Diseño de Experimentos

Universidad Politécnica del Valle de México
“CONTROL ESTADÍSTICO DE
PROCESOS”
Carrera: Ingeniería en Nanotecnología
Asignatura: Diseño de Experimentos
Grupo: 860351
Diseño de Experimentos
Introducción
El diseño de experimentos es esencialmente una estrategia para la planificación de
experimentos de manera tal que las conclusiones relevantes sean alcanzadas en forma
eficiente y económica. La selección del plan experimental específico es dependiente del tipo
de preguntas a ser respondidas, el grado de generalidad a vincularse a las conclusiones y
los recursos disponibles (material experimental, personal, tiempo).
Un experimento diseñado y ejecutado apropiadamente permite en forma simple un análisis
estadístico y la interpretación de los resultados.
En los últimos años, la aplicación del diseño experimental ha florecido notablemente debido
al reconocimiento que los experimentos diseñados son esenciales para la mejora de la
calidad de productos y servicios. Además, el gerenciamiento del control estadístico de
calidad resuelve la inspección y otras herramientas de calidad que también sirven para esta
función, el diseño de experimentos representa la metodología de la elección de marcos
complejos, variables e interacciones. Históricamente, el diseño de experimentos ha
evolucionado y prosperado en las áreas agrícolas. La medicina también ha disfrutado una
larga historia de diseños experimentales cuidadosos. Rutinariamente, los procesos
industriales son testigos de los beneficios considerables de esta metodología – debido a la
facilidad para iniciar esfuerzos (paquetes informáticos amigables para el usuario), mejoras
en el entrenamiento, apoyan las influencias y sucesos acumulativos del diseño de
experimentos.
Los experimentos factoriales proporcionan una metodología para estudiar las
interrelaciones entre los factores múltiples de interés para el experimentador. Este tipo de
experimentos son mucho más eficientes y efectivos que los experimentos intuitivos “un –
factor – cada – vez”. Los experimentos factoriales están bien ajustados para la determinar
que un factor procede en forma diferente (reflejado en la respuesta experimental) a niveles
diferentes de los otros factores. Frecuentemente, el “avance sensacional” en calidad
comienza a partir del sinergismo revelado en un estudio de “interacciones”. Si el número
de factores bajo consideración es grande, entonces los experimentos factoriales van a
exceder los recursos. Sin embargo, los diseños factorial fraccionarios ofrecen un
compromiso posible. Actualmente, si el objetivo inicial es identificar factores afianzados
durante la investigación, entonces se deben usar los diseños de barrido.
En la planificación de un experimento, es necesario limitar los desvíos introducidos por las
condiciones experimentales o a la asignación de tratamientos a las unidades
experimentales. Tópicos como la “aleatorización” y “bloqueado” cumplen con minimizar los
efectos molestos o elementos extraños. Las estrategias específicas de bloqueo incluyen los
diseños de bloques aleatorizados. Los diseños de cuadrados latinos y sus variantes y los
diseños de bloques incompletos.
Mirando el diseño de experimentos como un proceso evolutivo teniendo como objetivo la
mejora continua, los diseños de superficie de respuesta juegan un rol fundamental.
Considerando niveles múltiples de los factores claves, los métodos de superficie de
respuesta acomodan los efectos curvilíneos en la vecindad de los puntos óptimos.
Los diseños mezclas manejan situaciones en los cuales los factores constituyen las
proporciones de un total, tales como ingredientes en una aleación. Los ensayos anidados
son usados en los ensayos interlaboratorios.
Los métodos de análisis de los datos recogidos son considerados si el experimento se realiza
de acuerdo con lo planificado. Los métodos gráficos pueden ser particularmente efectivos
en revelar las conclusiones totales. La estimación de los parámetros de un modelo se realiza
usando el análisis de regresión. Los métodos usados en el análisis de regresión ayudan con
las dificultades que se presentan cuando hay datos perdidos, identificación de datos fuera
de límites (outliers) y otros problemas.
Un buen diseño experimental debe:
a. incorporar el conocimiento y la experiencia previa en la selección de los factores,
sus niveles, y en describir las suposiciones;
b. pulir la información relevante demandando el menor esfuerzo;
c. asegurar, antes de comenzar el experimento, que el diseño es capaz de alcanzar el
objetivo del experimento con la precisión deseada;
d. especificar el arreglo y la secuencia del experimento experimental para eliminar
malentendidos cuando el experimento está en progreso.
Conceptos Básicos
• ¿Que involucra la experimentación?

El experimento involucra cambiar cosas que se cree van a tener efectos sobre el desempeño
del proceso, producto o servicio. Por cambiar un grupo de condiciones, para estimar un
patrón predeterminado respecto del efecto actual.
En un experimento:
a. las cosas que se cambian se llaman factores;
b. las condiciones en las cuales se cambian los factores son conocidas como niveles;
c. el valor del desempeño de la característica de salida se llama la respuesta;
d. el cambio en la respuesta resultante de un cambio en el nivel de un factor es
identificado como un efecto.
• ¿Por qué un experimento?
La experimentación tiene muchos usos prácticos. Permite determinar la dependencia de los
estándares del desempeño, aceptabilidad y producción de productos y servicios, procesos,
materiales y mezclas están influenciados por:
a. rasgos de los productos y servicios (ej.: tolerancias, valores nominales, etc.);
b. parámetros de los procesos (ej.: temperatura y presión);
c. propiedades de los materiales (ej.: dureza, maleabilidad);
d. formulaciones de mezclas (ej.: aleaciones, combustibles, concreto, etc).
Hace tiempo que la experimentación juega un rol mayor en la solución de un problema, es
necesario cambiar progresivamente el énfasis a esta integración en las actividades
principales del diseño y desarrollo. Genichi Taguchi propuso una aproximación de dos pasos
la cual usa la experimentación para “sintonizar” un diseño a un prototipo básico, en el cuál
aparecen los términos “parámetros” de diseño y “tolerancia” de diseño.
Los parámetros de diseño conciernen a la identificación y explotación de tres tipos de
factores del diseño:
− factores de control: estos afectan la variación de la respuesta;

− factores de señal: estos afectan el nivel de la respuesta;
− factores nulos: estos no afectan materialmente la variación o nivel de la respuesta
Primero, deben identificarse y ajustarse los factores de control para alcanzar la “robustez”
del diseño. Un diseño robusto es uno que sea insensible a los llamados, factores de ruido
los cuales son imposibles, inconvenientes e impracticables de controlar.
Ejemplos de factores de ruido son: medio ambiente, temperatura ambiente, humedad,
vibración, provisión de energía y polvo, deterioro, desgaste, deriva y fatiga, imperfecciones
en la fabricación, entrega o uso, alejamientos de la normal.
Segundo, se ajustan los factores de señal para lograr la respuesta para el objetivo.
Tercero, se ajustan los efectos nulos al nivel más económico.
El efecto total en identificar y fijar los valores nominales para los factores del diseño en esta
forma nos permite alcanzar el óptimo.
La tolerancia de diseño concierne en especificar las tolerancias y controles más liberales
para cumplir con un desempeño dado. Esto se alcanza por la experimentación para tratar
de aventajar cualquier relación no lineal entre los factores y las respuestas.
• ¿Cómo se aplica la estadística?
Los diseños para la experimentación estadística emanan de los trabajos de R.A. Fisher en
Inglaterra en los años 20. previo a esto se lo juzgó científicamente para conducir a un
experimento multifactorial variando el nivel de un factor por vez, manteniendo constante
los niveles de los otros factores. Fisher introdujo el concepto de diseño experimental en el
cual todos los factores se varían simultáneamente. Las principales motivaciones para usar
los experimentos diseñados estadísticamente incluyen:
a. incremento en la información para un número dado de corridas experimentales,
incluyendo la separación de los efectos principales, interacciones y el “ruido”
experimental;
b. ahorros potenciales de costo y tiempo a través de la reducción en el número de
corridas experimentales requeridas para una efectividad dada y la capacidad para
planificar y ejecutar más eficientemente los ensayos;
c. habilidad para predecir las combinaciones óptimas de los niveles factor siempre y
cuando ellas no formen parte del plan experimental actual;
d. capacidad para adoptar una secuencia más que una aproximación de “untiro”;
e. análisis e interpretación de los resultados relativamente fácil.
• ¿Qué tipo de diseños experimentales hay, que uno conoce y están disponibles para
ser usados?
a. Experimentos Factoriales Completos

Los experimentos con factoriales completos en la forma de arreglos ortogonales
(balanceados) están bien ajustados para determinar la extensión para la cual el efecto
sobre la respuesta de un cambio en el nivel de un factor difiere a niveles diferentes para
los otros factores.
Sin embargo, cuando el número de factores y/o sus niveles permiten un tamaño grande,
tiene una gran probabilidad un experimento factorial completo. Por ejemplo, para
ensayar todas las combinaciones de 6 factores cada uno a 4 niveles, requiere un mínimo
de 46 = 4096 corridas experimentales. Pueden requerirse corridas experimentales
adicionales para investigar la variación en la respuesta para cada combinación y para
estimar el ruido experimental. En estos casos un evento de los diseños factoriales
fraccionarios proporcionan una solución económica que es técnicamente adecuada en
situaciones con un alto grado de interacciones y cuando la no linealidad tiene que ser
ignorada en forma segura.
b. Experimentos Factoriales Fraccionarios
Los diseños factoriales fraccionarios son el resultado de los trabajos de Tippet, Finney y
Rao en los años 1930 y 1940. Más recientemente fueron popularizados por Taguchi. Hay
disponibles un número importante de arreglos ortogonales simples, con muchas
instrucciones publicadas para la selección, aplicación y análisis. La versatilidad del más
popular y básico de los arreglos ortogonales se muestran en la Tabla 1. Se muestran las
consideraciones técnicas que algunas interacciones no son consideradas aptas para ser
importantes, también permiten hacer un considerable esfuerzo para la economía en los
experimentos. Como mínimo se requiere un diseño de tres niveles para investigar la no
linealidad.
El diseño L8 de la Tabla 1 es un arreglo ortogonal estándar (balanceado) con siete
columnas y ocho filas. Los Factores A, B y C, etc., se asignan a las columnas Los niveles
de los factores se indican con 1 o 2. En algunos textos, agregan los signos menos y más.
Cada fila indica una combinación de factores de niveles realizar el experimento. El
diseño es tal que pueden hacerse cuatro estimaciones independientes del efecto de
cada factor sobre la respuesta, a cada nivel bajo condiciones operativas diferentes de
los otros factores. Estos cuatro factores pueden ser promediados para cada nivel del
factor.
Tabla 1. Diseños alternativos usados con el arreglo L8 a dos niveles de “Taguchi”
Para usar estos diseños factoriales, es necesario considerar las siguientes cuestiones:
• La necesidad estadística de la aleatorización de la secuencia de corridas para

protegerla contra los desvíos debidos a factores no incluidos en el experimento. Por
ejemplo, sin aleatorización, la situación de las dos primeras corridas para el L8 fue
ejecutada el Sábado a la mañana, las próximas dos el Sábado a la tarde con las cuatro
corridas hechas en forma similar el domingo. Si no es posible separar el efecto día a
día presente en la columna 1 del efecto del factor A, los estadísticos dicen que los
efectos están confundidos. No es posible separar el efecto de la mañana a la tarde
en la columna 2 del efecto del factor B. Operacionalmente interesa que se mantenga
el orden dado en la Tabla 1, si algún nivel del factor es más difícil de cambiar que
otro. El factor más difícil de cambiar se pone en la columna 1, la que tiene el número
mínimo de cambios y el factor más fácil de cambiar se pone en la columna 4, el que
tiene el número máximo de cambios. Aquí el orden actual debe estar basado en un
trato entre consideraciones estadísticas y operacionales.
• replicación/repetición del experimento para cada combinación especificada de los
niveles de los factores. Esto es deseable por dos razones principales: una, para
estimar el valor de cualquier error o ruido; dos, para proporcionar una medida de la
variación de la respuesta en cada combinación. Lo último se requiere si el
experimento apunta a optimizar la respuesta con variación mínima.
• experimentación secuencial, es el opuesto a los experimentos de “untiro”. Esto es
posible con el diseño L8. Esta flexibilidad facilita la construcción del conocimiento a
medida que aumenta la experiencia del experimentador para cumplir los objetivos
del experimento con un mínimo de esfuerzo y costo. Por instancia, si el diseño L8 no
rinde la información requerida, agregando cuatro o siete factores, se puede
extender a un diseño L16 que tiene 15 factores columnas y 16 corridas.
c. Experimentos Factoriales Fraccionarios

Otro diseño experimental es el diseño experimental es el diseño anidado o jerárquico.
En este diseño cada nivel de un factor dado aparece solo en un nivel único de cualquier
otro factor. En la figura siguiente se muestra un ejemplo:
Figura 1. Un diseño anidado a dos factores es la base de una carta Xbarra-Rango (ilustrada con un
tamaño de subgrupo de 3)
d. Diseños compuestos de respuestas de superficie
Otra clase importante de experimentos es el diseño compuesto. Estos se usan en el
desarrollo de respuestas de superficie para encontrar la combinaciones óptimas de los
factores de nivel en presencia de interacciones y no linealidad y cuando solo se consideran
la no linealidad de primer orden y dos interacciones. Uno de estos diseños consiste en tres
tipos de puntos: puntos factoriales 2k, puntos axiales 2k y n puntos centrales, siendo k el
número de factores de ensayos requeridos para un diseño central completo es:
2𝑘 + 2𝑘 + 𝑛
Un diseño central compuesto completo para tres factores, cada uno a tres niveles, se
muestra gráficamente en la Figura 2. Los puntos axiales se igualan a la variación de un factor
solamente manteniendo los otros factores constantes en los niveles nominales. Los puntos
factoriales permiten estimar las interacciones de los dos factores. Simultáneamente los
puntos centrales y axiales permiten evaluar los términos lineal y cuadráticos (curvatura).
Aunque, hay variaciones en el diseño central compuesto, estas variaciones proporcionan
económicamente una cobertura bastante buena del espacio del diseño.
Figura 2. Diseño compuesto central para 3 factores, cada uno a 3 niveles: -1, 0, +1.
e. Diseños Mezcla
Un diseño mezcla es una clase especial de experimento en el cual la respuesta depende
solamente de las proporciones relativas de los factores (ingredientes) y no de sus
cantidades absolutas. Se aplican a productos que comprenden una mezcla de dos o más
ingredientes para optimizar el desempeño de varias combinaciones y mezclas. Este
diseño de experimentos está en la forma Simplex. Para dos componentes, el espacio de
la mezcla da una línea recta, para una mezcla de tres componentes, el espacio mezcla
es un triángulo equilátero, y para una mezcla de cuatro componentes es un tetraedro.
Para las Figuras 2 y 3, los niveles de los factores para el diseño mezcla están expresados
en formato estándar.
Figura 3. Ilustración de la diferencia fundamental en diseños para dos factores independientes

comparado con una mezcla de dos - componentes.
Hay disponibles varios diseños mezcla. Un tratamiento comprensivo de los diseños mezcla
se debe a Cornell. Un diseño típico para una mezcla de 3 componentes, el centroide simplex
aumentado se muestra gráficamente en la Figura 4. El diseño centroide simplex aumentado
es un diseño mezcla popular con 6 puntos espaciados en el perímetro, un adicional de 3
puntos axiales localizados en el interior a medio camino entre el centroide y los vértices y 1
punto en el centroide.
Figura 4. Diseño simplex con diez puntos aumentados para tres – componentes

Diseño de Experimentos

Cargado por

Copyright:

Formatos disponibles

Diseño de Experimentos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseño de Experimentos

Cargado por

Copyright:

Formatos disponibles

Universidad Politécnica del Valle de México

Carrera: Ingeniería en Nanotecnología

Asignatura: Diseño de Experimentos

• ¿Que involucra la experimentación?

− factores de control: estos afectan la variación de la respuesta;

a. Experimentos Factoriales Completos

• La necesidad estadística de la aleatorización de la secuencia de corridas para

c. Experimentos Factoriales Fraccionarios

Figura 3. Ilustración de la diferencia fundamental en diseños para dos factores independientes

También podría gustarte