Universidad Autónoma de Baja California Facultad de Ingeniería,

Arquitectura y Diseño Campus Ensenada

Diseño de Experimentos.

Practicas:
Diseño factorial, Diseño factorial 2k con replicas y Diseño
factorial sin replicas

Dr. Jorge Limón Romero

Alumnos:

Daniel Ledesma García.

Francisco José Ferré Gil.
Elvis Eduardo Montoya Fierro.

Grupo: 562

Ensenada, B.C., a 19 de noviembre del 2018

 Diseños Factoriales

Ejemplo 1: Un ingeniero diseña una batería para su uso en un dispositivo que será
sometido a ciertas variaciones extremas de temperatura. El único parámetro de diseño
que el puede seleccionar en este punto es el material de la cubierta de la batería y tiene
tres alternativas. Cuando el dispositivo se manufactura y se envía al campo, el ingeniero
no tiene control sobre los extremos de temperatura a que será expuesto el dispositivo y
sabe por experiencia que es probable que la temperatura influya en la duración efectiva
de la batería. Sin embargo, sí es posible controlar la temperatura en el laboratorio de
desarrollo del producto para los fines de ensayo.

El ingeniero decide probar los tres materiales de la cubierta a tres niveles de

temperatura (15, 70 y 125 oF) consistentes en el entorno de uso final del producto. Se
prueban cuatro baterías a cada combinación de material de la cubierta y temperatura y
las 36 pruebas se ejecutan al azar. En la siguiente tabla se muestran los resultados
obtenidos:

A:Tipo de B:Temperatura oF
Material 15 70 125 Yi..
1 130 155 34 40 20 70
74 180 539 80 75 229 82 58 230 998
2 150 188 136 122 25 70
159 126 623 106 115 479 58 45 198 1300
3 138 110 174 120 96 104
168 160 576 150 139 583 82 60 342 1501
Y.j. 1738 1291 770
Y… 3799

Realizar el análisis de varianza para determinar la significancia de los efectos de

los factores. Use   0.05 .
Tabla ANOVA

Residual Plots for Duracion

Ferré, Ledesma, Montoya
Normal Probability Plot Versus Fits
99 50

90 25
Porcentaje

Residual

0
50
-25
10
-50
1
-50 -25 0 25 50 50 75 100 125 150
Residual Fitted Value

Histogram Versus Order

50
10,0

25
7,5
Frecuencia

Residual

0
5,0
-25
2,5
-50
0,0
-60 -45 -30 -15 0 15 30 45 1 5 10 15 20 25 30 35
Residual Observation Order
 Pareto Chart of the Standardized Effects
Ferré, Ledesma, Montoya
(response is Duracion, α = 0.05)
Term 2,052
Factor Name
A Tipo de Material
B Temperatura
B

AB

0 1 2 3 4 5 6 7
Standardized Effect

graphs
Ferré, Ledesma, Montoya
Fitted Means
Tipo de Material Temperatura
150

140

130
Mean of Duracion

120

110

100

90

80

70

60
1 2 3 15 70 125
 graphs
Ferré, Ledesma, Montoya
Fitted Means
Tipo de Mate * Temperatura Temperatura
15,0
150 70,0
125,0
Mean of Duracion

125

100

75

50

1.0 2.0 3.0

Tipo de Mate

Conclusión:

Dado el análisis ANOVA se puede observar que el uso del material 3 es el

más adecuado sin una gran variación de temperatura el cual hará que sea más
durable.

Ejemplo 2: Se quiere estudiar el efecto de los factores de velocidad de alimentación y

profundidad de corte sobre el acabado de un metal. Aunque los factores son de
naturaleza continua, este proceso solo se puede trabajar en 3 y 4 niveles,
respectivamente. Por ello se decide correr un factorial completa 4x3 con tres réplicas,
que permitirá obtener toda la información relevante en relación al efecto de los factores
sobre el acabado. Aleatorizando las 36 pruebas se obtienen los datos de la siguiente
tabla:

B: profundidad (Pulg.)
0.15 0.18 0.21 0.24 Totales (Yi..)
A: Velocidad (Pulg/min)

74 79 82 99
0.20 64 198 68 220 88 262 104 299 979
60 73 92 96
92 98 99 104
0.25 86 266 104 290 108 302 110 313 1171
88 88 95 99
99 104 108 114
0.30 98 299 99 298 110 317 111 332 1246
102 95 99 107
Totales (Y.j.) 763 808 881 944 Y…=3396
 Elaborar la tabla ANOVA para determinar si el efecto de los factores
considerados es significativo, al igual que la interacción de estos dos factores. Use
  0.05 .
 Gráfica de efectos principales para Medición
Ferré, Ledesma, Montoya
Medias ajustadas
Velocidad Profundidad
105

100
Media de Medición

95

90

85

80
0.20 0.25 0.30 0.15 0.18 0.21 0.24
 Gráfica de interacción para Medición
Ferré, Ledesma, Montoya
Medias ajustadas
Velocidad * Profundidad Profundidad
0,15
110
0,18
0,21
0,24
Media de Medición

100

90

80

70

60
0.20 0.25 0.30
Velocidad

Conclusión:

Dado el gráfico de análisis ANOVA, puede observarse que las velocidades

influyen de manera considerable en lo que respecta a la profundidad de corte, cabe
mencionar que la velocidad de 0.25 nos arroja menos variación con respecto a las
demás velocidades.

StdOrder RunOrder PtType Blocks Estudiante Moneda Lanzamiento Respuesta RESI1

3 1 1 1 Montes $1 Ambas 197 -4.25
35 2 1 1 Becerra $10 Derecha 120 -40
5 3 1 1 Montes $5 Derecha 240 20
1 4 1 1 Montes $1 Izquierda 112.5 -58
27 5 1 1 Montes $10 Ambas 120.5 -60
22 6 1 1 Montes $5 Izquierda 244.5 74.25
9 7 1 1 Montes $10 Ambas 240.5 60
32 8 1 1 Becerra $5 Derecha 170 -2
16 9 1 1 Becerra $10 Izquierda 146.5 -10.75
11 10 1 1 Becerra $1 Derecha 136.5 -42.25
28 11 1 1 Becerra $1 Izquierda 167.5 -12.5
33 12 1 1 Becerra $5 Ambas 132 -16
 2 13 1 1 Montes $1 Derecha 163 29.5
15 14 1 1 Becerra $5 Ambas 164 16
24 15 1 1 Montes $5 Ambas 149 -28.75
7 16 1 1 Montes $10 Izquierda 220.5 4.5
25 17 1 1 Montes $10 Izquierda 211.5 -4.5
34 18 1 1 Becerra $10 Izquierda 168 10.75
31 19 1 1 Becerra $5 Izquierda 194 -25
10 20 1 1 Becerra $1 Izquierda 192.5 12.5
23 21 1 1 Montes $5 Derecha 200 -20
26 22 1 1 Montes $10 Derecha 190.5 19.25
4 23 1 1 Montes $5 Izquierda 96 -74.25
30 24 1 1 Becerra $1 Ambas 244.5 43.75
20 25 1 1 Montes $1 Derecha 104 -29.5
13 26 1 1 Becerra $5 Izquierda 244 25
17 27 1 1 Becerra $10 Derecha 200 40
18 28 1 1 Becerra $10 Ambas 244 45.25
12 29 1 1 Becerra $1 Ambas 157 -43.75
29 30 1 1 Becerra $1 Derecha 221 42.25
8 31 1 1 Montes $10 Derecha 152 -19.25
6 32 1 1 Montes $5 Ambas 206.5 28.75
14 33 1 1 Becerra $5 Derecha 174 2
21 34 1 1 Montes $1 Ambas 205.5 4.25
36 35 1 1 Becerra $10 Ambas 153.5 -45.25
19 36 1 1 Montes $1 Izquierda 228.5 58
Practica de Lanzamiento de moneda
 Residual Plots for Respuesta
Ferré, Ledesma, Montoya
Normal Probability Plot Versus Fits
99 80

90 40
Porcentaje

Residual
50 0

-40
10

1 -80
-100 -50 0 50 100 140 160 180 200 220
Residual Fitted Value

Histogram Versus Order

8 80

6 40
Frecuencia

Residual
4 0

2 -40

0 -80
-80 -40 0 40 80 1 5 10 15 20 25 30 35
Residual Observation Order

Pareto Chart of the Standardized Effects

Ferré, Ledesma, Montoya
(response is Respuesta, α = 0.05)
Term 2,101
Factor Name
ABC A Estudiante
B Moneda
BC C Lanzamiento

AB

AC

0,0 0,5 1,0 1,5 2,0

Standardized Effect
 Graficas Factoriales
Ferré, Ledesma, Montoya
Fitted Means
Estudiante Moneda Lanzamiento
186

184
Mean of Respuesta

182

180

178

176

174

172
Montes Becerra $1 $5 $10 Izqierda Derecha Ambas

Graficas Factoriales
Ferré, Ledesma, Montoya
Fitted Means
Estudiante * Moneda Moneda
200 $1
$5
190
$10
Mean of Respuesta

180

170

160

Estudiante * Lanzamiento Moneda * Lanzamiento Lanzamiento

200 Izqierda
Derecha
190
Ambas
180

170

160

Montes Becerra $1 $5 $10

Estudiante Moneda

Conclusión:

El experimento arrojó que Montes fue la mejor lanzadora con la moneda

de 5 pesos con la mano derecha.
Diseño de experimento Oasis VS Lareimi
Despues de correr el experimento en minitab, se decidio que la puebra piloto se
correria con el tirador (Montes), con el objeto (Regla) y con el lanzamiento de
mano (Derecha e izquierda) obteniendo los siguientes datos
Conclusión:

Tras realizar de nuevo el experimento fue Montes que fue la que estuvo más
cerca al target, tras realizar otro experimento solo con la ganadora se determinó que
efectivamente ella lanza mejor con la mano derecha.
 Diseños Factoriales 2k

Ejemplo 1: Una investigación llevada a cabo para estudiar el efecto que tienen la
concentración de un reactivo y la presencia de un catalizador sobre el tiempo de
reacción de un proceso químico. Sea la concentración del reactivo el factor A con dos
niveles de interés, 15 y 20%. El catalizador constituye el factor B; el nivel alto o superior
denota el uso de dos sacos de catalizador y el nivel bajo o inferior denota el uso de un
solo saco. El experimento se realiza tres veces y los datos son como sigue:

Combinación de Réplica
tratamientos I II III Total
A baja, B baja 28 25 27 80
A alta, B baja 36 32 32 100
A baja, B alta 18 19 23 60
A alta, B alta 31 30 29 90

Determinar si estos factores afectan el tiempo de reacción del proceso químico y cuál es
el tratamiento con el que se logran los mejores resultados. Use   0.05.
A B AB Notación
Efecto principal.
- - + (1)

+ - - A

- + - B

+ + + AB
 Gráfica de distribución
Gráfica de distribución Ferré, Montoya, Ledesma
Ferré, Ledesma, Montoya F; df1=1; df2=8
F; df1=1; df2=8
19,4
3,6
0,4
0,4

0,3
0,3
Densidad
Densidad

0,2 0,2

0,1 0,1

0.1 0.05
0,0 0,0
0 3.458 0 5.318
X X

Gráfica de distribución
Ferré, Ledesma, Montoya
F; df1=1; df2=8
2,12
0,4

0,3
Densidad

0,2

0,1

0.05
0,0
0 5.318
X
 Diagrama de Pareto de efectos estandarizados
Ferré, Montoya, Ledesma
(la respuesta es Replica, α = 0.05)
Término 2,306
Factor Nombre
A A
B B
A

AB

0 1 2 3 4 5 6 7 8
Efecto estandarizado

Gráficas de residuos para Replica

Ferré, Ledesma, Montoya.
Gráfica de probabilidad normal vs. ajustes
99

90 2
Porcentaje

Residuo

50
0

10

-2
1
-5,0 -2,5 0,0 2,5 5,0 20 25 30 35
Residuo Valor ajustado

Histograma vs. orden

4

2
3
Frecuencia

Residuo

2
0

-2
0
-2 -1 0 1 2 3 1 2 3 4 5 6 7 8 9 10 11 12
Residuo Orden de observación
 Gráfica de efectos principales para Replica
Ferré, Ledesma, Montoya
Medias ajustadas
A B
32

31

30
Media de Replica

29

28

27

26

25

24

23
-1 1 -1 1

Gráfica de interacción para Replica

Ferré, Montoya, Ledesma
Medias ajustadas
A*B B
34 -1
1
32
Media de Replica

30

28

26

24

22

20

-1 1
A

Conclusion:

Dado el gráfico ANOVA, en él pudo verse que todos los factores afectaron
en el proceso químico excepto AB, se obtuvo también que debe usarse el
catalizador a un 15% con B en su nivel alto.
 Diseños Factoriales 2k
Ejemplo 2: Una empresa embotelladora de refresco está interesada en obtener alturas
de llenado más uniformes en las botellas que se fabrican en su proceso de
manufactura. Teóricamente, la máquina de llenado llena cada botella a la altura objetivo
correcta, pero en la práctica, existe variación en torno a este objetivo y a la
embotelladora le gustaría entender mejor las fuentes de variabilidad y en última
instancia reducirla.

El ingeniero del proceso puede controlar tres variables durante el proceso de llenado: el
porcentaje de carbonatación (A), la presión de operación en el llenador (B) y las botellas
producidas por minuto o rapidez de línea (C). Es sencillo controlar la presión y la
rapidez, pero el porcentaje de carbonatación es más difícil de controlar durante la
manufactura real, debido a que varía con la temperatura. Sin embargo, para los fines
del experimento, el ingeniero puede controlar la carbonatación a dos niveles: 10 y 12
por ciento. Elige dos niveles para la presión (25 y 30 Psi) y dos niveles para la rapidez
de línea (200 y 250 bpm). El ingeniero decide correr dos réplicas de un diseño factorial
con estos tres factores, haciendo las 16 corridas en orden aleatorio. La variable de
respuesta observada es la desviación promedio de la altura del llenado objetivo que se
observa en una corrida de producción de botellas con cada conjunto de condiciones. En
la siguiente tabla se muestran los datos de este experimento. Las desviaciones
positivas son alturas de llenado arriba del objetivo, mientras que las desviaciones
negativas son alturas de llenado abajo del objetivo.

Factores codificados Desviación de la altura de

llenado
Corrida A B C Réplica 1 Réplica 2
1 -1 -1 -1 -3 -1
2 1 -1 -1 0 1
3 -1 1 -1 -1 0
4 1 1 -1 2 3
5 -1 -1 1 -1 0
6 1 -1 1 2 1
7 -1 1 1 1 1
8 1 1 1 6 5

Encuentre cuales son los factores que afectan a esta variable de respuesta. Use
  0.05 .

A B C AB AC BC ABC Rep. Notación

- - - + + + - -4 1
+ - - - - + + 1 a
- + - - + - + -1 B
+ + - + - - - 5 Ab
- - + + - - + -1 C
+ - + - + - - 3 Ac
- + + - - + - 2 Bc
+ + + + + + + 11 Abc

Efectos Principales.
 Diagrama de Pareto de efectos estandarizados
Ferré, Ledesma, Montoya
(la respuesta es Respuesta, α = 0.05)
Término 2,306
Factor Nombre
A A Carbonatacion
B Presion
B C Velocidad

AB

BC

ABC

AC

0 1 2 3 4 5 6 7 8
Efecto estandarizado

Gráficas de residuos para Respuesta

Ferré, Ledesma, Montoya
Gráfica de probabilidad normal vs. ajustes
99
1,0

90
0,5
Porcentaje

Residuo

50 0,0

-0,5
10

-1,0
1
-1 0 1 -2 0 2 4 6
Residuo Valor ajustado

Histograma vs. orden

6,0 1,0

4,5 0,5
Frecuencia

Residuo

3,0 0,0

-0,5
1,5

-1,0
0,0
-1,0 -0,5 0,0 0,5 1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Residuo Orden de observación
 Gráfica de efectos principales para Respuesta
Ferré, Ledesma, Montoya
Medias ajustadas
Carbonatacion Presion Velocidad
2,5

2,0
Media de Respuesta

1,5

1,0

0,5

0,0

-0,5

-1 1 -1 1 -1 1

Ferré, Ledesma, Montoya

Gráfica de interacción para Respuesta

Medias ajustadas
Carbonatacio * Presion Presion
4 -1
1
Media de Respuesta

Carbonatacio * Velocidad Presion * Velocidad Velocidad

4 -1
1

-1 1 -1 1
Carbonatacio Presion

Conclusion:

Tras buscar la combinación correcta para el llenado de las botellas se

encontró que debemos usar 10% de carbonatación, con una velocidad de
llenado de 250 bpm a una presión de 20 psi.
 Diseños Factoriales sin replicas

Un producto químico se fabrica en un envase presurizado. Se lleva a cabo un

experimento factorial en la planta piloto para estudiar los factores que se piensa influyen
en el índice de filtración de ese producto. Los 4 factores son la temperatura (A), la
presión (B), la concentración del formaldehído (C) y la velocidad de agitación (D). Cada
factor está presente con dos niveles. La matriz de diseño y los datos de la respuesta
obtenidos de una sola réplica del experimento 24 se muestran en la tabla de abajo. Las
16 corridas se hacen de manera aleatoria. El ingeniero de proceso está interesado en
maximizar el índice de filtración.

Número Factor Etiqueta de Índice de

de corrida A B C D la corrida filtración
1 - - - - (1) 45
2 + - - - a 71
3 - + - - b 48
4 + + - - ab 65
5 - - + - c 68
6 + - + - ac 60
7 - + + - bc 80
8 + + + - abc 65
9 - - - + d 43
10 + - - + ad 100
11 - + - + bd 45
12 + + - + abd 104
13 - - + + cd 75
14 + - + + acd 86
15 - + + + bcd 70
16 + + + + abcd 96
 Diagrama de Pareto de los efectos
Ferré, Ledesma, Montoya
(la respuesta es Resultados, α = 0.05)
Término 6,75
A Factor Nombre
AC A A
AD B B
D C C
C D D
ABD
B
BCD
BC
ABC
ACD
ABCD
CD
BD
AB

0 5 10 15 20
Efecto
PSE de Lenth = 2.625

Se vuelve a hacer el estudio solo dejando los que sean significativos

 Diagrama de Pareto de efectos estandarizados
Ferré, Ledesma, Montoya
(la respuesta es Resultados, α = 0.05)
Término 2,23
Factor Nombre
A A
A B B
C C
D D
AC

AD

0 2 4 6 8 10
Efecto estandarizado
 Gráficas de residuos para Resultados
Ferré, Ledesma, Montoya
Gráfica de probabilidad normal vs. ajustes
99
5,0
90
2,5
Porcentaje

Residuo
50 0,0

-2,5
10
-5,0
1
-10 -5 0 5 10 40 60 80 100
Residuo Valor ajustado

Histograma vs. orden

4
5,0

3 2,5
Frecuencia

Residuo
0,0
2
-2,5
1
-5,0

0
-6 -4 -2 0 2 4 6 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Residuo Orden de observación

Gráfica de efectos principales para Resultados

Ferré, Ledesma, Montoya
Medias ajustadas
A C D

80
Media de Resultados

75

70

65

60

-1 1 -1 1 -1 1
 Ferré, Ledesma, Montoya

Gráfica de interacción para Resultados

Medias ajustadas
A*C C
-1
90 1
Media de Resultados

80

70

60

50

A*D C*D D
-1
90 1
80

70

60

50

-1 1 -1 1
A C
 Óptima A C D
Alto 1.0 1.0 1.0
D: 0,9447Act [1.0] [-1.0] [1.0]
Predecir Bajo -1.0 -1.0 -1.0

Resultad
Máximo
y = 100,6250
d = 0,94467

Conclusión:

Una vez analizado el diseño del experimento se puede decir que la mejor forma
para llevar acabo el proceso del nivel de goteo es tener a la temperatura y el nivel de
agitación en nivel alto, la concentración en su nivel bajo. Por otro lado, la presión en
este caso no presentó de importancia.