Beruflich Dokumente
Kultur Dokumente
Introducción........................................................................................................... 3
Conclusión ........................................................................................................... 27
Los diseños factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y
Henry J. Gilbert de la Estación experimental de Rothamsted. Ronald Fisher discutió
en 1926 que los diseños «complejos», como diseños factoriales, eran más eficientes
que estudiando un factor a la vez. Fisher escribió: «ningún aforismo se repite tan
frecuentemente respecto de las pruebas de campo, que aquel de que a la
Naturaleza debemos hacerle pocas preguntas, o, idealmente, hacérselas de a una.
Quien escribe es un convencido de que este punto de vista está totalmente
equivocado». Un diseño factorial permite el efecto de varios factores e incluso
interacciones entre ellas que se determinarán con el mismo número de ensayos que
son necesario determinar de los efectos por sí mismo con el mismo grado de
exactitud.
Los factores pueden ser de tipo cualitativo (máquinas, tipos de material, operador,
la presencia o ausencia de una operación previa, etc.), o de tipo cuantitativo
(temperatura, humedad, velocidad, presión, etc.). Para poder estudiar la manera en
que incluye cada factor sobre la variable respuesta, es necesario elegir al menos
dos niveles de prueba para cada uno de ellos (tres máquinas, dos operadores, tres
velocidades, dos temperaturas, etc.). Con el diseño factorial completa se corren
aleatoriamente en el proceso todas las posibles combinaciones que pueden
formarse con los niveles seleccionados. Un diseño de experimentos factorial o
arreglo factorial es el conjunto de puntos experimentales o tratamientos que pueden
formarse considerando todas las posibles combinaciones de los niveles de los
factores. Por ejemplo, con k = 2 factores, ambos con dos niveles de prueba, se
forma el diseño factorial 2x2=22, que consiste de cuatro combinaciones o puntos
experimentales. Considerando otra vez k = 2 factores, pero ahora uno con tres
niveles y el otro con dos niveles, se pueden construir 3 x 2 combinaciones que dan
lugar al diseño
factorial 3 x 2. Observe que en el nombre del diseño factorial va implícita el número
de tratamientos que lo componen. Para obtener el número de corridas
experimentales se multiplica el número de tratamientos por el número de réplicas,
donde una réplica se lleva a cabo cada vez que se repite el arreglo completo. Más
en general, la familia de diseños factoriales 2k consiste de k factores, todos con dos
niveles de prueba; y la familia de diseños factoriales consiste de k factores. Cada
uno con tres niveles de prueba. Es claro que, si los k factores no tienen la misma
cantidad de niveles, entonces no se puede factorizar de esta forma, y debe
escribirse el producto de manera más explícita: por ejemplo, con k = 3 factores, el
primero con cuatro niveles y los dos restantes con dos niveles, se tiene el diseño
factorial 4x2x2=4x22, que consiste de 16 combinaciones de niveles diferentes.
Ejemplo
Para los datos de la tabla 4.1, los efectos principales están dados por
Efecto A =
Efecto B =
por lo que en términos absolutos el efecto principal de B es mayor. Por otra parte,
se dice que dos factores interactúan entre sí o tienen un efecto de interacción
sobre la variable de respuesta, cuando el efecto de un factor depende del nivel
en que se encuentra el otro. Por ejemplo, los factores A y B interactúan si el
efecto de A es muy diferente en cada nivel de B, o viceversa. Ahora veamos esto
con los datos de la tabla
4.1: el efecto de A cuando B es baja está determinado por
Como estos dos efectos de A en función del nivel de B son muy diferentes, entonces
es evidencia de que la elección más conveniente del nivel de A depende del nivel
en que esté B, y viceversa. Es decir, eso es evidencia de que los factores de A y B
interactúan sobre Y. En la práctica, el cálculo del efecto A en cada nivel de B no se
hace, y más bien se calcula el efecto global de la interacción de los dos factores,
que se denotan por AB y se calculan como la diferencia entre la respuesta media
cuando ambos factores se encuentran en el m ismo nivel: (-1, -1); (1, 1), y la
respuesta media cuando los factores se encuentran en niveles opuestos: (-1, 1) (1,
-1). Para el ejemplo, el efecto de interacción levadura x temperatura está dado por
Los valores absolutos (sin importar el signo) de los efectos principales y del efecto
de interacción son una medida de importancia de su efecto sobre la variable de
respuesta. Sin embargo, como se tienen estimaciones muestrales, para saber si los
efectos son estadísticamente significativos (diferentes de coro) se requiere el
análisis de varianza (ANOVA).
Modelo estadístico
Con un diseño factorial se pueden estudiar los dos efectos individuales y el
efecto de interacción de ambos factores. En términos estadísticos, lo que se afirma
es que el comportamiento de la respuesta Y en el experimento con k réplicas se
podría describir mediante el modelo de efectos:
donde es la media general, es el efecto debido al i-ésimo nivel del factor
es el efecto del j-ésimo nivel del factor B, representa al efecto de interacción
en la combinación es el error aleatorio que supone sigue una distribución
con media cero y varianza constante y son independientes entre sí.
Para que la estimación de los parámetros en este modelo sea única, se introducen
las restricciones:
En este modelo, las hipótesis de interés para los tres efectos son:
Parámetros Número
1
i I-1
j J-1
r R-1
ij
ir
jr
ijr
2 1
Total IJR + 1
Los estimadores máximo-verosímiles de este modelo son los siguientes (se utiliza
la notación habitual):
De la media global
Factor T I 2 I-1
scT = J RK i=1 i
Factor T J 2 J-1
scT = IRK j=1 j
Factor T R 2 R-1
scT = IJK r=1 r
Inter. I J 2 (I - 1)(J - 1)
sc = RK i=1 j=1 ij
Inter. I R 2 (I - 1)(R - 1)
sc = JK i=1 r=1 ir
Inter. J R 2 (J - 1)(R - 1)
sc = IK j=1 r=1 jr
Residual I J R K 2 IJR(K - 1)
scR = i=1 j=1 r=1 t = 1 eijrk
Global I J R K 2 IJRK - 1
scG = i=1 j=1 r=1 t = 1 eijrk
Tabla 5.4. Cuadro del análisis de la varianza para un diseño completo de tres
factores.
FV SC GL
Error
Total
de tal forma que, para probar las hipótesis mencionadas, los estadísticos de prueba
apropiados en el ANOVA son
Ejemplo
Nótese que cada inspector mide dos veces cada pieza. Sean los inspectores el
factor A y las piezas el factor B, el primero con dos niveles y el segundo con siete
niveles, en ambos casos seleccionados al azar. El modelo de componentes de
varianza propuesto para describir estos datos es donde es el componente de
FV SC GL CM Valor-p
A: Insp. 0,00036 1 0,00036 0,069 0,8043
B: 0,7516 6 0,1252 24,07 0,0000
Pieza 0,0313 6 0,0052 0,75 0,6169
AB 0,097 14 0,0069
Error 0,8803 27
Total
Las tres primeras columnas se obtienen igual que el modelo de efectos fijos, pero
las dos últimas deben corregirse de acuerdo con el estadístico de prueba
apropiado para un modelo de efectos aleatorios ( y
Utilizando Minitab
6. Una vez capturados los datos (estos datos deberán corresponder al factor A con
respecto a factor B de acuerdo a la tabla original) en su correspondiente renglón.
El siguiente paso es regresar al paso 1.
Para capturar los datos en Minitab, de tres factores, es idéntico al de dos factores,
solo que en la ventana correspondiente indicar que se trata de tres factores, y se
aplica la misma secuencia.
Conclusión
Uno de los objetivos particulares más importantes que pude observar es que en
general tiene un diseño factorial es determinar una combinación de niveles de los
factores en la cual el desempeño del proceso sea mejor que en las condiciones de
operación actuales, es encontrar nuevas condiciones de operación que eliminen o
disminuyan cierto problema de calidad en la variable de salida.
Referencias bibliográficas
Johnson Richard .
“Probabilidad y estadística para ingenieros”.
Quinta edición. Editorial Prentice Hall. México 1997
Montgomery, Douglas C.
probabilidad y estadística para ingeniería‖. Tercera edición.
Editorial Continental CECSA.
Año 1993. Páginas 263-278.
Stevenson, William.
“Estadistica para administración y economía: conceptos y aplicaciones”.
Editorial Alfa Omega. México 1981