DISEÑO EXPERIMENTAL Y

OPTIMIZACIÓN DE SISTEMAS
CON MÚLTIPLES RESPUESTAS
Parte 2: Selección de factores
Héctor Goicoechea
E-mail: [email protected]
http://www.fbcb.unl.edu.ar/laboratorios/ladaq/
Identificación de factores y
respuestas

Selección de factores

Diseños de Screening
o Cribado

Factores No Eliminar
Cambio de
significativos? niveles factor

Si

Optimización Respuestas óptimas

Diseños de Optimización Conclusiones
 Etapa de screening: selección de
factores

• Delimitar el problema, definir la hipótesis,

establecer el objetivo del experimento-
resultado deseado.

• Seleccionar la (s) variables respuesta que

representan al problema que hay que resolver
y determinar cómo se van a medir de manera
confiable.
 Etapa de screening: selección de
factores
• Determinar qué factores se van a estudiar, para
analizar su influencia sobre la respuesta, sobre
la base de información y experiencia previa.

• Seleccionar el rango experimental a estudiar y

el diseño de experimentos adecuado.

• Realizar el experimento y seleccionar los

factores que tengan una influencia significativa
sobre la (s) respuesta.
4
Etapa de screening: selección de
factores
Investigar todos los
factores

Muchas pruebas
experimentales

Mucho tiempo
Mucho dinero

Diseños de screening para

selección de factores
DISEÑOS EXPERIMENTALES
 Selección del diseño
Aspectos que influyen en la selección de un diseño
 Naturaleza del problema, conocimiento previo y tipo
de información que se desea obtener.

 Número y tipo de factores e interacciones que se

deben estudiar.
 Restricciones operativas, de costo y tiempo.
 Necesidad de bloqueo.
 Características o propiedades de cada diseño.
 Facilidad de comprensión e implementación.
Características de los diseños

Ortogonalidad

Rotabilidad

Error estandar-leverage

Eficiencia

Resolución
 ORTOGONALIDAD

• Los coeficientes estimados en el modelo ajustado no

están correlacionados entre si.

• Las columnas de la matriz del diseño deben estar

formadas por vectores independientes entre si.

Minimizar la Varianza de los

Coeficientes de Regresión
Modelo para un sistema lineal de 2 componentes:
y = b0 + b1 x1 + b2 x2 y X
y = X b + e = ypred + e b
=
(XTX)-1XT y = (XTX)-1XTX b

b = (XTX)-1XT y b = [b0 ; b1 ; b2 ]

ypred = X (XTX)-1XT y  ypred = H y (H es conocida

como matriz “hat” por sombrero)
Xb = X(XTX)-1XT y
Pero XTX es singular en un diseño cuyas
columnas están correlacionadas
 ROTABILIDAD

La varianza de la respuesta predicha en un punto cualquiera del

espacio experimental es solamente función de la distancia al punto
del centro del diseño.

Proporcionar un error de predicción estable en el

entorno experimental
 LEVERAGE (PALANCA)
• Depende de la matriz experimental y del modelo
seleccionado (construcción de X).

• No depende del error experimental de la respuesta

y debe evaluarse antes de experimentar.

• La varianza de la respuesta
estimada en un punto se
obtiene multiplicando el
leverage por la varianza
experimental.
 EFICIENCIA

• Cociente entre coeficientes estimados y

puntos experimentales.

• Se necesitan como mínimo la misma cantidad de

puntos experimentales diferentes en el diseño
que coeficientes a estimar.

• Para evaluar la falta de ajuste se hacen

repeticiones de un punto del diseño.
 RESOLUCIÓN

Diseños factoriales fraccionados

Indica el nivel de confusiones que se presentan en la

estimación de efectos, dando una idea de que tan
bien pueden estimarse los efectos potencialmente
importantes mediante el diseño.
 Confusiones

Diseños factoriales fraccionados

Cuando dos o más factores, con nombres distintos,

comparten la misma columna de signos (-1 y +1),
no se sabe que factor es el responsable del efecto
estimado.

Hay confusión

15
 Etapa de screening: Selección de factores
Diseños más usados para realizar experimentos de
previsualización o screening para factores numéricos
y categóricos

 Factorial completo o total a dos

niveles (2k)

 Factorial fraccionado a dos niveles

(2k-p)

 Placket-Burman (muchos factores)

 DISEÑOS FACTORIALES
Diseños factoriales completos a dos niveles: 2k

 Se investigan todas las posibles combinaciones de los niveles de

los factores.

 La cantidad de puntos experimentales esta dada por 2k

 Útiles para 2  k  5 (4 a 32 tratamientos)

 Permiten estimar los efectos de todos los factores principales y

sus interacciones.

 Son diseños ortogonales y rotables.

El número de experimentos crece rápidamente con el

número de factores
Diseños factoriales completos a dos niveles
Efecto de un factor – Representación gráfica
Efectos estimables en los diseños factoriales
completos a dos niveles
Diseños factoriales completos a dos niveles
La construcción de la matriz del diseño (k columnas y 2k renglones
considerando una réplica) se hace alternando los signos – y + en la primer
columna, dos menos y dos más en la segunda, cuatro menos y cuatro más en la
tercera y así sucesivamente.
Diseños factoriales completos a dos
2
Matriz del diseño 2 niveles

Representación geométrica
Diseños factoriales completos a dos niveles
Efecto de un factor
Diseños factoriales completos a dos niveles

Efecto de la interacción
Problema:
se necesita incrementar la eficiencia de un procedimiento de
extracción de cromo (VI) en muestras de agua de rio utilizando la
metodología de microextracción en fase líquida

A microextraction procedure based on an ionic liquid as an ion-pairing agent optimized using a design of experiments for chromium
species separation and determination in water samples. Anal. Methods, 2013, 5, 5065. P Berton, L Vera Candioti, H Goicoechea, R
Wuilloud
Considerando un diseño 27 con 128 experimentos:

Qué efectos se pueden estimar con 128 experimentos?

Se pueden
estimar 127
efectos

Hay que encontrar una estrategia que permita reducir de

manera importante el número de tratamientos
experimentales
Diseños factoriales fraccionados
Diseños factoriales fraccionados
 Diseños factoriales fraccionados

Mientras más grande es el valor de k, mayor es el grado de

fraccionamiento que admite el diseño
Diseños factoriales fraccionados
 Diseños factoriales fraccionados

“Aliasing”

Efectos alias son efectos que se confunden y no es

posible separarlos.

Para interpretar los efectos alias es necesario suponer

que solo uno de ellos es responsable del efecto
observado y que los demás efectos son nulos.

Se utiliza el principio de jerarquía.

Diseños factoriales fraccionados

“Aliasing”

No es una buena estrategia utilizar diseños

donde se alían dos efectos que son
potencialmente importantes, tales como
efectos principales y las interacciones
dobles.
Diseños factoriales fraccionados
Diseño 24-1
Diseños factoriales fraccionados

Diseño 24-1
Diseños factoriales fraccionados
Diseño 25-2
 Diseños factoriales fraccionados

Cuando un diseño se fracciona mucho no hay confianza

en la estimación de los efectos principales
Factorial completo
Permite estimar todos los efectos principales y sus
interacciones sin confusiones.

Resolución V o mayor
Los efectos principales y las interacciones dobles se
confunden con interacciones triples o de orden
mayor.

Resolución IV
Los efectos principales no se confunden entre ellos
ni con interacciones dobles, pero si estas entre si.

Resolución III
Los efectos principales no se confunden entre ellos
pero hay efectos principales que se confunden con
interacciones dobles. 37
 Diseños factoriales fraccionados

Se busca la máxima resolución posible con un nº razonable de

corridas experimentales y de gasto de recursos

Resolución III: no recomendados. En algunos casos es arriesgado

suponer de antemano que ninguna interacción doble esta activa. Se
usan cuando hay muchos factores o cuando cada corrida es
demasiado cara.

Resolución IV: para 5  k  15 existen diseños que no requieren más

de 32 ensayos y proporcionan información de todos los efectos
principales y de algunas de las interacciones dobles.

Resolución V: cuando se pueden hacer más ensayos.

 Un caso especial: PLACKETT-BURMAN

• Es un tipo especial de diseño factorial fraccionario (altamente

fraccionado con resolución III).

• Es útil cuando existen múltiples factores.

• El diseño mínimo permite estudiar hasta 11 factores con 12

experimentos.

• Las interacciones dobles tienen un complejo alias con los

términos principales.
 DISEÑO DE PLACKETT-BURMAN

• Permite estudiar efectos principales, suponiendo

que no existen interacciones entre los factores.

• Si hay interacciones, el diseño puede fallar, es

decir, puede considerar significativos efectos que no
lo son y viceversa.

• En general, cuando hay interacciones importantes,

el ajuste de PB es malo.

• ¿Hay alguna manera de superar este problema?

DISEÑO DE PLACKETT-BURMAN

El nº de puntos del diseño

N es múltiplo de cuatro.

Se pueden estudiar hasta k

factores en N
experimentos donde k
=N-1.
DISEÑO DE PLACKETT-BURMAN
Problema
DISEÑO DE PLACKETT-BURMAN PARA EL PROBLEMA

…
Estimación de efectos
 Estimación de efectos: construcción de un
modelo matemático que explique la variación
PRUEBA DE HIPÓTESIS

(ANOVA)
 Modelo de efectos: ANOVA

Respuesta = media general + efectos principales de los

factores + efectos de interacción + error

Variabilidad
debida al
Variabilidad Variabilidad
Variabilidad error
debida al debida al
efecto error debida al fecto
 El objetivo es:

- Seleccionar aquellos efectos de factores o

interacciones que sean significativos y que
formarán parte del modelo, explicando el
comportamiento de la respuesta y …

- Aquellos que sean no significativos que

pueden utilizarse para conformar el error.

54
Ejemplo: uso de un diseño completo y réplica
En una fábrica de dispositivos electrónicos hay roturas y
se piensa que hay tres factores (temperaturas de la etapa
de procesamiento) responsables del problema.

Para determinar si estos factores son significativos y

posteriormente encontrar una combinación de niveles
donde la cantidad de piezas rotas sea mínima, se decide
correr un diseño factorial 23 con dos réplicas, trabajando
con una respuesta que es la proporción de piezas rotas.
Diseño factorial 23
T1: Temperatura de grabado (-3 a -1 ºC)
T2: Temperatura de piraña (60 a 98 ºC)
T3: Temperatura de agua (20 a 78 ºC)

+1

Factor 2

-1

-1 Factor 1 +1
 Forma de operar:
1- Hacer un ANOVA con todos los efectos.

2- Hacer un ANOVA que sólo incluya los

términos significativos, mandando al error
los efectos que claramente no son
significativos.

3- Revalorar los términos que estaban en

situación dudosa

57
 A continuación se proveerá
información sobre los modelos
matemáticos y el ajuste, que
servirá tanto para esta etapa de
selección de factores, como para
la etapa posterior de
optimización con la RSM

58
 Construcción del Modelo
REGRESIÓN LINEAL MULTIPLE
Ecuación de regresión

error

1
Respuesta i  Efectoi
(variable dependiente) 2
coeficientes de regresión
factores
(variables independientes)

MÉTODO DE LOS CUADRADOS MÍNIMOS

 Construcción del Modelo
Coeficientes del • Importancia del efecto
modelo
• Cantidad de factores que intervienen
en el comportamiento de la respuesta

Complejidad del • Tipo de relación que existe entre la

modelo respuesta y esos factores

• Uso que se le va a dar al modelo

Polinomios más Polinomios más

simples complejos
Construcción del Modelo
¿Para que construimos modelos?

Polinomios simples
• Seleccionar factores significativos

• Evaluar interacciones entre los factores Modelos Lineales

• Explorar el comportamiento de la
Modelos con
respuesta en un entorno experimental Interacciones
acotado
Modelos Cuadráticos
• Describir lo más exactamente posible el
comportamiento de la respuesta
Modelos Cúbicos
• Encontrar un óptimo para la respuesta

Polinomios complejos
 CONSTRUCCIÓN DE UN MODELO
Construcción del Modelo
¿Cómo obtenemos el mejor modelo a partir de los datos experimentales
recolectados con un diseño de experimentos?
1- Ajustar los distintos tipos de modelos posibles a los datos
 Lineal
 Lineal con Interacción
 Cuadrático

2- Para cada uno de los modelos calcular la significancia de la regresión

(idoneidad del modelo), la falta de ajuste y el coeficiente de
determinación (R2 aj )
CMR
Significancia de la Regresión F0   F0.05,k,nk 1
mayor
CME
CMLOF menor
Falta de Ajuste F0   F0.05,m2,nm
CMEPuro
3- Seleccionar el modelo con mayor idoneidad, menos falta de ajuste y mayor
(R2 aj )
ANOVA
 Test de hipótesis para comparar
varianzas: prueba F

Hipótesis: Nula (H0): s12 = s22

Alternativa (H1): s12 > s22
Test estadístico F:
 Comparación de dos varianzas muestrales
Se calcula el estadístico F

2
s1
Fc  2
s2 Siendo s1 > s2

F( n1 1),( n2 1),

Si F calculado es menor al F tabulado, las series son

homogéneas u homocedásticas
Si F calculado es mayor al F tabulado, las series son
heterogéneas o heterocedásticas
Si la probabilidad correspondiente a ese F calculado es
menor a 0.05, las series son heterogéneas o heterocedásticas
FBCB UNL Distribución F

3.072
 Cuando hay muchos términos en el modelo, se
prefiere R2aj sobre R2 (para no incrementar en
forma artificial con cada término que se agrega).
R2aj baja con cada término artificial que se agrega.

Se cumple: 0≤ R2aj ≤ R2 ≤ 1

Se espera que sea al menos igual a 0.7

 Calidad del ajuste

Verificación de los
supuestos del ANOVA

Conclusiones
69
Verificación de los
supuestos del
ANOVA

Evaluación de
modelos

70
71
 Evaluación de los Modelos

 ¿Se cumplen los supuestos en los que se basa la

regresión por cuadrados mínimos?

 ¿Cuáles son los supuestos?

Normalidad Homocedasticidad Independencia

 ¿Provee una aproximación adecuada a la función

real?
 Si el modelo no es adecuado y no está correctamente ajustado:
- La selección de factores no será confiable.
- La exploración y optimización del sistema no será adecuada.
73
Análisis de Residuos

RESIDUO

eij  yij  yˆ ij

Diferencia entre
la respuesta
observada y la
predicha por el
modelo
 Normalidad de los residuos
Gráfico de probabilidad normal

Si los residuos se acomodan

aproximadamente a lo largo
de una recta, se considera que
el supuesto de normalidad
está satisfecho.
 Homocedasticidad de los residuos

Gráfico de residuos vs. valor predicho

Si los residuos se
distribuyen
aleatoriamente, se
Residuo

considera que el
supuesto de
homocedasticidad está
satisfecho.

Valor predicho
 Independencia de los residuos

Gráfico de residuos vs. orden del experimento

Si los residuos se
distribuyen
Residuo

aleatoriamente, se
considera que el
supuesto de
independencia está
satisfecho.
 Escalado de residuos

Residuo estandarizado

eij
d ij 
σˆ
σˆ  MC E

Útil para detectar atípicos (outlier):

residuo estandarizado mucho más
grande que los demás
 Escalado de residuos

Residuo estudentizado

Medida de la
localización del
eij
rij  punto en el espacio
experimental
σˆ (1  hij )
0  hij  1

Más confiable para

detectar atípicos
 Escalado de residuos
Gráficas de residuo estudentizados

Residuo estudentizado Residuo estudentizado

Un desvío del comportamiento

normal debe estar sustentado
por más de un residuo
 Escalado de residuos
Gráficas de residuos escalados

escalados
L
Reiduo Estudentizado
 Posibles causas de puntos atípicos

 Errores experimentales.
 Errores de transcripción.
 Ubicación en una región del espacio experimental
en la que el modelo, que aparentemente estaba bien
ajustado, no esta haciendo una buena predicción de la
respuesta.
 Escalado
Escaladodede
residuos
residuos
Gráficas de residuos estudentizados – Aplicación de pruebas
GRAFICAS DE estadísticas
RESIDUO ESTUDENTIZADOS
 Capacidad predictiva del modelo
Aproximación a la función real
Gráfica que muestra la bondad de ajuste: cuanto más se
aproximen los datos a la diagonal, mejor es el modelo

Se pueden detectar datos

que no son bien predichos
por el modelo
 Incumplimiento de los supuestos
Cuando los residuos provienen de una muestra
pequeña, pueden esperarse pequeños desvíos de la
normalidad y la homocedasticidad.

¿Qué hacemos si no podemos ajustar adecuadamente un

modelo a los datos experimentales?
¿Qué pasa si los residuos son marcadamente?

No normales
Heterocedásticos

Correlaciondados

Transformar la respuesta
 Transformación de la respuesta

 Estabilizar la varianza de la respuesta.

 Lograr que la distribución de la respuesta sea

cercana a la normal.

 Mejorar el ajuste del modelo a los datos.

 Transformación de la respuesta
Se aplica una función matemática a la respuesta para obtener
una respuesta transformada


y´ y
Parámetro de
transformación

 La transformación elegida se basa en el método de la máxima

probabilidad.

 Se realizan análisis de varianza para los modelos obtenidos al

utilizar diversos valores para lambda y se selecciona el que
produce menor suma de cuadrados del error.
 Transformación de la respuesta

yk 0

Si la respuesta tiene valores negativos debe sumarse una constante

para lograr que todos los datos sean positivos antes de aplicar la
transformación.

 Valores de - 3 a +3

En general se prueban entre 10 y 20 valores de λ

y se construye una gráfica.
Transformación de la respuesta

Si el intervalo calculado
incluye al 1
no es necesario
transformar los datos.
Transformaciones más frecuentes
 Transformación de la respuesta
Primer ajuste de un modelo para estudiar el comportamiento de una
respuesta en función de tres factores
 Transformación de la respuesta

El análisis de gráficas de residuos demuestra heterocedasticidad

Transformación de la respuesta

Mala predicción.
El modelo no es capaz de predecir bien los datos
No hay un buen ajuste.
Transformación de la respuesta

El intervalo de confianza
no incluye al uno
Se sugiere transformación logarítmica
(esto lo determina el programa usado)
 Transformación de la respuesta
Ajuste con los datos transformados y´ ln y

¡Se logra ajustar adecuadamente un modelo mas sencillo!

 Puntos atípicos e influyentes

Residuo estudentizado Residuo estudentizado

internamente externamente

eij eij
rij  tij 
σˆ (1  hij ) σˆ (ij ) (1  hij )

Estimada
Estimada como
internamente como
CME al ajustar el modelo
CME obtenido al ajustar
cuando se quita el dato yij
el modelo con TODOS
los datos
 Puntos atípicos e influyentes
Residuo estudentizado externamente OUTLIERT

Medida en términos de ‘t’ de cuanto se desvía el valor experimental

del valor predicho, después de eliminar un experimento dado.

error que habría en la estimación del

punto 8 si elimino este punto del
análisis

Si el residuo estudentizado externamente supera el límite dado

por las líneas rojas se considera un punto atípico.
 Puntos influyentes
Puntos que tienen una influencia desproporcionada en el
modelo.
Suele suceder en estos casos que los parámetro del modelo dependen más de la
influencia de este punto que del conjunto formado por el resto de los puntos.

LEVERAGE

hii yˆ  Hy
Elemento de la diagonal
Matriz que determina la varianza y
de la matriz H
covarianza de la respuesta predicha
y de los residuos

Leverage
promedio
 Puntos influyentes
LEVERAGE

Depende de la matriz
experimental y del modelo que se
quiere ajustar.

Es decir que se puede conocer

antes de realizar los
experimentos.
Puntos influyentes
Puntos Influyentes

Este parámetro se calcula

para cada coeficiente del
modelo.
 Puntos Influyentes

Valores altos están asociados con alto leverage y alto

residuo estudentizado.
Gráfica Evaluación Respuesta Respuesta Acción
esperada No esperada
Probabilidad Distribución normal de res. Línea recta Curva forma de Transformación de
Normal «S» respuesta
Residuos vs. Constancia de varianza Dispersión al Varianza Transformación de
Predicho azar expandida respuesta
Residuos vs. Outliers Dispersión al Tendencia Ramdomización y
Orden azar blockeo
Residuos vs. Constancia de varianza Dispersión al Curvatura Nuevo modelo de
Factor dependiendo nivel del azar pronunciada regresión
factor
Residuo Outliers ≤ 3.5 estándar Rechazar
Estudentizado desviación
Externamente
Leverage Influencia del punto ≤1 Agregar puntos
experimental en el error de
predicción
DFFITS Influencia del punto < 2/√P/N Agregar puntos
experimental en predicción P: parámetros
N: núm. Exp.
DFBETAS Influencia de punto < 2/√N Agregar puntos
experimental en coeficiente
Distancia de Outliers < 2 promedio Rechazar
Cook Cook
 ModeloFINAL
AJUSTE Definitivo
DEL MODELO

Modelo Reducido y Jerárquico

Significancia de la Regresión
Ajustar el Modelo
Falta de Ajuste

Eliminar puntos con residuos

Verificación de los
atípicos
Supuestos del ANOVA
Aplicar transformaciones

Puntos Influyentes Eliminar puntos influyentes

Modelo Definitivo
 ¡Importante!

El análisis de los residuos (para ver

supuestos del modelo) se realiza en
forma iterativa con el análisis de
los efectos (tanto para esta etapa
como para la siguiente
(optimización)

105
 Evaluación de los efectos
 Efectos que claramente afectan la respuesta
EFECTOS  Efectos que claramente no afectan la respuesta

 Efectos intermedios (dudosos)

¿Cómo decidir cuáles efectos mandar al error?

Opciones gráficas
Se decide cuáles de los efectos principales, interacciones
dobles y triples se pueden enviar al error. La SCerror
contendrá los efectos “excluidos”.

Gráfica de Pareto
Gráfica de Probabilidad Normal (Daniel)
Gráfica de Probabilidad Media Normal (Daniel)

Opciones gráficas, más ANOVA

 Estimación de efectos: construcción de un
modelo matemático que explique la variación
Opciones gráficas

108
 Opciones gráficas

Diagrama de Pareto

Gráfico que permite discriminar entre las causas

más importantes de un problema y las que afectan
menos

Se basa en la idea de que unos pocos factores son

los responsables de los cambios significativos en
la respuesta.
Opciones gráficas - Pareto
Pareto permite tener una idea visual
rápida sobre que factor es más
influyente.

No aporta información sobre su

significancia, es decir que hay que
hacer un test estadístico.
 Opciones gráficas
Diagrama de Pareto – Método de Bonferroni
t
Representación gráfica de los valores de los efectos
 Opciones gráficas
Diagrama de Pareto – Método de Bonferroni
t
Representación gráfica de los valores de los efectos
 Modelo
Respuesta = media general + efectos principales de los
factores + efectos de interacción + error

Naranja: positivos
Azules: negativos
 Opciones gráficas

GRÁFICA
DE
DANIEL

Los efectos de los factores que se alejan de la línea recta,

no forman parte de una distribución normal, por lo tanto
son significativos.
Importante: es una interpretación contraria a la que se hace
para residuos.
 Opciones gráficas
GRÁFICO DE EFECTOS EN PAPEL PROBABILÍSTICO NORMAL

GRÁFICA DE
DANIEL
Opciones gráficas
Test de Shapiro Wilk
 Opciones gráficas
Gráfico Semi-Normal

Papel 99
probabílístico

% Probabilidad semi-normal
medio normal 97

95
A
90

85
80
B

70
60 Efectos significativos
D
40

20

0 C
|Efecto|

0.00 10.24 20.48 30.71 40.95

Solo utiliza la parte positiva de la distribución

normal estándar
Opciones gráficas
ANOVA
ANOVA
 ANOVA
RESUMEN DEL ANÁLISIS Coeficientes de
determinación
123
 Problema
(D. Montgomery, ‘Diseño y análisis de experimentos’, 1991)
Se utiliza una máquina para alisar la superficie de trabajo de
una hélice. Se quiere saber que parámetros influyen en la
desviación del perfil
Parámetros (-1y +1):
A: Desplazamiento en eje x (0.001 plg) 0 15
B: Desplazamiento en eje y (0.001 plg) 0 15
C: Desplazamiento en eje z (0.001 plg) 0 15
D: Fabricante de la herramienta 1 2
E: Desplazamiento en eje a (0.001 º) 0 30
F: Velocidad del uso (%) 90 110
G: Altura del montaje (0.001 plg) 0 15
H: Rapidez de alimentación 90 110

- Se usa como variable respuesta la desviación estándar de la diferencia

entre perfil real y especificado.
- Como la máquina tiene 4 husos, se eligen 4 bloques.
- Se quieren estudiar factores principales e interacciones.
127
Confusiones

Se debe
analizar si
la
interacción
AD es
factible o
si es
alguno de
los alias

128
 Problema

En una fábrica de semiconductores se quiere mejorar el

rendimiento usando DOE. Los factores que podrían tener
mayor influencia sobre la variable respuesta (rendimiento)
son cinco y se decide correr un diseño 25 con una sola
réplica (32 tratamientos)

A = Nivel de la abertura (pequeña – grande)

B = Tiempo de exposición (20% abajo – 20% arriba)
C = Tiempo de revelado (30 seg – 45 seg)
D = Dimensión de la máscara (pequeña – grande)
E = Tiempo de grabado (14.5 min – 15.5 min)
 ¿Es posible incluir los 31 efectos en el análisis?

NO, el ANOVA quedaría incompleto ya que no habría

grados de libertad para el error.

Se hace un ANOVA preliminar, donde se mandan al

error las interacciones de tres factores en adelante:
(Yates).

131
132
133
Eliminando aquellos factores e interacciones con p>0.05:
135
136
Detección de un punto influyente…

Verificación de los supuestos del ANOVA 137

 El supuesto de
normalidad se cumple
 El supuesto de
independencia
se cumple

La situación con los efectos es tan

contundente que aún una violación
clara de los supuestos difícilmente
cambiaria las conclusiones

139
 ETAPA-SCREENING Resumen

OPCIONES GRÁFICAS ANOVA PRELIMINAR

ANOVA
Es el mejor ANOVA-modelo final donde sólo se incluyen términos
significativos, o ¿hay que seguir excluyendo efectos?

 Los grados de libertad del error deben ser al menos 8 para tener un ANOVA
confiable.
 Indicadores del ajuste (R cuadrado ajustado).

Verificación de los supuestos del modelo que corresponde al mejor

ANOVA

Conclusiones
Para que es necesario conocer el modelo de regresión?
 Puntos al centro
Tratamiento formado por la combinación del nivel
intermedio o medio de todos los factores del diseño
 Puntos al centro

 Grados de libertad adicionales para el error en la tabla de

ANOVA
 Las repeticiones al centro permiten detectar la posible
presencia de curvatura
¿Como evaluar la curvatura?

144
145