 2.5 Diseo 22


Los efectos de inters en el diseo son los efectos principales de A y B y
los efectos de la interaccin AB, se denominan contrastes calculados como
sigue:
A

a ab b (1)
1

(a ab b (1))
2n
2n
2n

b ab a (1)
1

(b ab a (1))
2n
2n
2n

AB

(2.2)

ab (1) a b
1

(ab (1) a b)
2n
2n
2n

Las cantidades entre parntesis

se denominan contrastes, aqu los

coeficientes siempre son +1 o 1. Tambin se pueden determinar usando una


tabla de signos como sigue:
Tabla 2.2 Signos para los efectos en el diseo 22
Efectos factoriales
Corrida

AB

(1)

ANOVA

Fo = SST / SSE

glSST = 4n - 1

ab

gl.SSE = 4(n-1)

Para obtener la suma de cuadrados de A, B, y AB se usa:

Pg. 27 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

SS

(contraste) 2
n (coeficientes.de.contrastes ) 2

(2.3)

Por tanto la suma de cuadrados para A, B y AB son:

SSA

1
( a ab b (1)) 2
4n

SSB

1
(b ab a (1)) 2
4n

SSAB

(2.4)

1
( ab (1) a b) 2
4n

Ejemplo 2.2 Se trata de reducir la variabilidad en las


orillas

del

corte

de

placas

de

circuito

impreso.

Se

hicieron varios experimentos considerando dos factores A y


B. Se probaron cuatro circuitos impresos en cada una de las
cuatro corridas de experimentos o rplicas, con los valores
siguientes.
Tabla 2.3 Datos del experimento
Efectos factoriales
Corrida

Vibracin

Total

18.2 18.9 12.9 14.4

64.4

27.2 24.0 22.4 22.5

96.1

15.9 14.5 15.1 14.2

59.7

41.0 43.9 36.3 39.9

161.7

Calculando los efectos estimados de cada factor se tiene:


A = (96.1+161.1-59-7-64.4) / 2(4) = 16.64
B = (59.7 + 161.1 59.7 64.4) /2(4) = 7.54
AB = (161.1 + 64.4 96.1 59.7) / 2(4) = 8.71

Pg. 28 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Como efecto de los factores, si se cambia A de su nivel


bajo

su

nivel

alto,

aumenta

la

respuesta

en

16.64

unidades. Calculando la sumas de cuadrados, se obtiene la


siguiente tabla ANOVA:
Tabla 2.4 Anlisis de varianza del experimento
Fuente de
de variacin
A

Suma de
Grados
cuadrados libertad
1107.326
1

Cuadrado
medio
1107.226

Fo
185.25

227.256

227.256

38.03

AB

303.631

303.631

50.80

Error

71.723

12

Total

1709.836

15

5.977
.

Como se puede observar ambos factores son significativos y


tambin la interaccin es significativa.

Anlisis Residual
Para obtener los residuos se utiliza la ecuacin de regresin siguiente,
donde los factores A y B se representan por X 1 y X2 y la interaccin AB por
X1X2. Los niveles alto y bajo de cada factor se asignan a los valores +1 y 1
respectivamente, el modelo de ajuste es:
16.64
7.54
8.71
x1
x1
x1 x 2 (2.5)
2
2
2

y 0 1 x1 2 x 2 3 x1 x 2 23.83

El valor de la interseccin 0 se calcula como el promedio de las 16


observaciones y cada coeficiente de regresin es la mitad del efecto estimado
del factor correspondiente, dado que los coeficientes de regresin miden el
efecto de una unidad de cambio en Xi sobre la media de Y, y el estimado del
efecto se basa en dos unidades de cambio de (X 1 = -1 a X2 = 1).

Pg. 29 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Dado que la interaccin es significativa, para obtener la menor respuesta


de vibracin, se analizan las respuestas en todas las combinaciones de A y B
como sigue:

Vibracin

B+

B-

A-

A+

Fig. 2.5 Grfica de interaccin de A y B


Como se puede observar los mejores resultados se obtienen poniendo en
niveles bajos a A y en nivel alto a B.

El modelo de la ecuacin 2.5 permite predecir valores del nivel de


vibracin en cualquier punto de la regin de experimentacin, incluyendo los
cuatro puntos del diseo, por ejemplo si (X1 = -1 y X2 = -1), el nivel de
vibracin de prediccin es 16.1
Los residuos pueden calcularse como la diferencia entre los valores
reales observados y los estimados por la ecuacin. En relacin con la
respuesta, los primeros cuatro residuos son:
e1 = 18.2 16.1 = 2.1

e3 = 12.9 16.1 = -3.2

e2 = 18.9 16.1 = 2.8

e4 = 14.4 16.1 = -1.7

Los residuos restantes para las otras tres corridas pueden calcularse en
forma similar. Posteriormente se grafican para su anlisis de normalidad, la
cual mostr ser satisfactoria.

Pg. 30 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

2.2.2 DISEO 2K PARA MAS DE DOS FACTORES


El diseo de 3 factores es un cubo con ocho combinaciones factoriales,
permite estimar tres efectos principales (A, B, y C), tres interacciones de dos
factores (AB, BC, y AC) y una interaccin de tres factores (ABC). Considerando
que las letras minsculas representan la suma de las n replicas de cada uno de
los ocho experimentos, se tiene:

1
(a ab ac abc b c bc (1))
4n
1
B
(b ab bc abc a c ac (1))
4n
1
C
(c ac bc abc a b ab (1))
4n
1
AB
( ab (1) abc c b a bc ac)
4n
1
AC
( ac (1) abc b a c ab bc)
4n
1
BC
(bc (1) abc a b c ab ac)
4n
1
ABC
(abc bc ac c ab b a (1))
4n
A

(2.6)

Las cantidades entre parntesis se denominan contrastes de las ocho


combinaciones de niveles y factores. Tambin pueden obtenerse de la tabla
siguiente:

Pg. 31 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Tabla 2.5 Signos para los efectos en el diseo 23


Combinacin del
Tratamiento
I
1
+

A
-

Efectos factoriales
B
AB
C
AC
BC
+
+
+

ABC
-

Propiedades de la tabla:
1. Excepto por la columna identidad I, cada columna tiene
un nmero igual de signos positivo y negativo.
2. La suma de productos de los signos con cualquier par de
columnas

es

cero,

sea

que

se

trata

de

una

tabla

ortogonal.
3. Al multiplicar cualquier columna por la columna I se
obtiene

la

misma

columna,

entonces

es

el

elemento

identidad.
4. El producto de cualquier par de columnas resulta en otra
columna en la tabla, AxB = AB, ABxABC = A2B2C = C dado que
una

columna

multiplicada

por

si

misma

da

la

columna

identidad.
El estimado de cualquier efecto principal o interaccin se determina como
sigue:

Efecto

Contraste
n 2 k 1

(2.7)

Pg. 32 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

La suma de cuadrados de cualquier efecto es:


(contraste) 2
SS
n2 k

(2.8)

Ejemplo 2.3 Se realiz un experimento para investigar el


acabado superficial de una parte de metal. El experimento
es un diseo factorial 23 con los factores Velocidad de
ataque (A), profundidad de corte (B) y ngulo de corte (C),
con n = 2 rplicas. En la tabla siguiente se observan los
resultados del acabado superficial.
Tabla 2.6 Datos del experimento
Factores de Diseo Acabado
Experimento A

Superficial

Total

(1)

-1

-1

-1

9,7

16

+1

-1

-1

10,12

22

-1

+1

-1

9,11

20

ab

+1

+1

-1

12,15

27

-1

-1

+1

11,10

21

ac

+1

-1

+1

10,13

23

bc

-1

+1

+1

10,8

18

abc

+1

+1

+1

16,14

30

Los efectos principales se calculan como sigue, por ejemplo


para el factor A:
A

=(22 + 27 +23 + 30 20 21 18 16) / 4(2) = 3.375

De la misma forma
B

= 1.625

= 1.375

AB = 1.375
AC = 0.125
BC = -0.625

Pg. 33 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

ABC = 1.125
Por observacin directa el factor dominante es el A seguido
por el B y la interaccin AB.
Calculando la suma de cuadrados como sigue:
SSA = (contraste A)2 / 2 (8) = (27)2 / 16 = 45.5625
gl.SSA = 1
De la misma forma para los dems factores, se tiene:
SSB = 10.5625

todos con gl. = 1

SSC = 3.065
SSAB = 7.5625
SSAC = 0.0625
SSBC = 1.5625
SSABC = 5.5625
SSErr = 19.500 con (16 7 ) = 8 gl.
SST = 92.9375

MSE = 2.4375

con 15 gl.

Formando la tabla ANOVA y calculando los valores de Fc para


cada factor se tiene (Fcrtica (0.1, 1, 8) = 3.45):
Fuente

Fc

18.69

4.33

1.26

AB

3.1

AC

0.03

BC

0.64

ABC

2.08

Por tanto slo son significativos los factores A y B por


ser Fc > Fcrtica.

Pg. 34 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Para probar normalidad se puede utilizar la ecuacin de


regresin anterior para las dos variables A y B, con sus
niveles codificados en (-1, +1), tomando la media general y
los estimados de los efectos de los factores A y B y de su
interaccin, se tiene:
3.375
1.625
1.375
x1
x2
x1 x 2
2
2
2

y 0 1 x1 2 x 2 3 x1 x 2 11.0625

Con esta ecuacin se pueden evaluar los residuos, que


se calculan para cada combinacin de las dos variables A y
B ya que la C no fue relevante. Por ejemplo para el caso de
A = -1 y B = -1 se tiene:
Yest = 9.25
Los valores observados para A = -1, B = -1 y
C = -1, corresponden a las respuestas 7 y 9. Obteniendo los
residuos contra el valor estimado de 9.25 se tiene:
r1 = 9 9.25 = - 0.25
r2 = 7 9.25 = - 2.25
Graficando estos residuos en papel normal no se observan
anormalidades mayores.
Como el menor valor se obtiene al tener A y B en nivel
bajo, esta es la solucin que se recomienda.
SUPERFICIES DE RESPUESTA
Del modelo anterior de regresin, si no se toma en cuenta el trmino de
interaccin, lo cual no afecta ya que el diseo 2k es ortogonal, se tiene:

Pg. 35 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

y 0 1 x1 2 x 2 11.0625 1.6875 x1 0.8125 x 2

La ecuacin anterior representa una superficie de respuesta de Y que se


obtiene al variar X1 y X2.

Pg. 36 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Superficie de
Respuesta
1

de primer orden

-1 x2 - Profundidad
-1

x1

Velocidad de alimentacin
Fig. 2.6 Superficie de respuesta (primer orden)
Respuesta Y
10

11

12

13
+1

9.5
X1
8.5

Prof.
-1

-1

+1

X2 Velocidad de alimentacin
Fig. 2.7 Contornos de igual respuesta (primer orden)
Para el caso de que la interaccin se incluya en el modelo, torcer al
plano de la superficie de respuesta, es decir le agregar una curvatura, y en el
caso de los contornos de respuesta constante, en lugar de tener rectas, tendr
curvas, tal como se muestra en las figuras siguientes. En caso de haber
componentes de segundo o tercer orden, la superficie de respuesta mostrar
una curvatura.

Pg. 37 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Superficie de
Respuesta
con interaccin
X2
X1
Fig. 2.8 Superficie de respuesta (con interaccin)

X1

X2
Fig. 2.9 Contornos de respuesta (con interaccin)
La inspeccin de una superficie de respuesta simplifica la interpretacin
de los resultados de un experimento. Por ejemplo, de la figura 2.6, si queremos
minimizar la respuesta, debemos poner a X1 y X2 en sus niveles bajos o cerca
de ellos. La grfica de contornos permite reducir los costos al poder seleccionar
diferentes combinaciones de valores de X1 y X2 para obtener la misma
respuesta.
Lo anterior reafirma que el objetivo de un experimento es el de

contar con un modelo cuantitativo del proceso.

Pg. 38 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

2.2.3 UNA SLA RPLICA DEL DISEO 2K


Conforme el nmero de factores en un diseo factorial se incrementa,
tambin se incrementa el nmero de efectos que pueden ser estimados. Por
ejemplo un diseo experimental 24 tiene 4 efectos proncipales, 6 interacciones
de dos factores, 4 interacciones de tres factores y 1 interaccin de cuatro
factores. En muchas situaciones se aplica el principio de escasez de efectos
donde el sistema es dominado por los efectos principales y las interacciones de
bajo orden, por tanto las interacciones de tercer o mayor, son normalmente
insignificantes.

Por

lo

anterior,

cuando

el

nmero

de

factores

es

moderadamente grande, k >= 4, es prctica comn correr slo una rplica del
diseo y juntar o combinar las interacciones de alto orden como una estimacin
del error.
Ejemplo 2.4 En la fabricacin de circuitos integrados, un
parmetro

importante

material

base,

se

es

la

busca

velocidad
maximizar

de

grabado

en

la

velocidad.

el
Se

identificaron 4 factores para correr el experimento:


Factores de diseo
Gap

Presin

Flujo

Potencia

Nivel

Bajo (-)

0.80

450

125

275

Alto (+)

1.20

550

200

325

La tabla siguiente tiene los 16 experimentos del diseo.


tomando los signos positivo y negativo, se pueden estimar
los

efectos

de

los

factores.

estimacin de los factores es 8.

Pg. 39 de 67

El

divisor

para

cada

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Tabla 2.7 Diseo de experimentos 24


Experimento A

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd

B
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1

-1
+1
-1
+1
-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
+1
+1
+1
+1

D
-1
-1
-1
-1
-1
-1
-1
-1
+1
+1
+1
+1
+1
+1
+1
+1

Vel. grabado
550
669
604
650
633
642
601
635
1037
749
1052
868
1075
860
1063
729

Por ejemplo, la estimacin del efecto del factor A es:


A = (a + ab + ac + abc + ad + abd + acd + abcd (1) b
- c d bd cd bcd ) / 8
A = (669+650+642+635+749+868+860+729-550-604-633-601-10371052-1075-1063) = - 101.625
Lo anterior indica que cambiando el gap de 0.80 a 1.20 cm,
se reduce la velocidad en 101.625 unidades.
La tabla completa de la estimacin de los efectos de los
factores es:
A
B
AB
C
AC
BC
ABC
D

=
=
=
=
=
=
=
=

-101.625
-1.625
-7.875
7.375
-24.875
-43.875
-15.625
306.125

AD
BD
ABD
CD
ACD
BCD
ABCD

=
=
=
=
=
=
=

-153.625
-0.625
4.125
-2.125
5.625
-25.375
-40.125

Se puede hacer una grfica de probabilidad normal con los


estimados de

los efectos,

significativo, entonces

si ninguno

se comportarn

Pg. 40 de 67

de os

efectos es

como una

muestra

INTRODUCCIN AL DISEO DE EXPERIMENTOS

normal aleatoria con distribucin normal con media cero y


los efectos se agruparn a lo largo de la lnea recta. Los
efectos que salen de la lnea recta si son significativos.
Si alguna interaccin se muestra como significativa, no
debe incluirse en el grupo de trminos de error.
En este caso el factor A, D y su interaccin AD fueron
significativos. El anlisis de varianza (ANOVA) confirma
esta hiptesis.
Probabilidad
Normal

*D
*
*
*
*
*

*A
*AD
Efectos
En la velocidad de grabado
Fig. 2.10 Grfica en papel normal de los efectos
601

635
642

633
C

604

550

+
1063
1075

B
669

1052

1037

729
860
B
749

Fig. 2.11 Diseo del experimento, la respuesta en cada caso


se muestra en los vrtices de cada cubo
A continuacin se muestra la tabla de anlisis de varianza
para este ejemplo.

Tabla 2.8 ANOVA del Diseo de experimentos


Pg. 41 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Fuente de
Variacin
A

Suma
de cuadrados
41,310.563

gl.
1

Cuadrado
medio
41,310.563

Fc
20.28

10.563

10.563

<1

217.563

217.563

<1

374,850.063

374,850.063

183.99

AB

248.063

248.063

AC

2,475.063

2,475.063

AD

94,402.563

94,402.563

BC

7,700.063

7,700.063

BD

1.563

1.5632

<1

CD

18.063

18.063

<1

Error

10,186.815

2,037.363

Total

531,420.938

<1
1.21
48.79
3.78

Para la formacin del trmino de error se agruparon las


sumas de cuadrados de las interacciones de tres y cuatro
factores.
Investigando

las

respuestas

con

las

diferentes

combinaciones de A y D se tiene:
Punto ptimo (A-, D+)
Velocidad
de grabado

D+
D-

AA+
Fig. 2.12 Anlisis de los efectos de la interaccin A - D
Considerando slo las variables A, D y su interaccin AD,
el modelo del proceso usando la ecuacin de regresin es el
siguiente:
y 0 1 x1 4 x 4 3 x1 x 4

Pg. 42 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

101.625
306.125
153.625
x1
x4
x1 x 4
2
2
2

y 776.0625

Por ejemplo para A = -1 y D = -1, el valor de prediccin Y


es:
yest = 597
Y los cuatro residuos del experimento en estas condiciones
son:
e1 = 550 597 = -47
e2 = 604 597 = 7
e3 = 638 597 = 36
e4 = 601 597 = 4
De al misma forma se pueden calcular los residuos de las
otras tres combinaciones de A y D. Al graficar los resiudos
en una grafica de probabilidad normal, es satisfactoria.
2.2.4 ADICIN DE PUNTOS CENTRALES AL DISEO 2K
Una preocupacin al usar estos modelos, es que se asume que los
efectos de los factores son casi lineales, sin embargo si la curvatura es mucha,
debe complementarse el modelo con trminos de segundo orden.
Para el caso de k = 2, un modelo que incluye efectos de segundo orden
es el siguiente:
y 0 1 x1 2 x 2 12 x1 x 2 11 x12 22 x 22

(2.9)

La ecuacin anterior se denomina modelo de superficie de respuesta


de segundo orden, y los coeficientes 11 , 22 miden los efectos cuadrticos
puros. Para ajustar el modelo se requieren tres niveles en todos los factores,
siendo importante determinar si los trminos cuadrticos puros son requeridos.

Pg. 43 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Existe un mtodo de agregar un punto central al diseo factorial 2K para


determinar si son necesarios los trminos cuadrticos. Adems si este punto es
replicado, se puede obtener una estimacin independiente del error
experimental. Los puntos centrales consisten de nc rplicas de experimentos
realizados en x i 0, (i 1,2,...., k ) . Al agregar puntos centrales, no se tiene
impacto en la estimacin de los efectos de los factores. Se asume que los k
factores son cuantitativos, de otra forma el punto central no existira.
Para el caso de un diseo de 2 factores en 2 niveles y n c observaciones
en los puntos centrales (0,0), si y F es el promedio de los cuatro experimentos
en los cuatro puntos factoriales y y C el promedio de los nc experimentos con
los puntos centrales. Si su diferencia es pequea, entonces los puntos se
encuentran cerca del plano que pasa por los puntos factoriales y no hay
curvatura. Si la diferencias es grande, entonces se tiene una curvatura. La
suma de cuadrados de la curvatura cuadrtica pura con un grado de libertad es
la siguiente:

SS cuadrtic . puro

n F nc ( y F y C ) 2
n F nC

(2.10)

Donde en general nF es el numero de puntos factoriales del diseo. Esta


cantidad puede ser comparada a la media cuadrtica del error para probar la
curvatura.
Ejemplo

2.5

En

el

experimento

de

la

fabricacin

de

circuitos integrados anterior, si se agregan nc = 4 puntos


centrales se obtuvieron los resultados siguientes:
Tabla 2.9 Diseo de experimentos 24 con puntos centrales
Experimento A

1
2
3
4
5

(1)
a
b
ab
c

-1
+1
-1
+1
-1

B
-1
-1
+1
+1
-1

C
-1
-1
-1
-1
+1
Pg. 44 de 67

D
-1
-1
-1
-1
-1

Vel. grabado
550
669
604
650
633

INTRODUCCIN AL DISEO DE EXPERIMENTOS

6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
0
0
0
0

+1
-1
+1
-1
+1
-1
+1
-1
+1
-1
+1
0
0
0
0

-1
+1
+1
-1
-1
+1
+1
-1
-1
+1
+1
0
0
0
0

+1
+1
+1
-1
-1
-1
-1
+1
+1
+1
+1
0
0
0
0

-1
-1
-1
+1
+1
+1
+1
+1
+1
+1
+1
0
0
0
0

642
601
635
1037
749
1052
868
1075
860
1063
729
706
764
780
761

La media de los puntos centrales Yc = 752.75 y la media de


los 16 puntos factoriales es Yf = 776.0625. La suma de
cusdrados de curvatura se calcula como sigue:
SSpc = (16x4x(776.0625 757.75)^2 / (16 + 4) = 1739.1
Adems se puede calcular el error experimental estimado por
medio de la varianza de las muestras de los cuatro puntos
centrales como sigue:

20

( y i 752.75)

i 17

3127.7

Los grados de libertad del error estimado son nc 1 = 3


grados

de

libertad.

La

tabla

de

anlisis

de

varianza

obtenida por computadora es la siguiente:


Tabla 2.10 ANOVA del Diseo de experimentos
Fuente de
Variacin
Modelo

Suma
de cuadrados
521,234.1

gl.
10

Cuadrado
medio
521,234.1

Fc
31.330
1.045

Curvatura

1,739.1

1,739.1

Residual

13,309.6

1,663.7

Pg. 45 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Falta de

10,186.8

2,037.4

3,122.7

1,040.9

1.957

ajuste
Error Puro
Total
La

536,282.8

suma

de

realmente

19

cuadrados

la

suma

de

de

la

Falta

cuadrados

de

de

ajuste

los

de

es
las

interacciones de tres y cuatro factores, la prueba F de


falta de ajuste se calcual como sigue:
Fc = MSlf / MS pe = 2037.4 / 1040.9 = 1.957
Lo

cual

requieren

no

es

los

significativo,

trminos

de

indicando

interaccin

de

que

no

se

alto

orden.

Probando la suma de cuadrados de curvatura versus el


error residual se tiene:
Fc = MScurv. / MS residual = 1739.1 / 1663.7 = 1.045
Indica

que

no

hay

evidencia

de

curvatura

cuadrtica

pura.
La prueba de significancia del modelo se prueba con:
Fc = MS modelo / MS residual = 31.33
Indicando

que

el

modelo

es

siginificativo,

con

los

principales efectos de A, D y AD.


2.2.5 BLOQUEO Y CONFUSIN EN EL DISEO 2K
Es a veces imposible correr una rplica completa de un diseo de
experimentos

factorial

en

condiciones

constantes

homogneas

de

experimentacin. Por ejemplo, podra no ser posible realizar todas las pruebas

Pg. 46 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

en un turno, o usar materiales de un solo lote. Cuando ocurre este problema, el


bloqueo es una tcnica excelente para eliminar las variaciones indeseables
que pudieran ser causadas por las condiciones no homogneas. Si el diseo es
replicado y el bloque es de tamao suficiente, se puede realizar cada rplica
en un bloque (ya que las condiciones se mantienen homogneas dentro del
bloque).
Por ejemplo, si cada experimento toma una hora en un diseo 2 2,
entonces realizando una rplica de 8 experimentos en un da y otra rplica en
otro da, se eliminar cualquier efecto del tiempo, o diferencia en los mtodos
de trabajo entre esos das. Los dos das son los dos bloques del diseo. La
diferencia entre los promedios de las respuestas de los dos das es el efecto
del bloque.
En algunas ocasiones no se puede realizar la rplica completa de un
diseo factorial bajo condiciones homogneas de experimentacin, entonces
se puede utilizar la tcnica de La confusin

para correr experimentos en

bloques, donde el tamao del bloque (p) es ms pequea que el nmero


completo de experimentos de la rplica (k). Esta tcnica causa que ciertas
interacciones sean indistiguiobles o estn confundidas con los bloques. A
continuacin se muestra un ejemplo.
Suponiendo que cada uno de los experimentos de un diseo 2 2 = 4,
requiere 4 horas de anlisis de laboratorio, al final se requerirn dos das para
completar el experimento. Si se consideran a los das como bloques, se
pueden asignar dos de los cuatro experimentos cada da.
b

ab
Bloque 1

(1)

Bloque 2

(1)

ab

a) Vista geomtrica

b) Asignacin de experimentos

Pg. 47 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Fig. 2.13 Un diseo 22 en bloques


Si al bloque 1 se le asignan los experimentos (1) y ab y al bloque 2 se le
asignan los experimentos a y b. Los contrastes para estimar los efectos de A y
B son:
Contraste A = ab + a b (1)
Contraste B = ab + b a (1)
Contraste AB = ab + (1) a - b
Notar que estos contrastes no se afectan por el bloqueo, puesto que en
cada contraste se tienen un experimento con signo positivo y otra con signo
negativo, esto es que cualquier diferencia entre el bloque 1 y el 2 se cancelar.
En el caso de la interaccin, como los 2 experimentos en que AB tiene signo
positivo se asignan a un bloque, y 2 que tienen el signo negativo en AB se
asignan al otro bloque, su efecto es idntico al de los bloques por lo que estar
confundida con estos.
Para el caso de un diseo 23 se puede asignar todos los experimentos
que tengan signo negativo en ABC a un bloque y los que tengan signo positivo
en ABC asignarlos a otro bloque. Este procedimiento en general se puede
generalizar a los diseos 2K.

Bloque 1

Bloque 2

(1)

ab

ac

bc

abc

Fig. 2.14 Un diseo 23 en bloques

Pg. 48 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

2.3 REPLICACIN FACTORIAL DEL DISEO 2K


Conforme el nmero de factores se incrementa, el nmero de
experimentos requeridos tambin se incrementa rpidamente. Por ejemplo un
diseo 25 requiere 32 experimentos. En este diseo slo 5 grados de libertad
corresponden a los efectos principales y 10 grados de libertad corresponden a
las interacciones de dos factores. Si se puede asumir que ciertas interacciones
de alto orden son insignificantes, entonces es posible utilizar un diseo factorial
de menor orden que el de 2K para obtener informacin de los efectos
principales y las interacciones de bajo orden.
2.3.1 LA MITAD FRACCIONARIA DEL DISEO 2K
La mitad fraccionaria contiene 2 K-1 experimentos. Por ejemplo para el
diseo 23-1, contiene la mitad de experimentos del arreglo 2 3.
Tabla 2.11 Signos para los efectos en el diseo 23
Combinacin del
Tratamiento
I
1
+

A
-

Efectos factoriales
B
AB
C
AC
BC
+
+
+

ABC
-

El diseo 23-1 puede formarse al seleccionar aquellos experimentos que


tengan un signo positivo en el efectro ABC. De esta forma ABC se denomina el
generador de esta fraccin particular, como el elemento I tiene tambin los
signos positivos, se puede definir I = ABC como la relacin de definicin del
diseo.

Pg. 49 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Los experimentos para el diseo tiene tres grados de libertad asociados


con los efectos principales. La estimacin de los efectos es:
A = [a b c + abc]
B = [- a + b c + abc]
C = [- a - b + c + abc]
Los estimados de los efectos de las interacciones son:
BC = [a b c + abc]
AC = [- a + b c + abc]
AB = [- a - b + c + abc
De esta forma la combinacin lineal de observaciones en la columna A, por
decir lA, estima A + BC. En forma similar lB, estima B + AC y lC estima C + AB.
Dos o ms efectos que tienen esta propiedad se llaman alias. De esta forma
son alias A y BC, B y AC, y C y AB. Este fenmeno es resultado directo de la
replicacin fraccional. En muchos casos es posible seleccionar la fraccin de
tal forma que los efectos principales sean alias de interacciones de orden alto
(cuyo efecto probablemente es insignificante).
La estructura de Alias para este diseo se encuentra al definir la relacin
I = ABC, multiplicando cualquier efecto por la relacin de definicin se obtienen
los alias para el efecto. Por ejemplo A = A* ABC = A*A*BC = BC por ser A*A = I.
Si se selecciona en el diseo 23 la fraccin donde ABC tenga los signos
negativos, la relacin de definicin en este caso es I = - ABC. Los alias son A =
-BC, B = -AC, C = -AB. De esta forma los efectos A, B, y C realmente estiman A
BC, B AC, y C AB. En la prctica no importa que fraccin se seleccione.
La fraccin con los signos positivos en la relacin de definicin se denomina
fraccin principal, y las otras fracciones se denominan fracciones alternas.
En algunas ocasiones se usan secuencias de diseos fraccionales para
estimar los efectos, por ejemplo primero se usa la fraccin principal para

Pg. 50 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

estimar los efectos principales si la interaccin es insignificante. Sin embargo si


se tiene duda de que las interacciones sean significativas, es posible estimarla
por medio de los experimentos de la fraccin alterna.
Ejemplo 2.6 Del ejemplo anterior, suponiendo que se decida
usar un diseo 24-1 con I = ABCD para investigar los 4
factores A, B, C y D. Este diseo puede ser construido por
medio de un diseo 23 en los factores A, B, C y haciendo D
= ABC.
EL diseo se muestra a continuacin:
Tabla 2.12 Diseo 24-1 con la relacin de definicn I = ABCD
I
+

Efectos factoriales
A
B
C
D = ABC
-

Vel. Grabado
550

749

1052

650

1075

642

601

729

Experimento
1

En este diseo los efectos principales son alias de la


interaccin de tres factores, como sigue:
A*I = A* ABCD

A = ABC

B*I = B* ABCD

B = ABC

C*I = C* ABCD

C = ABC

D*I = D* ABCD

D = ABC

Las interacciones de dos factores son alias entre ellas.


Por ejemplo el alias de AB es CD.
AB*I = AB*ABCD

-> AB = CD

AC = BD

Pg. 51 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

AD = BC
Los estimados de los efectos principales y sus alias, se
calculan usando las 4 columnas de signos en la tabla. Por
ejemplo para la columna A se tiene:
lA = A + BCD = (-550+7491052+6501075+642601+729) = -127
lB = B + ACD = 4
lC = C + ABD = 11.5
lD = D + ABC = 290.51
Claramente se observa que los efectos de A y D son grandes
y afectan significativamente los resultados de la velocidad
de

granado,

esto

es

vlido

si

consideramos

que

la

interaccin ANC es insignificante.


Las interacciones son estimadas al formar las columnas AB,
AC, y CD agregndolas a la tabla. Los signos de la columna
AB son +, -, -, +, +, -, -, +, y esta columna produce el
estimado
lAB = AB + CD = (550-749-1052+650+1075-942-601+729) = - 10
lAC = AC + BD = - 25.50
lAD = AD + BD = - 197.50
La ltima interaccin tiene un efecto grande, tal y como se
haba observado en otros ejemplos anteriores.
Si se sospecha que dos o tres factores son los importantes, algunas
veces las fracciones experimentales se usan para identificar los factores
significativos de entre un nmero grande de factores, denominndose
experimentos de seleccin.
RESOLUCIN DEL DISEO

Pg. 52 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Los experimentos fraccionales se clasifican de acuerdo a los alias que generan,


entre las categoras ms importantes se encuentran:
1. Diseos de resolucin III. En estos diseos no hay alias entre efectos
principales, sin embargo si hay alias entre los efectos principales y con los de
las interacciones de dos factores, asimismo puede haber alias entre estas. El
diseo 23-1 con I = ABC es de resolucin III. A veces se indica con 2 3III1 .
2. Diseos de Resolucin IV. En estos diseo, ningun efecto principal tiene
alias con otro bi con las interacciones de dos factores, las cuales si pueden
tener alias entre elaas. Como ejemplo se tiene el diseo 2 4-1 con I = ABCD,
4 1
indicado como 2 IV .

Estos dos son los ms comunes como experimentos de seleccin de factores


relevantes, el de resolucin IV es particularmente til porque proporciona
buena informacin sobre los efectos principales y sobre los efectos de las
interacciones de dos factores.

Pg. 53 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

3. OPTIMIZACIN DE PROCESOS CON DISEO DE EXPERIMENTOS


En la seccin anterior se trataron los diseos de experimentos
factoriales y fraccionales, muy tiles para hacer una seleccin de factores
es decir que sirven para identificar cuales son los factores ms relevantes
que afectan el desempeo del proceso. A veces a este proceso se le
denomina caracterizacin del proceso. Una vez que se ha identificado al
subconjunto de variables relevantes del proceso, el paso siguiente es la
optimizacin del proceso, o la bsqueda de las condiciones de operacin
para las variables del proceso que resulten en el mejor desempeo del
proceso.
Las tcnicas de optimizacin del proceso datan de los aos 1950s
cuando se aplicaron a la industria qumica y de proceso continuo. Hoy en
da su aplicacin se encuentra muy extendida a muchas industrias y son
incluidas en la mayora de los paquetes estadsticos de software para su
fcil aplicacin.

3.1 MTODOS Y DISEOS DE SUPERFICIES DE RESPUESTA (RSM)


Los RSM son un grupo de mtodos tiles para modelar y analizar
aplicaciones donde la respuesta de inters es influenciada por diversas
variables y el objetivo es optimizar esta respuesta. Supngase que se desea
obtener el mximo rendimiento en un proceso (y) que tiene como variables
relevantes la temperatura de reaccin (x1) y el tiempo de reaccin (x2). La
funcin de rendimiento est en funcin de temperatura y tiempo, o sea:
y f ( x1 , x 2 )

Donde el trmino representa el ruido o error observado en la respuesta Y. Si


el valor esperado de la respuesta se denota por E(y) = f(x1, x2), la superficie
representada por esta ecuacin se denomina superficie de respuesta. Se
peude representar grficamente esta funcin en coordenadas tridimensionales.

Pg. 54 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Regin ptima

Rendimiento
esperado (%)
Tiempo de reaccin (min.)

Temperatura (C)
Fig. 3.1 Superficie de respuesta tridimensional,
muestra
el
rendimiento
esperado
en
funcin
de
la
temperatura y tiempo

Para ayudar a visualizar la forma de la superficie de respuesta es conveniente


graficar los contornos de igual rendimiento de la superficie de respuesta como
se muestra en la siguiente figura.
Rendimiento (%)
30
25

70 75 80

85

90

Tiempo de
Reaccin

20

(min.)

Condiciones de operacin actuales


15

60 65
100

110

120

130

140

Temperatura (C)
Fig. 3.2 Grfica de contornos del rendimiento de la
superficie de respuesta
En muchos problemas de RSM, la forma de la relacin entre la superficie
de respuesta y las variables independientes se desconoce. As, el primer paso
Pg. 55 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

es hallar una aproximacin adecuada de la superficie, para lo cual se emplea


un polinomio de bajo orden en alguna regin de las variables independientes.
Si la respuesta es modelada adecuadamente por una funcin lineal de las
variables independientes, entonces la funcin de aproximacin es el modelo
de primer orden, por ejemplo:
y 0 1 x1 2 x 2 ... k x k

(3.1)
Si hay curvatura en el sistema, entonces se requiere un polinomio de mayor
orden por ejemplo, el modelo de segundo orden,
k

k 1

i 1

i 1

i 1

Y 0 i X i ii X i2

j 2

ij

XiX j

(3.2)

Muchos problemas de RSM utilizan uno o ambos de estos polinomios de


aproximacin muy validos para la regin de inters, no necesariamente para
toda la superficie. Los coeficientes beta en las ecuaciones son estimados por
mnimos cuadrados. Despus se hace el anlisis de la superficie en trminos
del modelo de la superficie, si este modelo es adecuado , entonces el anlisis
ser ms real.
El RSM es un proceso secuencial, frecuentemente cuando se esta
lejos del punto ptimo ( tal como en las condiciones de operacin actuales),
hay poca curvatura y el modelo de primer orden ser apropiado, el primer paso
es acercarse en forma rpida al punto ptimo, una vez cerca se puede emplear
un modelo de segundo orden para localizar el punto ptimo. En la figura de la
superficie de respuesta se trata de llegar a su mximo.

3.1 .1 EL MTODO DE ASCENSO RPIDO


Frecuentemente el estimado inicial de las condiciones ptimas de
operacin, se encuentran lejos del verdadero ptimo. En tal circunstancia el
Pg. 56 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

objetivo es moverse rpidamente a la vecindad del ptimo verdadero, en forma


econmica. En estas condiciones se utiliza un modelo de primer orden.
El mtodo de ascenso rpido es un procedimiento para moverse
secuencialmente por la trayectoria de ascenso rpido, o sea, en la direccin del
mximo incremento de la respuesta. Por supuesto, si lo que se busca es la
minimizacin, entonces se utiliza el mtodo de descenso rpido. El modelo
ajustadop de primer orden es:

^ ^ k^

y 0 i xi

(3.3)

i1

Para este modelo de superficie de respuesta de primer orden, los contornos de


^

y
son una serie de lneas rectas paralelas como se muestra en la siguiente
figura:

y =50
^

y =40

Trayectoria de
ascenso rpido

Regin de la
superficie de respuesta

y =30
^

y =20

ajustada de 1 orden

Fig. 3.3 Superficie de respuesta


trayectoria de ascenso rpido

Pg. 57 de 67

de

primer

orden

INTRODUCCIN AL DISEO DE EXPERIMENTOS

La direccin de ascenso rpido es la direccin en la cual

se

incrementa ms rpido, esta direccin es normal a los contornos de la


superficie de respuesta ajustada. Normalmente se toma como trayectoria de
ascenso rpido, la lnea que pasa al centro de la regin de inters y normal a
los contornos de la superficie ajustada. De esta forma, los pasos a lo largo de
la trayectoria son proporcionales a los coeficientes de regresin {

}. El

experimentador determina la cantidad real de movimiento a lo largo de esta


trayectoria en base a su conocimiento del proceso u otras consideraciones
prcticas.
Los experimentos se realizan a lo largo de la trayectoria de ascenso
rpido hasta que ya no se observa incremento en la respuesta o hasta que la
regin de la respuesta deseada se alcanza. Entonces se usa un nuevo modelo
de primer orden, se determina la direccin de una nueva trayectoria de ascenso
rpido y de ser necesario, se realizan experimentos adicionales en esa
direccin hasta que el experimentador sienta que est cerca del ptimo.
Ejemplo 3.1 En el problema de la velocidad de grabado,
donde se investigaron 4 factores. Se encontr que el gap
(x1) y la potencia (x4) afectaban en forma significativa la
velocidad de granado. El modelo que se utiliz utilizando
los efectos principales fue el siguiente:
y 776.0625 50.8125 x1 153.0625 x 4

A continuacin se muestra la grfica de contornos de este


modelo, en la regin original de experimentacin: gap entre
0.8 y 1.2 cm y potencia entre 275 y 325 W. Dentro de esta
regin con el modelo en (x1 =1 y X4 =1) la mxima velocidad
que puede obtenerse es aproximadamente 980 Angstroms / m,
los ingenieros creen que podra operarse en la zona de 1100
1150 A / m. Por tanto es necesario optimizar el proceso.
Pg. 58 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

375

* C (1163)

350

B (1074)*
Trayectoria de ascenso
rpido

+1

A (955)
920

325

Regin original
de experimentacin

850
X4 0
Potencia

300

780
710
640

-1

275
0.80

1.0

-1

1.2

0
X1 Gap

1.4

+1

Fig. 3.4 Experimento de ascenso rpido del eejmplo


De la figura se observa que si hay movimiento desde el
origen (0,0) donde la respuesta es de 776.0625, a travs de
la trayectoria de ascenso rpido (TAR), podramos movernos
50.8125

unidades

en

la

direccin

X1

por

cada

153.0625

unidades en la direccin X4.


De esta forma la TAR que pasa por el punto (0,0) tiene
pendiente 153.0625 / 50.8125 = 3. Se decide utilizar 25 W
de potencia como el paso bsico de movimiento. Por tanto,
25 W de potencia es equivalente a un paso en la variable
codificada X4 de X4 = 1.
Por

tanto,

los

pasos

lo

largo

de

la

trayectoria

de

ascenso rpido son X4 =1 y X1=X4/3=0.33. Un cambio de


X1 = 0.33 en la variable codificada X1 es equivalente a un
cambio de 0.067 cm en la variable original de gap.

Pg. 59 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Por lo anterior el ingeniero se mover en la trayectoria de


ascenso rpido incrementando la potencia en 25

W y el gap

en 0.067 cm. Se har una observacin real al operar el


proceso en cada uno de los puntos.
En la figura se muestran tres puntos a lo largo de la
trayectoria y los resultados de los experimentos obtenidos.
En los puntos A, B y C, las respuestas o velocidades de
grabado se incrementan en forma estable. En el punto C se
obtuvo una respuesta de 1163 A /m cercana al objetivo. Por
tanto la TAR terminar en 375 W de potencia y gap de 1.2
cm. Esta regin esta muy cercana a la operacin deseada del
proceso.

3.1.2 ANLISIS DE UNA SUPERFICIE DE RESPUESTA DE SEGUNDO


ORDEN
Cuando el experimentador est relativamente cerca del ptimo, se utiliza
normalmente un modelo de segundo orden para aproximar la respuesta dada la
curvatura de su superficie. El modelo de ajuste de segundo orden es:

^ ^ k ^ k ^ k1 k ^
2
0 i i i i ij i j
i1 i1 i1 j2

y X X X
Donde

denota el estimador de mnimos cuadrados de . A

continuacin se mostrar con un ejemplo como se aplica el modelo.


Pg. 60 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Continuacin del problema.


Ya se haba encontrado como punto cercano al ptimo, un gap
de 1.2 cm y una potencia de 375 W, las que aparentemente
daban velocidades cercanas al objetivo de 1100 a 1150. El
experimentado desea explorar la regin ms de cerca usando
un modelo de segundo orden.
El modelo propuesto consiste de un diseo factorial 2 2 con
cuatro puntos centrales y cuatro experimentos a lo largo de
los ejes coordenados denominados experimentos axiales. El
diseo resultante se denomina diseo central compuesto, y
es

ampliamente

utilizado

para

el

ajuste

de

modelos

de

segundo orden.
+2

X4
(0, 1.414)

(-1,1)
(-, 0)
(-1.414,0)

(1,1)
(,0) Exp. Axiales
(1.414,0)
X1

-2

(0,0)
(-1,-1)

+2
(1,-1)

(0,-1.414)
-2
Fig. 3.5 Diseo Central
codificadas del ejemplo

Compuesto

en

las

variables

Se midieron dos variables de respuesta: la velocidad de


grabado

la

uniformidad

del

grabado

(variabilidad

del

grabado). a continuacin se muestra la tabla de los datos.

Pg. 61 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Tabla
Compuesto

3.1
Gap

Uniform
Observ.

Datos
.
Potencia

del

Diseo

Var. codificadas

Central

Vel

grab.

(cm)

(W)

X1

X2

Y1

1.000

350

-1.000

-1.000

1054

1.400
117.8

350

1.000

-1.000

936

1.000
114.4

400

-1.000

1.000

1179

1.400
118.3

400

1.000

1.000

1417

0.917
102.6

375

-1.414

0.000

1049

1.483
113.9

375

1.414

0.000

1287

1.200

339.6

0.000

-1.414

927

1.200
125.4

410.4

0.000

1.414

1345

1.200
102.5

375

0.000

0.000

1151

10

1.200
104.5

375

0.000

0.000

1150

11

1.200
113.5

375

0.000

0.000

1177

12

1.200
108.4

375

0.000

0.000

1196

1
96.9

El

experimentador

puede

ser

encontr

modelada

con

el

que

la

modelo

interaccin:

Pg. 62 de 67

velocidad
de

primer

de

Y2

95.9

grabado

orden

con

INTRODUCCIN AL DISEO DE EXPERIMENTOS

y 1 1155.7 57.1x1 149.7 x4 89 x1 x4


La grfica de contornos de respuesta constante para este
modelo se muestra a continuacin, se observa que hay muchas
combinaciones de X1 y X4 que den el nivel de la respuesta
deseada de 1100 a 1150 A / m.

410.4
398.6
Potencia
(W)

386.8
375.0
363.2
351.4
0.9 1.0 1.1 1.2 1.3 1.39
Gap (cm)

Fig. 3.6 Contornos de velocidad constante pronosticada


Los experimentadores usaron un modelo cuadrtico para la
uniformidad de respuesta (variabilidad). Sus grficas de
superficie de respuesta son tridimensionales y la grfica
de contornos se muestra a continuacin.
La grfica de contornos
muestran a continuacin:

superficie

410
120
398

115

386

110
105

375

100

Potencia

Pg. 63 de 67

de

respuesta

se

INTRODUCCIN AL DISEO DE EXPERIMENTOS

363
351

95
90

339
0.9

1.0

1.1

1.2

1.3

a) Grfica de contornos

Pg. 64 de 67

1.39

INTRODUCCIN AL DISEO DE EXPERIMENTOS

126

Respuesta
100
1.48
88
410

Gap
339
0.9

382
Potencia

b) Superficie de respuesta tridimensional


Fig. 3.7
de respuesta

Superficie de respuesta para la uniformidad

Como en muchos problemas, el experimentador tiene objetivos


conflictivos

en

relacin

con

las

dos

respuestas.

Un

objetivo fue el mantener la velocidad dentro de 1100 y


1150,

pero

al

mismo

tiempo

minimizar

la

uniformidad

variabilidad, que no debe exceder y2 = 110 para evitar


desperdicio. Cuando hay pocas variables independientes, una
forma fcil de resolver este problema es traslapar las
superficies

de

respuesta

para

encontrar

el

ptimo.

continuacin se muestra el diagrama de contornos de igual


respuesta traslapado.
398
386
Potencia (W)
375

Vel. 1150
Uniformidad 110
Vel. 1100

363
351
1.0 1.1 1.2 1.3 1.39
Fig. 3.8 Traslape de superficies de respuesta

Pg. 65 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

Las soluciones no factibles se pueden observar para los


valores

de

uniformidad

gap

mayor

potencia
a

110.

que
Sin

sobrepasen
embargo

la

existen

curva

de

diversas

combinaciones que nos pueden proporcionar la solucin a


ambos compromisos, el de velocidad y el de uniformidad.
DISEO CENTRAL COMPUESTO (CCD)
Este diseo se utiliza para ajustar el modelo de segundo orden, en forma
prctica y eficiente con respecto al nmero de experimentos requeridos. En
general un diseo CCD en k factores requiere 2K experimentos factoriales,
adems de 2K experimentos axiales y al menos 3 a 5 puntos centrales
replicados.
El diseo CCD puede hacerse rotable seleccionando adecuadamente el
espaciamiento axial en la figura 3.5. Si el diseo es rotable, entonces la
desviacin estndar de la respuesta de prediccin es constante en todos los
puntos que tienen la misma distancia desde el centro del diseo. Para
rotabilidad, seleccionar = (F)1/4, donde F es el nmero de puntos en la parte
factorial del diseo (normalmente F = 2K). Para el caso de k = 2 factores, =
(22)1/4 = 1.414, tal como se utiliz en el diseo del ejemplo. .
A continuacin se presenta un modelo para la desviacin estndar de la
prediccin para el modelo cuadrtico usado para la uniformidad de respuesta.
Notar que los contornos son crculos concntricos, implicando que la
uniformidad es pronosticada con igual precisin para todos los puntos que se
encuentran a la misma distancia desde el centro del diseo. Tambin observar
que la precisin de la estimacin de la respuesta decrece al incrementar la
distancia desde el centro del diseo.

Pg. 66 de 67

INTRODUCCIN AL DISEO DE EXPERIMENTOS

410
398
Potencia

386

(W)

375

2.5

363
351

2.5

339

3.0
3.5
0.9 1.0 1.1 1.2 1.3 1.39 1.48
Gap (cm)

Fig.

3.9

Grfica

de

contornos

de

desviacin

estndar

constante para Y est.

Superficie de respuesta
Cncava

para

la

desv.

est.

Fig. 3.10 Grfica de superficie de respuesta


respuesta de la uniformidad pronosticada (y2)

Pg. 67 de 67

para

la