Análisis de métodos de ensamble de la silla metálica mediante el diseño cuadrado

latino.
Flores S.*; Gunsha D.*
*Escuela Superior Politécnica de Chimborazo, Facultad de Mecánica, Escuela de
Ingeniería Industrial
Riobamba, Ecuador (Tel: 0995346136; e-mail: thyagoflores@yahoo.com)
Riobamba, Ecuador (Tel:0983448868; e-mail: dgunsha@gmail.com)

RESUMEN que se tienen cuatro fuentes de

Se trata de identificar qué es lo que afecta
al tiempo de ensamble de la silla, figura
1, para eso elegimos el método cuadrado
latino para resolver nuestro problema.
INTRODUCCIÓN
En el diseño se controlan dos factores de
bloque y se estudia un factor de
tratamientos por lo que se estudia cuatro
fuentes de variabilidad que pueden
afectar la respuesta observada.
Los factores de bloque son los
siguientes:
Factor A: método de ensamblaje
Factor B: operarios
Variable respuesta: tiempo de
ensamblaje
Al aplicar el método obtendremos la
mejor opción para tanto para el método
como el operario más hábil para
desarrollar esta actividad de ensamble al
elaborar la silla.
METODOLOGIA
En el diseño cuadrado latino (DCL) se
controlan dos factores de bloque y se
estudia u factor de tratamientos, por lo
variabilidad que pueden afectar la
respuesta observada, estas son: los
tratamientos, el factor de bloque 1
(columnas), el factor de bloque II
(renglones) y el error aleatorio. Se llama
cuadro latino por dos razones: es un
cuadro debido a que tiene la restricción
adicional de que los tres factores
involucrados se prueban en la misma
cantidad de niveles, y es latino porque se
utilizan letras latinas para denotar a los
tratamientos o niveles del factor de
interés. Sean A, B, C, …., K, los k
tratamientos a comparar, por lo tanto
ambos factores de bloques tienen
también k niveles cada uno.
Cuadro latino
Diseño en el que se controlan dos
factores de bloque y uno de tratamientos;
los tres factores tienen la misma cantidad
de niveles. Los tratamientos se
representan por letras latinas y se
distribuyen en forma adecuada en un
cuadro.
Analisis del diseño
El modelo estadistico para describir el
comportamiento de las observaciones
esta dado por :
Tabla extraída de: (Pulido, 2008)
𝑌𝑖𝑗𝑙 = 𝜇 + 𝜏𝑖 + 𝛾𝑗 + 𝛿𝑙 + 𝜀𝑖𝑗𝑙
Donde 𝑌𝑖𝑗𝑙 es la observación del
tratamiento i, en el nivel j del factor
renglón y en el nivel l del factor
columna; 𝜀𝑖𝑗𝑙 es el error atribuible a
dicha observación. De acuerdo con este
modelo, la variabilidad total presente en
los datos se puede descomponer como
𝑆𝐶𝑇 = 𝑆𝐶𝑇𝑅𝐴𝑇 + 𝑆𝐶𝐵1 + 𝑆𝐶𝐵2 + 𝑆𝐶𝐸
Y los grados de libertad
correspondientes son
𝑘 2 − 1 = (𝑘 − 1) + (𝑘 − 1) + (𝑘 − 1)
+ (𝑘 − 2)(𝑘 − 1)
El ANOVA para el diseño en cuadro
latino se muestra en la tabla 4.5. en el se
prueba la hipótesis sobre los efectos de
tratamiento del factor renglón y del
factor columna. Otra vez, la hipótesis
fundamental es la de los tratamientos; las
otras dos proporcionan un adicional al
objetivo inicial y permiten comprobar la
relevancia de controlar los factores de
bloque.
Residuos: son generados por la
diferencia entre la respuesta observada y
la respuesta predicha por el modelo en
cada prueba experimental.
Grafica de probabilidad: sirve para
verificar visualmente si los datos siguen
una distribución de probabilidad
especifica.
Varianza constante: supuesto del Anova
que se cumple cuando los tratamientos
tienen la misma varianza.
PROBLEMA

Un ingeniero industrial investiga el

efecto de cuatro métodos de ensamblaje
(A, B, C Y D) sobre el tiempo de
ensamblaje de un componente de una
silla metálica. Se selecciona cuatro
operadores para el estudio. Además, el
ingeniero sabe que todos los métodos de
ensamblaje producen fatiga, de tal modo
que el tiempo requerido para el ultimo
ensamblaje puede ser mayor que para el
primero, independientemente del
método. Es decir, se desarrolla una
tendencia en el tiempo de ensamblaje
requerido. Para tomar en cuenta esta
fuente de variabilidad, el ingeniero
emplea el diseño del cuadrado latino que
se presenta a continuación. Analizar los
datos de este experimento (α=0.05) y
sacar las conclusiones apropiadas.

SOLUCIÓN ANALITICA:

ORDEN DE OPERADOR
ENSAMBLE ̅̅̅
1 2 3 4 𝑌.𝑗 𝑌.𝑗
1 C=12 D=15 A=8 B=9 44 11

2 B=9 C=18 D = 12 A= 9 48 12

3 A=7 B=15 C= 11 D=10 43 10.75

4 D=10 A=13 B=13 C=12 48 12

38 61 44 40 183
Ordenamos la tabla

Métodos de operarios
ensamblaje 1 2 3 4 𝑌𝑖.. 𝑌𝑖..
A 7 13 8 9 37 9.25

B 9 15 13 9 46 11.5

C 12 18 11 12 53 13.25

D 10 15 12 10 47 11.75

183

Planteamos las hipótesis Variable respuesta: tiempo de

ensamblaje
Factor A: método de ensamblaje
Factor B: operarios
𝑯𝒐 : el método de ensamblaje no influye 𝑯𝒐 : los operarios no influyen sobre el
sobre el tiempo de trabajo. tiempo de trabajo.
𝑯𝟏 : el método de ensamblaje influye 𝑯𝟏 : los operarios si influyen sobre el
sobre el tiempo de trabajo. tiempo de trabajo.

Suma de cuadrados

2
𝑌..2 2 2 2 2)
1832
𝑆𝐶𝑇 = ∑ 𝑌𝑖𝑗𝑘 − = (12 + 15 + 8 + ⋯ + 12 − = 2221 − 2093.06
𝑁 16
= 127.94
𝑌..2 (372 + 462 + 532 + 472 ) 1832
𝑆𝐶𝑡𝑟𝑎𝑡 = ∑ 𝑌𝑖.2 /𝑏 − = − = 2125.75 − 2093.06
𝑁 4 16
= 32.69
𝑌..2 (442 + 482 + 432 + 482 ) 1832
𝑆𝐶𝐵1 = ∑ 𝑌.𝑗2 /𝑘 − = − = 2098.25 − 2093.06
𝑁 4 16
= 5.19

𝑌..2 (382 + 612 + 442 + 402 ) 1832

𝑆𝐶𝐵2 = ∑ 𝑌.𝑘2 /𝑘 − = − = 2175.25 − 2093.06
𝑁 4 16
= 82.19
𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑡𝑟𝑎𝑡 − 𝑆𝐶𝐵1 − 𝑆𝐶𝐵2 = 7.87

Tabla Anova

FV SC GL CM 𝑭𝑶 𝑭(𝟎.𝟎𝟓,𝟑,𝟗) Decisión
 Tiempo 32.69 3 10.90 12.52 4.76 Significativo
de
ensamble
Método 5.19 3 1.73 1.99 4.76 No
de significativo
ensamble
Operarios 82.19 3 27.40 31.49 4.76 Significativo
Error 7.87 6 0.87
Total 127.94 15

Conclusión:  Los operarios influyen en el

 En el tiempo de ensamble existe tiempo de ensamble ya que de
una variación entre las medias ellos depende que se desarrolle
debido a que los operarios rápido o lento según sus
influyen al momento de habilidades.
ensamblar el elemento de la silla
dependiendo de sus habilidades.

 Se concluye que desde el punto de vista estadístico y a la luz de los resultados

experimentales estos cuatro métodos se pueden considerar iguales, esto no quiere
decir que sean idénticos, sino que sus diferencias son menores.

SOLUCIÓN EN MINITAB

————— 4/8/2017 8:20:49 ————————————————————

Welcome to Minitab, press F1 for help.

General Linear Model: RESPUESTA versus TRATAMIENTO; FILA; COLUMNA

Method

Factor coding (-1; 0; +1)

Factor Information

Factor Type Levels Values

TRATAMIENTO Fixed 4 A; B; C; D
FILA Fixed 4 1; 2; 3; 4
COLUMNA Fixed 4 1; 2; 3; 4

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

TRATAMIENTO 3 32,687 10,896 8,30 0,015 SIGNIFICATIVO
FILA 3 5,187 1,729 1,32 0,353 SIGNIFICATIVO
COLUMNA 3 82,187 27,396 20,87 0,001 SIGNIFICATIVO
Error 6 7,875 1,312
Total 15 127,937

Model Summary

S R-sq R-sq(adj) R-sq(pred)

1,14564 93,84% 84,61% 56,23%

Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant 11,438 0,286 39,93 0,000
TRATAMIENTO
A -2,188 0,496 -4,41 0,005 1,50
B 0,063 0,496 0,13 0,904 1,50
C 1,812 0,496 3,65 0,011 1,50
FILA
1 -0,438 0,496 -0,88 0,412 1,50
2 0,563 0,496 1,13 0,300 1,50
3 -0,688 0,496 -1,39 0,215 1,50
COLUMNA
1 -1,937 0,496 -3,91 0,008 1,50
2 3,813 0,496 7,69 0,000 1,50
3 -0,437 0,496 -0,88 0,412 1,50

Regression Equation

RESPUESTA = 11,438 - 2,188 TRATAMIENTO_A + 0,063 TRATAMIENTO_B

+ 1,812 TRATAMIENTO_C
+ 0,313 TRATAMIENTO_D - 0,438 FILA_1 + 0,563 FILA_2 - 0,688 FILA_3
+ 0,563 FILA_4
- 1,937 COLUMNA_1 + 3,813 COLUMNA_2 - 0,437 COLUMNA_3
- 1,438 COLUMNA_4

General Linear Model: RESPUESTA versus TRATAMIENTO

Method

Factor coding (-1; 0; +1)

Factor Information

Factor Type Levels Values

TRATAMIENTO Fixed 4 A; B; C; D

Analysis of Variance

Source DF Adj SS Adj MS F-Value P-Value

TRATAMIENTO 3 32,69 10,896 1,37 0,298
Error 12 95,25 7,938
Total 15 127,94

Model Summary

S R-sq R-sq(adj) R-sq(pred)

2,81736 25,55% 6,94% 0,00%

Coefficients

Term Coef SE Coef T-Value P-Value VIF

Constant 11,438 0,704 16,24 0,000
TRATAMIENTO
A -2,19 1,22 -1,79 0,098 1,50
 B 0,06 1,22 0,05 0,960 1,50
C 1,81 1,22 1,49 0,163 1,50

Regression Equation

RESPUESTA = 11,438 - 2,19 TRATAMIENTO_A + 0,06 TRATAMIENTO_B

+ 1,81 TRATAMIENTO_C
+ 0,31 TRATAMIENTO_D

Residual Plots for RESPUESTA

————— 4/8/2017 13:49:24 ————————————————————

Welcome to Minitab, press F1 for help.

Retrieving project from file:
‘C:\Users\Diego\Desktop\cuadradolatinoMinitab.MPJ’

Interval Plot of RESPUESTA

Conclusión:
Se puede observar que el experimento cumple con los supuestos de Normalidad, Igualdad
de Varianza e Independencia.
Normalidad: porque el conjunto de datos se comporta linealmente.
Varianza: se obtuvo una varianza homogénea en la mayoría de los datos.
Independencia: la gráfica de dispersión de los datos no sigue ningún patrón por lo que
cumple con el principio de aleatoriedad.
 Boxplot of RESPUESTA
18

16

14
RESPUESTA

12

10

6
A B C D
TRATAMIENTO

Conclusión:
La gráfica nos indica que el tiempo de ensamble más optimo es el que se obtiene usando
el método de ensamble A. Se obtiene un tiempo de 8.5 aproximadamente.

CONCLUSIONES

 Según el análisis de minitab nos indica que los tres factores tienen influencia sobre
la variable respuesta, pero en la resolución analítica únicamente actúan el factor
de tratamiento (tiempo de ensamble) y el de bloque II (métodos de ensamble).
 La gráfica nos indica que el tiempo de ensamble más óptimo es el que se obtiene
usando el método de ensamble A. Se obtiene un tiempo de 8.5 aproximadamente.
 Se puede observar que el experimento cumple con los supuestos de Normalidad,
Igualdad de Varianza e Independencia.
Normalidad: porque el conjunto de datos se comporta linealmente.
Varianza: se obtuvo una varianza homogénea en la mayoría de los datos.
Independencia: la gráfica de dispersión de los datos no sigue ningún patrón por lo
que cumple con el principio de aleatoriedad.

BIBLIOGRAFÍA

Pulido, H. G. (2008). Analisis y Diseño de Experimentos. México: McGrawHill.