UNIDAD 5. Analsis de Resultados

TECNOLÓGICO NACIONAL DE MÉXICO
Instituto Tecnológico Superior de Coatzacoalcos

División de Ingeniería Industrial
Febrero-Junio 2019
Nombre del Alumno: Jorge Luis Sanchez Ausencio
UNIDAD 5. ANÁLISIS DE RESULTADOS
MATERIA
INGENIERIA DE LA CALIDAD
Semestre: Octavo Grupo: F N° de control: 15081237
Fecha de inicio: Febrero 2019 Fecha de término: Junio 2019
Nombre del Docente: Ing. Ind. Cynthia Jeannette Amores Mendoza
1
Índice
Introducción........................................................................................................... 3
Análisis por tablas de respuesta. ........................................................................ 4
Análisis de varianza por arreglos ortogonales. .................................................. 6
................................................................................................................................ 7
Análisis de atributos clasificados ........................................................................ 8
Cuadro sinóptico de experimentos con factores de ruido. ............................. 11
Análisis de experimentos con factores de ruido. ............................................. 12
Cuadro comparativo de los tipos de análisis ................................................... 15

Ensayo “caso práctico de diseño factorial, análisis, interpretación de
resultados y propuesta de la mejor combinación”. ......................................... 16
Cuestionario ........................................................................................................ 19
Conclusión ........................................................................................................... 20
Bibliografía........................................................................................................... 21
2
Introducción
Cada vez se generaliza más la idea de que la calidad de un producto debe

cuidarse especialmente en las primeras etapas de su desarrollo, ya que es en ese
momento, cuando se pueden evitar más problemas y de forma más económica.
Los esfuerzos en asegurar la calidad del producto en su fase de diseño (del

propio producto o del proceso productivo) resultan ser los más eficaces y rentables.
Mediante métodos de producción adecuados puede asegurarse que el producto sea
correcto aún fabricado con materiales y en condiciones poco favorables. Asimismo,
pueden conseguirse diseños de productos que mantengan un alto nivel de calidad
aunque sus condiciones de uso no sean las óptimas.
La aplicación de determinadas técnicas de experimentación para la

optimización de productos y procesos está siendo en los últimos años uno de los
elementos de progreso más espectaculares para asegurar la calidad ya en la fase
de diseño.
Cualquier característica de calidad de un producto que sea cuantitativa

(humedad, densidad, dimensión, dureza, peso) puede ser entendida, en primera
aproximación1, como una variable que mediante una relación funcional, depende
de un conjunto de factores que denominaremos "factores de diseño".
Si se conoce dicha relación funcional, la optimización de la característica de

calidad es un problema fácilmente resoluble por métodos analíticos, pero en la
práctica se presentan 3 grandes dificultades: a) La relación funcional no se conoce,
ni tampoco cuales son los factores de diseño que pueden afectar a la respuesta, y
a veces ni tan siquiera la región de operatividad.
La relación funcional es complicada. La deducción de la relación funcional (o

mejor dicho, de una aproximación a la misma que nos resulte útil) no puede ser
abordada "de cualquier forma", sino que en la práctica resulta obligado seguir
determinadas estrategias de experimentación conocidas con el nombre
3
Análisis por tablas de respuesta.
Uno de los métodos para analizar datos es la tabulación cruzada. Por ejemplo, un
investigador médico puede tabular las frecuencias de los diferentes síntomas por
edades y sexo; un investigador educativo puede tabular el número de estudiantes
que abandonan sus estudios por edad, sexo y grupo étnico; un economista puede
tabular el número de negocios que fallan por industria, región, etc.; un investigador
de mercado puede tabular las preferencias de los consumidores por producto, edad
y sexo. En todos estos casos, los resultados principales de interés pueden ser
sumados en una tabla de frecuencia múltiple; o sea, en una tabla cruzada de dos o
más factores.
Tablas de frecuencia de 2 caminos (two -ways).
Vamos a empezar con la más simple tabulación cruzada, la tabla de 2 X 2.

Supongamos que estamos interesados en la relación que hay entre la edad y los
conos en la gente. Tomamos una muestra de 100 personas y determinamos quién
tiene y quién no tiene canas. También tomamos la edad aproximada de los sujetos.
Este es el resultado del estudio.
Mientras interpretamos los resultados de este pequeño estudio, vamos a

introducirnos en la terminología que nos permitirá generalizar en tablas más
complejas fácilmente.
Diseño de variables y variables de respuesta. En la regresión múltiple o en el

análisis de varianza hay una distinción común entre las variables dependientes e
independientes. Las variables dependientes son aquellas que tratamos de explicar,
y podemos clasificar los f actores en una tabla de 2 X 2; por ejemplo, el color del
pelo es una variable dependiente. Las variables de respuesta son aquellas que
varían en la respuesta a las variables designadas; por ejemplo, el color del pelo
4
puede ser considerado una variable de respuesta y la edad es considerada una

variable de diseño.
Tablas de frecuencia múltiple.
El razonamiento presentado en las tablas de 2 X 2 puede ser generalizado a tablas

más complejas. Supongamos que tenemos una tercera variable en nuestro estudio;
por ejemplo, queremos ver si el estrés tiene que ver con las canas en las personas.
Como estamos interesados en este nueva variable, la vamos a considerar como
variable de diseño. (Con esto, la variable de estrés se convierte en una variable de
respuesta y la variable del color del cabello sería una variable de diseño). La tabla
resultante sería una tabla de frecuencia de 3 caminos.
Modelos de ajuste. Podemos aplicar el razonamiento anterior para analizar esta

tabla. Específicamente podemos ajustar diferentes modelos que reflejen diferentes
hipótesis acerca de los datos. Como antes, las frecuencias esperadas en este caso
reflejan sus respectivas frecuencias marginales. Si alguna desviación significante
ocurriera, se reflejaría en este modelo.
5
Análisis de varianza por arreglos ortogonales.
6
7
Análisis de atributos clasificados
El primer paso es formar categorías acumulados a partir de las categorías iniciales

de modo que la categoría acumulada uno sea igual a la categoría inicial uno, la
categoría acumulada dos sea igual a las categorías iniciales uno más dos.
(I) = (1)
(II)= (1) + (2)
( III)=(1) + (2) + (3).
Ejemplo
Para ilustrar los pasos se utilizará un estudio que se realizó para conocer los
parámetros óptimos de una máquina moldeadora al estar utilizando compuesto de
un nuevo proveedor. El aspecto visual se dividió en las categorías iniciales:
1=Incompleto 2 =Partido/Crudo 3 =Deforme 4 =Bien De modo que las categorías
acumuladas son:
(I)=1
( II)=(1) + (2)
( III)=(1) +(2) + (3)
( IV)=(1) +(2) + (3) + (4)
El experimento consistió en cuatro factores a tres niveles cada uno y con diez
repeticiones, siendo los factores: A = Temperatura B = Tiempo de Ciclo C =
Tiempo de Inyección D = Presión Se utilizó un arreglo ortogonal L9, en donde se
obtuvieron los resultados que se muestran en la siguiente tabla, misma en la que se
pueden observar los cálculos para obtener los valores de las categorías acumuladas
en la combinación número seis:
(I)= (=)
( II)= (0) + (3)
( III)=(0) + (3) + (1)
( IV) = (0) +(3) + (1) + (6)
8
Resultados del Experimento en una Máquina Moldeadora
También se puede ver que en la frecuencia acumulada de la Clase IV durante todo

el experimento es la misma, por lo que no se podrá extraer ninguna información de
esta columna. Es por lo que se realizará en el análisis acumulativo calcular la suma
de cuadrados de la clase I, Clase II y Clase III. De cualquier forma esas sumas de
cuadrados no pueden sumarse sencillamente, puesto que las bases de las tres
clases son diferentes.
En la distribución binomial la fracción de defectuosos es p, y su varianza

correspondiente es p (1 - p), esto indica que cuando la media de la fracción
defectuosa cambia, la varianza cambia también. Debido a esta dependencia de la
varianza sobre la fracción defectuosa, la suma de los cuadrados de la Clase I, Clase
II y Clase III tiene diferentes bases. Con el objetivo de normalizar esas bases, la
suma de cuadrados de cada clase se divide entre su varianza; solamente así se
pueden sumar las clases. El segundo paso es conocer la proporción que tiene
cada categoría acumulada:
9
A cada categoría se le asigna un peso según la fórmula:

Wj = 1/(Pjx(1-PJ)),
Así que para el ejemplo que se tiene:
WI = 1/25/90x (1-25/90)) = 4.985

WII = 1/49/90x(1-49/90)) = 4.032
WIII = 1/(65/90x(1-65/90)) = 4.985
Para cada categoría se calcula el factor de corrección como Suma de Cuadrados

de Factores. S e obtienen mediante la suma de cuadrados de cada clase
multiplicada por su peso, según fórmula.
Ssa = (Ssa clase I) x WI + (SSA clase II) x WII + (Ssa clase III) x WIII
SS total = (número total de datos) x (número de categorías menos uno)
10
Cuadro sinóptico de experimentos con factores de ruido
 Utiliza un pequeño número

de observaciones.
Ayudar a completar y
 Objetivo. chequear la lista de
acciones a realizar.
Experimento
piloto
 Permite practicar la técnica
elegida e identificar problemas no
esperados en el proceso de
 Ventajas recogida de datos.
 Puede ayudar un modelo
adecuado al experimento
principal.
 Los errores experimentales
Experimentos observados pueden ayudar a
con factores de calcular el número de
ruido. observaciones que se precisan en
el experimento principal.
 Factor en el que los niveles han sido

seleccionados por el
Factor de experimentador.
efectos
fijos.
Un empresario está
interesado en comprar el
Especificar el  Ejempl rendimiento de tres
modelo. o máquinas del mismo tipo
que tiene en su empresa.
Factor de Factor del que solo se incluyen en el

efectos experimento una muestra aleatoria
aleatorios. simple de todos los posibles niveles
del mismo.
11
Análisis de experimentos con factores de ruido.
Los factores de ruido son aquellos que no se pueden controlar o que resulta muy
caro controlarlos. Los factores de ruido causan variabilidad y pérdida de calidad.
Por esto es necesario diseñar un sistema el cual sea insensible a los factores de
ruido. El diseñador debe identificar la mayor cantidad posible de factores de ruido
y usar su buen juicio en base a sus conocimientos para decidir cuáles son los más
importantes a considerar en su análisis.
Método del diseño robusto del Dr. Taguchi. Es un eficiente sistema que ayuda a
obtener una combinación óptima de diseño de parámetros para que el producto sea
funcional y ayude a obtener un alto nivel de desempeño y que sea robusto a los
factores de ruido.
Pasos para hacer un ciclo de diseño robusto.
• En los primeros 5 pasos se planea el experimento.

• En el paso número 6 se conduce el experimento.
• En los pasos 7 y 8 los resultados del experimento son analizados y verificados.
Ejemplo de la optimización de un diseño por costo de un sistema

intercambiador de calor.
1. Identificar la función principal. La función principal del sistema enfriador

de aire comprimido. La función principal del sistema es enfriar la temperatura del
aire de 95 c a 10 c entre dos etapas de compresión. Primero entra al sistema el aire
por el pre enfriador y luego pasa a la unidad de refrigeración. El agua pasa a través
del condensador de la unidad de refrigeración y luego al pre enfriador y finalmente
entra al radiador donde se expulsa el radiador a través de él.
El flujo del aire está dado por 1.2 kg/s y el flujo del agua está dado por 2.3 kg/s
Se busca diseñar el sistema para un costo mínimo total, donde el costo es la suma
de todos los costos en dólares de la unidad de refrigeración, el pre enfriador y el
radiador. Las ecuaciones paramétricas de costo (xi) para la unidad de refrigeración,
el pre enfriador y el radiador en términos de temperaturas de salida (ti) están dadas
como sigue: X1 = 1.2 a (T3 - 10)
12
X1 = costo ($) de la unidad de refrigeración.

a = parámetro de costo para el refrigerante.
T3= temperatura de salida del aire del pre enfriador.
X2=1.2 B (95 - T3)/(T3-T1) para (T3 >T1) X2 = costo ($) del pre enfriador.
B = parámetro de costo del pre enfriador.

T3 = temperatura de salida del aire del pre enfriador.
T1 = temperatura de salida del agua de la unidad de refrigeración.
95 = temperatura del aire en la entrada al sistema.
X3=9.637 c (T2 - 24)

X3 = costo ($) del radiador.
C = parámetro de costo del radiador.
T2 = temperatura del agua en la entrada del radiador.
24 = temperatura del agua después de pasar por el radiador.
22
A = 48
B = 50
C = 25
Parámetros de costo determinados por el diseñador.
2. Identificar los factores de ruido.

Existen varios factores de ruido en un proceso de enfriamiento de aire. Para este
caso los ingenieros han determinado los 3 factores de ruido más importantes.
N1 = parámetro de costo de la unidad de refrigeración.
Se ha estimado un costo original de 48 y se considera un costo muy alto arriba de
56.
N2 = temperatura de salida del radiador.
Esta temperatura puede variar dependiendo de los factores ambientales. Se ha
estimado una temperatura de 24 c pero se considera muy alta a 27°C.
N3 = temperatura del aire a la entrada del sistema.
Esta temperatura varía dependiendo de las condiciones de operación, se ha
estimado inicialmente de 95 c pero se considera muy alta arriba de 100 c.
3. Identificar la característica de calidad que va a ser observaba y el objetivo.

El costo va a ser tomado como la característica de calidad y la función objetivo será
13
optimizar el costo total del sistema. MIN CT= X1 + X2 + X3

El objetivo ahora es encontrar cuál diseño minimiza el costo total considerando la
incertidumbre de los factores de ruido citados.
4. Identificar los factores de control y los niveles alternativos.

Para el caso del ejemplo, tres niveles alternativos fueron identificados para ser
estudiados para el control del diseño de los parámetros, El nivel dos muestra los
valores iniciales de los factores de control. Los niveles de los parámetros de prueba
(tabla a) se refieren a cuántos valores de prueba van a ser analizados.
T1= 28 C
T2= 39 C
T3= 38 C
Como siguiente paso los ingenieros de diseño y los analistas de costo desean un
estudio de niveles alternativos de los parámetros de control considerando ahora la
incertidumbre debido a los factores de ruido. En un diseño robusto, generalmente,
dos o tres niveles son considerados para cada factor. Se ha decidido estudiar los
tres factores de ruido con 2 niveles. Estos valores se muestran en la tabla 9. El nivel
uno representa los valores iniciales de los factores de ruido. Diseño de la matriz de
experimentos y definición de los datos para analizar. El objetivo ahora es determinar
los niveles óptimos de los factores de control para que el sistema sea robusto a los
factores de ruido.
5. Construcción de arreglos ortogonales. Primero se determinan según la

metodología de Taguchi los grados de libertad para determinar el número mínimo
de experimentos requerido.
El diseñador ha calculado el factor grados de libertad igual a 7, esto nos indica que
se necesita un número mínimo de 7 experimentos para encontrar los valores
óptimos.
Con esto se determina que se puede
utilizar un arreglo ortogonal estándar L9
para los factores de control y usando la
misma metodología se utiliza un arreglo
ortogonal estándar L4 para los factores de
control.
14
Cuadro comparativo de los tipos de análisis
TIPOS DE CONCEPTOS CARACTERISTICAS OBJETIVOS

ANÁLISIS
Son aquellas que Identifica simbólicamente, Obtener porcentajes
varían en la para cada sujeto y en cada de casillas basados
respuesta a las tarea de la prueba, los en casos o
variables cinco tipos de respuestas respuestas,
designadas; por posibles, más los casos en modificar la gestión
Análisis por ejemplo, el color los que un participante de los valores
tablas de del pelo puede había dado la respuesta perdidos u obtener
respuesta ser considerado correcta en una versión tablas cruzadas
una variable de previa de la tarea. emparejadas.
respuesta y la
edad es
considerada una
variable de
diseño.
Es una Esta experimentación Su propósito es
herramienta busca encontrar cuál es el lograr la longitud, la
ingenieril que mejor material, la mejor amplitud, o la
Análisis de simplifica y en presión, la mejor durabilidad que se
varianza por algunos casos temperatura, la mejor desea, tomando el
arreglos elimina gran formulación química, o el costo que implica.
ortogonales parte de los tiempo de ciclo más apto,
esfuerzos de etc.
diseño
estadístico.
Este método es Divide la suma de Se puede luego
lento y la suma cuadrados de las obtener la suma de
de cuadrados del observaciones encuentro cuadrados de las
Análisis de error se calcula componentes, una diferencias entre los
atributos mucho más atribuible a la media valores observados
clasificados rápido siguiendo general. y los valores
la técnica predichos.
conocida como
análisis de
varianza
Análisis de Son aquellos que Identificar la mayor Diseñar un sistema
experimentos con no se pueden cantidad posible de el cual sea
factores de ruido controlar o que factores de ruido insensible a los
resulta muy caro factores de ruido.
controlarlos.
15
Ensayo “caso práctico de diseño factorial, análisis, interpretación de

resultados y propuesta de la mejor combinación”.
La investigación se concentró principalmente en el comportamiento de la eficiencia

de extracción del primer molino, que mostraba un rendimiento del 57.5 %, debido a
que mediante su incremento se lograría impulsar la extracción global del tándem2
de molienda, que alcanzaba un 95.1%, lo que se vería reflejado en un aumento en
27.000 quintales de azúcar de la producción del ingenio en el periodo enero-
septiembre de 2005, generando ingresos adicionales de US$ 490.000 en ese
periodo.
Factores experimentales
Se realizó una primera fase experimental, en la cual se analizaron tres variables

ruido que se sospechaban tenían gran influencia en la extracción del molino 1, estas
variables fueron: (a) Variedad de caña; (b) Tipo de corte; y (c) Materia extraña. De
este primer análisis se concluyó que la variable ruido más significativa era el Tipo
de corte de la caña al momento de ser alimentado el tándem de molienda.
En la segunda fase experimental se involucraron el ajuste del molino 1; la presión

hidráulica en los cabezotes del molino 1 y las velocidades de las picadoras I y II,
junto con el Tipo de corte como variable ruido más importante, en un gran
experimento que serviría como herramienta de mejoramiento del proceso de
molienda.
Experimentación con el método Taguchi
A continuación se analizan los resultados obtenidos en la aplicación de la

metodología Taguchi en el proceso de molienda del Ingenio azucarero en el Valle
del Cauca, tomando como variable respuesta la extracción del molino 1 del tándem
de molienda 2, involucrando en la experimentación el tipo de corte como variable
ruido, según lo encontrado en la anterior fase de experimentación.
Se seleccionó un arreglo ortogonal L9 para la matriz interna, permitiendo estudiar

máximo cuatro factores a tres niveles cada uno, utilizando la técnica del falso nivel
para permitir involucrar un factor a dos niveles en una columna desarrollada para
estudiar factores a tres niveles, y un arreglo compuesto de solo dos corridas para
la matriz externa. En la Tabla 1 se observan los factores estudiados, sus respectivos
niveles y el código con que se identificarán en esta sección.
16
En la Tabla 2 se puede ver el arreglo experimental seleccionado junto con los

resultados obtenidos, y los valores de la media y la razón señal-ruido
correspondiente (según la expresión 2).
Análisis
Los factores que mayor efecto tienen sobre la robustez del sistema son las
velocidades de las picadoras I y II, así como la presión hidráulica aplicada a los
cabezotes del primer molino. Por otro lado, así el ajuste de salida del primer molino
no muestre un efecto significante en cuanto a la variable respuesta estudiada en la
En el modelo, un incremento en el nivel de este factor trae como consecuencia una

disminución en el porcentaje de extracción del 3.7% reflejándose negativamente en
la extracción global del tren de molienda. De acuerdo a lo anterior se concluye que
17
los mejores niveles de operación del sistema son A3, B3, C1 y D1, los cuales
muestran las mejores relaciones señal-ruido.
Propuesta
La técnica de experimentación aquí analizada, es una herramienta que muestra

mucha más efectividad que el seleccionar al azar niveles de los factores,
observando qué sucede y si se logra un mejoramiento al fijar los niveles de los
factores analizados en estos puntos de operatividad.
Si por el contrario se observa una disminución en la eficiencia del proceso se retorna

a los niveles de los factores a los rangos originales o se cambian a otros niveles de
operatividad buscando un incremento del rendimiento del sistema, metodología de
mejoramiento ampliamente usada en el Ingenio antes de la realización de este
estudio debido a que brinda más altos niveles de entendimiento de los procesos
productivos en los que son aplicados y por ende generan herramientas para
alcanzar un más alto rendimiento de éstos.
Un inconveniente que muestra el método es la poca variabilidad que es captada por

éste. De acuerdo al ANOVA se concluye que el modelo obtenido solo capta el 27%
de la variabilidad total, dejando el 73% restante a la influencia del ruido presente en
la fase experimental. Esto se debe a la exclusión de las interacciones entre los
factores experimentales planteada por la metodología.
18
Cuestionario
1.- ¿Qué es un análisis de tabla de frecuencia?

Es un método para analizar datos en la tabulación cruzada
2.- ¿Cuándo el razonamiento presenta en las tablas de 2x2 puede ser generalizado a
tablas más complejos?
Tablas de frecuencia múltiple
3.- ¿Qué es lo que busca un arreglo ortogonal?

Esta experimentación busca encontrar cual es el mejor material, la mejor presión, la mejor
temperatura.
4.- ¿cuál es la definición de un arreglo ortogonal?

Es una herramienta ingenieril que simplifica y en algunos casos elimina gran parte de los
esfuerzos de diseño estadístico
5.- ¿menciona una ventaja del arreglo ortogonal?

Estas se pueden aplicar al diseño experimental involucrando un número de factores
6.- ¿cuál es el primer paso de un análisis de atributo clasificado?

Es formar categorías acumulados a partir de las categorías iniciales
7.- Estas son calculados a base a los grados de un factor para variables con el número de
categorías acumulados menos uno.
Grados de libertad
8.- ¿Qué son los experimentos con factores de ruido?

Son modelos de diseño de experimentos estadísticos clásicos cuyo objetivo es averiguar si
unos determinados factores incluyen en una variable de interés.
9.- ¿Son aquellos que no se pueden controlar o que resulta muy caro controlarlos?
Análisis de experimentos con factores de ruido
10.- ¿Es un eficiente sistema que ayuda a obtener una combinación óptima de diseño de
parámetros para que el producto sea funcional y ayude a obtener un alto nivel de
desempeño? Método de diseño robusto
19
Conclusión
El análisis de los resultados obtenidos permite un mayor conocimiento de los

parámetros que intervienen en la definición de la capacidad, así como la magnitud
con la que cada uno de estos interviene. Sin embargo, no se descarta la intervención
de algún otro parámetro que en esta tesina no se haya considerado.
El conocimiento de la capacidad, el nivel máximo en un determinado periodo de

tiempo tiene una probabilidad razonable de atravesar una sección fija, es un
elemento fundamental a la hora de plantearse nuevas actuaciones o
reestructuraciones de determinados tramos. Un conocimiento más o menos preciso
de la capacidad que puede llegar a tener un tramo de unas determinadas
características se revela como un elemento fundamental para evitar el
sobredimensionamiento de cualquier área.
Abordando la relación de la capacidad con la variable tipología, el comentario que

debe hacerse al respecto es que los criterios adoptados para su definición parecen
del todo lógicos. Los resultados obtenidos demuestran que a mayor valor de la
variable tipología, menor es la capacidad y por lo tanto, se puede considerar como
una buena variable indicadora del grado de obstaculización que el entorno ejerce
sobre la fluidez del proceso Sin embargo, diferentes combinaciones de usos de la
calzada pueden presentar la misma.
20
Bibliografía
BOX, G. Signal-to-Noise Ratios, Perfomance Criteria, and Transformations.
Technometrics. Vol 30, pp 1-36. 1988
DANIEL, Cuthbert. Use of Half-Normal Plots in Interpreting Factorial Two-Level

Experiments. Technometrics. Vol 1. No 4, pp 311-340. 1959.
DEVOR, Richard. Statistics Quality Desing and Control. Macmillan. 1992.
DIAMOND, William. Practical Experiment Desings for Engineers and Scientists.

2da Ed. Van Nostrand Reinhold Company Inc. 1981.
GOH. T. Use of Dummy Values in Analyzing Incomplete Experimental Desing

Data. Quality Engineering. Vol 10. No 2, pp 397-401. 1997. [8] GUNST, Richard y
MASON, Robert. How to Construct Fractional Factorial Experiments. ASQC
Quality Press. 1991.
21

UNIDAD 5. Analsis de Resultados

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

UNIDAD 5. Analsis de Resultados

Hochgeladen von

Copyright:

Verfügbare Formate

TECNOLÓGICO NACIONAL DE MÉXICO

Instituto Tecnológico Superior de Coatzacoalcos

Instituto Tecnológico Superior de Coatzacoalcos

Nombre del Alumno: Jorge Luis Sanchez Ausencio

UNIDAD 5. ANÁLISIS DE RESULTADOS

Fecha de inicio: Febrero 2019 Fecha de término: Junio 2019

Nombre del Docente: Ing. Ind. Cynthia Jeannette Amores Mendoza

Análisis por tablas de respuesta. ........................................................................ 4

Análisis de varianza por arreglos ortogonales. .................................................. 6

Análisis de atributos clasificados ........................................................................ 8

Cuadro sinóptico de experimentos con factores de ruido. ............................. 11

Análisis de experimentos con factores de ruido. ............................................. 12

Cuadro comparativo de los tipos de análisis ................................................... 15

Cada vez se generaliza más la idea de que la calidad de un producto debe

Los esfuerzos en asegurar la calidad del producto en su fase de diseño (del

La aplicación de determinadas técnicas de experimentación para la

Cualquier característica de calidad de un producto que sea cuantitativa

Si se conoce dicha relación funcional, la optimización de la característica de

La relación funcional es complicada. La deducción de la relación funcional (o

Análisis por tablas de respuesta.

Tablas de frecuencia de 2 caminos (two -ways).

Vamos a empezar con la más simple tabulación cruzada, la tabla de 2 X 2.

Mientras interpretamos los resultados de este pequeño estudio, vamos a

Diseño de variables y variables de respuesta. En la regresión múltiple o en el

puede ser considerado una variable de respuesta y la edad es considerada una

Tablas de frecuencia múltiple.

El razonamiento presentado en las tablas de 2 X 2 puede ser generalizado a tablas

Modelos de ajuste. Podemos aplicar el razonamiento anterior para analizar esta

Análisis de varianza por arreglos ortogonales.

Análisis de atributos clasificados

El primer paso es formar categorías acumulados a partir de las categorías iniciales

Resultados del Experimento en una Máquina Moldeadora

También se puede ver que en la frecuencia acumulada de la Clase IV durante todo

En la distribución binomial la fracción de defectuosos es p, y su varianza

A cada categoría se le asigna un peso según la fórmula:

WI = 1/25/90x (1-25/90)) = 4.985

Para cada categoría se calcula el factor de corrección como Suma de Cuadrados

SS total = (número total de datos) x (número de categorías menos uno)

Cuadro sinóptico de experimentos con factores de ruido

 Utiliza un pequeño número

 Factor en el que los niveles han sido

Factor de Factor del que solo se incluyen en el

Análisis de experimentos con factores de ruido.

Pasos para hacer un ciclo de diseño robusto.

• En los primeros 5 pasos se planea el experimento.

Ejemplo de la optimización de un diseño por costo de un sistema

1. Identificar la función principal. La función principal del sistema enfriador

X1 = costo ($) de la unidad de refrigeración.

B = parámetro de costo del pre enfriador.

X3=9.637 c (T2 - 24)

2. Identificar los factores de ruido.

3. Identificar la característica de calidad que va a ser observaba y el objetivo.

optimizar el costo total del sistema. MIN CT= X1 + X2 + X3

4. Identificar los factores de control y los niveles alternativos.

5. Construcción de arreglos ortogonales. Primero se determinan según la

Cuadro comparativo de los tipos de análisis

TIPOS DE CONCEPTOS CARACTERISTICAS OBJETIVOS

Ensayo “caso práctico de diseño factorial, análisis, interpretación de

La investigación se concentró principalmente en el comportamiento de la eficiencia

Se realizó una primera fase experimental, en la cual se analizaron tres variables

En la segunda fase experimental se involucraron el ajuste del molino 1; la presión

Experimentación con el método Taguchi

A continuación se analizan los resultados obtenidos en la aplicación de la

Se seleccionó un arreglo ortogonal L9 para la matriz interna, permitiendo estudiar