Diseos factoriales a dos niveles.

Diseos factoriales a dos niveles.

Teresa Villagarca
Si queremos estudiar muchos factores
Si queremos estudiar muchos factores
Hay que cruzar todos los factores a todos los
niveles.
Son muchas observaciones
Es muy caro.
Veamos un ejemplo.
4 FACTORES
4 FACTORES
Factor A 3 niveles
Factor B 5 niveles
Factor C 2 niveles
Factor D 4 niveles
Hay que tomar: 3x5x2x4=120 Observaciones
Cmo reducir el nmero de
observaciones?
Cmo reducir el nmero de observaciones?
Cmo reducir el nmero de observaciones?
Reducir el nmero de factores (?????)
Reducir el nmero de niveles
Solucin barata:
Diseos a dos niveles.
Diseos a dos niveles 2
K
Diseos a dos niveles 2
K
Estudiamos un nmero k de factores (Por
ejemplo 4)
Los factores se toman a dos niveles.
Nmero de observaciones=2x2x2x2=16= 2
4
Reducimos mucho el nmero de observaciones
Coste de reducir el nmero de
observaciones
Coste de reducir el nmero de
observaciones
Coste de reducir el nmero de
observaciones
Coste de reducir el nmero de
observaciones
Presin
Temperatura
Las lneas de nivel muestran el
rendimiento del proceso
Po P1
T1
To
Tomamos cuatro observaciones
A dos niveles
Coste de reducir el nmero de
observaciones
Coste de reducir el nmero de
observaciones
Presin
Temperatura
Lnea de mejora en verde
Po P1
T1
To
Pasaremos a producir a
P1 y T1 que consiguen un mayor
rendimiento
Coste de reducir el nmero de
observaciones
Coste de reducir el nmero de
observaciones
Presin
Temperatura
Lnea de mejora en verde
Po P1
T1
To
Pasaremos a producir a
P1 y T1 que consiguen un mayor
rendimiento
Tomaremos otras
Tres observaciones
Coste de reducir el nmero de
observaciones
Coste de reducir el nmero de
observaciones
Presin
Temperatura
Lnea de mejora en verde
Po P1
T1
To
Tomaremos otras
Tres observaciones
Y se contina mientras se obtengan mejoras
Coste de reducir el nmero de
observaciones. La alternativa:
Coste de reducir el nmero de
observaciones. La alternativa:
Coste de reducir el nmero de
observaciones. La alternativa:
Coste de reducir el nmero de
observaciones. La alternativa:
Presin
Temperatura
Po P1 P2 P3 P4 P5
T1
To
T3
T2
Muchas observaciones. De ellas la mayora en
zonas poco tiles
Estudiaremos por tanto diseos a dos niveles y los aplicaremos
secuencialmente
Estudiaremos por tanto diseos a dos niveles y los aplicaremos
secuencialmente
Los factores se definen a dos niveles (-) y (+)
Ejemplo: Redimiendo proceso qumico
Factor 1: Temperatura 40C (-)
60C (+)
Factor 2: Presin 1 Atm(-)
2 Atm(+)
Factor 3: Catalizador Si (+)
No (-)
Factor 4: Concentracin 40% (-)
60% (+)
2
4
observaciones
Diseo 2
2
: Cuatro observaciones y dos factores
Diseo 2
2
: Cuatro observaciones y dos factores
Diseo 2
2
: Cuatro observaciones y dos factores
Diseo 2
2
: Cuatro observaciones y dos factores
Presin
A
Temperatura
B
Po P1
(-) (+)
T1
(+)
To
(-)
Diseo 2
2
: Cuatro observaciones y dos factores
Diseo 2
2
: Cuatro observaciones y dos factores
Presin
A
Temperatura
B
Po P1
(-) (+)
T1
(+)
To
(-)
Observaciones
y
22
ab + +
y
12
b + -
y
21
a - +
y
11
o - -
Y B A
Estimacin de los efectos
Estimacin de los efectos
( ) ( ) b o ab a A + + =
2
1
2
1

Efecto de A
Media de observaciones con A (+)
menos
Media de observaciones con A (-)
Efecto de B
( ) ( ) a o ab b B + + =
2
1
2
1

Media de observaciones con B (+)

menos
Media de observaciones con B (-)
Estimacin de los efectos
Estimacin de los efectos
( ) ( ) b o ab a A + + =
2
1
2
1

Efecto de A
Media de observaciones con A (+)
menos
Media de observaciones con A (-)
B
A
El efecto de A
mide
variaciones
en ese eje
Estimacin de los efectos
Estimacin de los efectos
( ) ( ) a o ab b B + + =
2
1
2
1

Efecto de B
Media de observaciones con B (+)
menos
Media de observaciones con B (-)
B
A
El efecto de B
mide
variaciones
en ese eje
Estimacin de los efectos
Estimacin de los efectos
B
A
A
B
Efecto de la
Interaccin
Entre A y B
Se llama efecto
AB
( ) ( ) b a ab o B A + + =
2
1
2
1

Algoritmo de signos
Algoritmo de signos
( ) ( ) ( ) ab b a b o ab a A + + = + + = 0
2
1
2
1
2
1

( ) ( ) ) (
2
1
2
1
2
1

ab b a o b a ab o B A + + = + + =
( ) ( ) ( ) ab b a a o ab b B + + = + + = 0
2
1
2
1
2
1

y
22
ab + + +
y
12
b - + -
y
21
a - - +
y
11
o + - -
Y AB B A
Diseo con tres factores 2
3
Diseo con tres factores 2
3
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
Anlisis del 2
3:
Estimacin de los efectos
Anlisis del 2
3:
Estimacin de los efectos
Observaciones
ab
c
+ + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
Media de las observaciones con (+)
menos media de las observaciones con (-)
abc) bc - ac - c ab - b a 1/4(-o C B

A
abc) bc ac - c - ab - b - a o 1/4( C B

abc) bc - ac c - ab - b a - o 1/4( C
abc) bc - ac - c ab b - a - o 1/4(
abc) bc ac c ab - b - a - 1/4(-o

abc) bc ac - c - ab b a - 1/4(-o

abc) bc - ac c - ab b - a 1/4(-o
+ + + + =
+ + + + =
+ + + + =
+ + + + =
+ + + + =
+ + + + =
+ + + + =
B
C
B
A
B C
Efecto de A: Media de las observaciones con A (+)
menos media de las observaciones con A(-)
A
B C
Efecto de A: Media de las observaciones con A (+)
menos media de las observaciones con A(-)
A (+)
A
B C
Efecto de A: Media de las observaciones con A (+)
menos media de las observaciones con A(-)
A (-)
A (+)
Efecto A=A(+)-A(-)
A
B C
Efecto de A: Media de las observaciones con A (+)
menos media de las observaciones con A(-)
Efecto A=
Rojas-Verdes
Ejemplo: Trabajo de una alumna
Ejemplo: Trabajo de una alumna
Tiempo de marchitacin de las flores:
Factor A Tipo de flor + Rosa
- Clavel
Factor B Agua + Permanente
- Cambiada cada da
Factor C Ubicacin + Exterior
- Interior
Los datos
Los datos
Observaciones
69 + + + + + + +
117 - + - - + + -
78 - - + - + - +
121 + - - + + - -
80 - - - + - + +
112 + - + - - + -
80 + + - - - - +
85 - + + + - - -
Y ABC BC AC AB C B A
Clavel, Agua cambiada
Interior
Anlisis de los datos
Anlisis de los datos
=1/4(-o+a-b+ab-c+ac-bc+abc) =1/4(-85+80-112+80-121-78-117+69)=-32
^B=1/4(-o-a+b+ab-c-ac+bc+abc)=3.5
^C=1/4(-o-a-b-ab+c+ac+bc+abc)=7
B=1/4(+o-a-b+ab+c-ac-bc+abc)=-8
C=1/4(+o-a+b-ab-c+ac-bc+abc)=13.5
^BC=1/4(+o+a-b-ab-c-ac+bc+abc)=-10
CB=1/4(-o+a+b-ab+c-ac-bc+abc)=5.5
Hemos estimado los efectos pero..
Hemos estimado los efectos pero..
Significatividad de los efectos
Significatividad de los efectos
Para saber si un efecto REALMENTE influye:
Normal plot o Half Normal plot
Mtodo de la MEDA
Normal o Half Normal plot
Normal o Half Normal plot
La interpretacin es la misma:
Si ninguno de los 7 efectos es significativo, los 7 valores estimados se distribuirn
como una normal centrada en cero
Si alguno es significativo, estar fuera de esa normal.
Nos basamos en que los efectos principales pueden ser significativos, las
interacciones de segundo orden es menos probable, pero pueden ser
significativas.
Las interacciones de tercer orden o superiores no suelen ser significativas
Mean,Std. dev.
0,1
Normal Distribution
x
d
e
n
s
i
t
y
-15 -13 -11 -9 -7 -5 -3 -1 1 3 5 7 9 11 13 15
0
0,1
0,2
0,3
0,4
Efectos no significativos
Efecto significativo
Normal o Half Normal plot
Normal o Half Normal plot
Los efectos que son cero (no significativos) deben salir alineados en
papel de ESCALA NORMAL.
Los efectos significativos salen fuera de la lnea.
Efectos no significativos
MUCHOS
Efecto significativo
POCOS
Half-Normal Plot for Var_1
Standardized effects
S
t
a
n
d
a
r
d

d
e
v
i
a
t
i
o
n
s
0 1 2 3 4 5 6
0
0,3
0,6
0,9
1,2
1,5
1,8
Normal Probability Plot for Var_1
Standardized effects
p
e
r
c
e
n
t
a
g
e
-5,9 -3,9 -1,9 0,1 2,1
0,1
1
5
20
50
80
95
99
99,9
Normal o Half Normal plot
Normal o Half Normal plot
Los efectos que son cero (no significativos) deben salir alineados en
papel de ESCALA NORMAL.
Los efectos significativos salen fuera de la lnea.
Efectos no significativos
Efecto significativo
Volvemos a las Rosas y los Claveles
Volvemos a las Rosas y los Claveles
Tiempo de marchitacin de las flores:
Factor A Tipo de flor + Rosa
- Clavel
Factor B Agua + Permanente
- Cambiada cada da
Factor C Ubicacin + Exterior
- Interior
Lo hago con Statgraphics
Lo hago con Statgraphics
Normal Probability Plot for Var_1
Standardized effects
p
e
r
c
e
n
t
a
g
e
-32 -22 -12 -2 8
0,1
1
5
20
50
80
95
99
99,9
Half-Normal Plot for Var_1
Standardized effects
S
t
a
n
d
a
r
d

d
e
v
i
a
t
i
o
n
s
0 10 20 30 40
0
0,4
0,8
1,2
1,6
2
Lo hago con Statgraphics
Lo hago con Statgraphics
Normal Probability Plot for Var_1
Standardized effects
p
e
r
c
e
n
t
a
g
e
-32 -22 -12 -2 8
0,1
1
5
20
50
80
95
99
99,9
Half-Normal Plot for Var_1
Standardized effects
S
t
a
n
d
a
r
d

d
e
v
i
a
t
i
o
n
s
0 10 20 30 40
0
0,4
0,8
1,2
1,6
2
EFECTO A EFECTO A
Conclusin:
Conclusin:
Slo influye el tipo de flor
El agua no influye
La ubicacin tampoco
Mtodo de la MEDA
Mtodo de la MEDA
Se calcula la mediana de las interacciones
Mediana(^AB ^AC ^BC y ^ABC)=M
MEDA=Mediana{|B-M|,|C-M|,|^BC-M|,|BC-M|}
675 . 0

Meda
s =

s Efecto

2
Significativo
Ejemplo. Supongamos que hemos
obtenido
Ejemplo. Supongamos que hemos
obtenido
B=-1 C=2 ^BC=0.5 BC=0
Mediana: -1, 0, 0.5, 2
La mediana es la media de los dos valores centrales: Mediana=0.25
Desviaciones a la mediana: |-1-0.25|,|0-0.25|,|0.5-0.25|,|2-0.25|
MEDA= Mediana( 0.25, 0.25, 1.25, 1.75 )=0.75
1 . 1
675 . 0
75 . 0
675 . 0

= =
Meda
s

2 . 2

2 =

s Efecto
Significativo
Ejemplo. Flores
Ejemplo. Flores
B=1/4(+o-a-b+ab+c-ac-bc+abc)=-8
C=1/4(+o-a+b-ab-c+ac-bc+abc)=13.5
^BC=1/4(+o+a-b-ab-c-ac+bc+abc)=-10
CB=1/4(-o+a+b-ab+c-ac-bc+abc)=5.5
Mediana: -10 -8 5.5 13.5
La mediana es la media de los dos valores centrales: Mediana=-1.25
Desviaciones a la mediana: |-10-(-1.25)|,|-8 -(-1.25) |,|5.5- (-1.25) |,|13.5 -(-1.25) |
MEDA=Mediana(6.75 4.25 8.75 12.25 )=5.5
15 . 8
675 . 0
5 . 5
675 . 0
= = =
Meda
s

30 . 16 2 =

s Efecto
Significativo: Slo flor
Valores previstos por el modelo
Valores previstos por el modelo
3 2 1 3 2 3 1 2 1 3 2 1
2

x x x
BC A
x x
C B
x x
C A
x x
B A
x
C
x
B
x
A
y y

+ =
=
+ =
=
A Si
A Si
x
1
1
1
=
+ =
=
B Si
B Si
x
1
1
2
=
+ =
=
C Si
C Si
x
1
1
3
Slo se ponen los efectos significativos
1 1
2
2 . 32
75 . 92
2

x x
A
y y

+ =

+ =
Duracin de la ROSA=92.75-16.1=76.65
Duracin del CLAVEL=92.75+16.1=108.85
Por tanto
Por tanto
Normal Plot (o Half Normal
Plot) o mtodo de la MEDA
indican que slo es
significativo el tipo de flor
=-32
Como A (+) es ROSA
A (-) es CLAVEL
El clavel dura ms que la rosa.
Duracin de la ROSA=92.75-16.1=76.65
Duracin del CLAVEL=92.75+16.1=108.85
Los pimientos de Padrn
Los pimientos de Padrn
..ounos pican e outros non
Trabajo de un alumno
Trabajo de un alumno
1. Define un escala de Picor:
0-No pica
1-Pica un poco
2-Pica bastante
3 Pica muchiiiiisimo
2. Define los factores:
A Tamao: Grande (+)
Pequeo (-)
B Forma: Gordo (+)
Delgado (-)
C Fritura: Muy frito (+)
Poco frito (-)
El experimento
El experimento
Prueba 6 pimientos de cada tipo y la variable respuesta es la media
Observaciones
0.66 + + + + + + +
0.33 - + - - + + -
1.85 - - + - + - +
0.5 + - - + + - -
1.6 - - - + - + +
0.5 + - + - - + -
2.6 + + - - - - +
1 - + + + - - -
Y ABC BC AC AB C B A
Estimacin
Estimacin
Pareto Chart for Var_1
Effect
0 0,2 0,4 0,6 0,8 1 1,2
BC
ABC
AC
AB
C:Factor_C
B:Factor_B
A:Factor_A
Estimated effects for Var_1
------------------------------------
average = 1,13
A:Factor_A = 1,095
B:Factor_B = -0,715
C:Factor_C = -0,59
AB = -0,38
AC = -0,255
BC = 0,035
ABC = -0,13
Main Effects Plot for Var_1
0,5
0,7
0,9
1,1
1,3
1,5
1,7
V
a
r
_
1
Factor_A
-1.0 1.0
Factor_B
-1.0 1.0
Factor_C
-1.0 1.0
Significatividad de los efectos
Significatividad de los efectos
Normal Probability Plot for Var_1
Standardized effects
p
e
r
c
e
n
t
a
g
e
-6 -3 0 3 6 9
0,1
1
5
20
50
80
95
99
99,9
Half-Normal Plot for Var_1
Standardized effects
S
t
a
n
d
a
r
d

d
e
v
i
a
t
i
o
n
s
0 2 4 6 8 10
0
0,3
0,6
0,9
1,2
1,5
1,8
Significativos
A y B
Son significativos A y B
Son significativos A y B
A Tamao: Grande (+)
Pequeo (-)
B Forma: Gordo (+)
Delgado (-)
A:Factor_A = 1,095
B:Factor_B = -0,715
3 2 1 3 2 3 1 2 1 3 2 1
2

x x x
BC A
x x
C B
x x
C A
x x
B A
x
C
x
B
x
A
y y

+ =
2 1
2
7 . 0
2
1 . 1
13 . 1 x x y

+ =
Y el mximo picor es para A(+) y B(-) GRANDE Y DELGADO
Diseos 2
4
y 2
k
Diseos 2
4
y 2
k
Diseo 2
4:
Estudia cuatro factores A, B, C y D
Utiliza 16 observaciones.
Las observaciones que hay que tomar son:
+ + + + 16 = 2
4
+ + + - 15
+ + - + 14
+ + - - 13
+ - + + 12
+ - + - 11
+ - - + 10
+ - - - 9
- + + + 8
- + + - 7
- + - + 6
- + - - 5
- - + + 4
- - + - 3
- - - + 2
- - - - 1
D C B A
Factores
Num
Diseo 2
4
Diseo 2
4
Estimacin mediante el algoritmo de signos
Efectos significativos: Normal Plot o MEDA
Estimacin mediante el algoritmo de signos
Efectos significativos: Normal Plot o MEDA
Tasa de filtracin (Montgomery)
Tasa de filtracin (Montgomery)
Se fabrica un producto qumico en un recipiente a presin. Se
quiere incrementar la velocidad de filtracin del producto. Los cuatro
factores son:
A: Temperatura
B: Presin
C: Concentracin de los reactivos
D: Rapidez de mezclado
El ingeniero del proceso quiere aumentar la velocidad de filtracin y,
si es posible, utilizar el nivel (-) de C (Concentracin de
formaldehdo).
Actualmente la velocidad de filtracin es de 75gal/min.
+ + + + 16 = 2
4
+ + + - 15
+ + - + 14
+ + - - 13
+ - + + 12
+ - + - 11
+ - - + 10
+ - - - 9
- + + + 8
- + + - 7
- + - + 6
- + - - 5
- - + + 4
- - + - 3
- - - + 2
- - - - 1
D C B A
Factores
Num
Diseo 2
4
Ejemplo
Diseo 2
4
Ejemplo
96
70
86
75
104
45
100
43
65
80
60
68
65
48
71
45
Velocidad
Estimated effects for Velocidad
------------------------------------------
average = 70,0625
A:Factor_A = 21,625
B:Factor_B = 3,125
C:Factor_C = 9,875
D:Factor_D= 14,625
AB = 0,125
AC = -18,125
AD = 16,625
BC = 2,375
BD = -0,375
CD = -1,125
ABC = 1,875
ABD = 4,125
ACD = -1,625
BCD = -2,625
ABCD = 1,375
Velocidad
Effect
0 4 8 12 16 20 24
AB
BD
CD
ABCD
ACD
ABC
BC
BCD
B:Factor_B
ABD
C:Factor_C
D:Factor_D
AD
AC
A:Factor_A
Significativos
No significativos
Normal Plot for Velocidad
Standardized effects
p
e
r
c
e
n
t
a
g
e
-19 -9 1 11 21 31
0,1
1
5
20
50
80
95
99
99,9
Half Normal Plot for Velocidad
Standardized effects
S
t
a
n
d
a
r
d

d
e
v
i
a
t
i
o
n
s
0 4 8 12 16 20 24
0
0,4
0,8
1,2
1,6
2
2,4
A, C, D, AD y CD
A, C, D, AD y CD
MEDA
MEDA
Ordenamos las interacciones
-18.13, -2.63, -1.63, 2.38, 4.13, 16.63
Mediana=0.13
Desviaciones a la mediana en valor absoluto:
18.26, 2.76, 1.76, , 2.25, 4, 16,50
Mediana de esas desviaciones: MEDA=1.76
MEDA/0.675=2.61
Ordenamos las interacciones
-18.13, -2.63, -1.63, 2.38, 4.13, 16.63
Mediana=0.13
Desviaciones a la mediana en valor absoluto:
18.26, 2.76, 1.76, , 2.25, 4, 16,50
Mediana de esas desviaciones: MEDA=1.76
MEDA/0.675=2.61
Efectos mayores que 5.22 sern significativos
A,C,D,AC,AD
A,C,D,AC,AD
3 1 4 1 4 3 1
) 2 / 1 . 18 ( ) 2 / 6 . 16 ( ) 2 / 6 . 14 ( ) 2 / 87 . 9 ( ) 2 / 6 . 21 ( 06 . 70 x x x x x x x y + + + + =
El modelo estimado es:
A,C,D,AC y AD
El modelo estimado es:
A,C,D,AC y AD
Para A(+)
C(-)
D(+)
Para A(+)
C(-)
D(+)
65 . 100

= y
Valor mximo
Valor mximo
Resumen de diseos 2
k
Resumen de diseos 2
k
2
k
= K Factores a dos niveles.
= n observaciones.
Pasos en el anlisis.
1. Se definen la variable respuesta y los factores.
2. Se aleatoriza la toma de datos
3. Se rellena la tabla de datos
4. Se calculan los efectos mediante el algoritmo de signos
5. Se decide qu efectos son significativos mediante el normal plot (o
half normal plot) o la MEDA. LOS RESULTADOS NO SIEMPRE
SON COINCIDENTES
Diseos con muchos factores.
Diseos con muchos factores.
2
5
= 5 Factores a dos niveles.
= 32 observaciones.
= 5 Factores, 10 interacciones de segundo orden.
= 16 interacciones de orden superior
2
6
= 6 Factores a dos niveles.
= 64 observaciones.
= 6 Factores, 15 interacciones de segundo orden.
= 42 interacciones de orden superior
Demasiadas observaciones para estimar los efectos principales
y las interacciones de segundo orden.
Las interacciones de orden superior no suelen ser significativas.
+ + + + + 32 = 2
5
+ + + + - 31
+ + + - + 30
+ + + - - 29
+ + - + + 28
+ + - + - 27
+ + - - + 26
+ + - - - 25
+ - + + + 24
+ - + + - 23
+ - + - + 22
+ - + - - 21
+ - - + + 20
+ - - + - 19
+ - - - + 18
+ - - - - 17
- + + + + 16
- + + + - 15
- + + - + 14
- + + - - 13
- + - + + 12
- + - + - 11
- + - - + 10
- + - - - 9
- - + + + 8
- - + + - 7
- - + - + 6
- - + - - 5
- - - + + 4
- - - + - 3
- - - - + 2
- - - - - 1
E D C B A
Factores
Num
Fracciones Factoriales
Vamos a disminuir el nmero de
observaciones
Vamos a disminuir el nmero de
observaciones
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
c + - - + + - -
b + - + - - + -
a + + - - - - +
Y ABC BC AC AB C B A
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
c + - - + + - -
b + - + - - + -
a + + - - - - +
Y ABC BC AC AB C B A
C y AB son iguales
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
c + - - + + - -
b + - + - - + -
a + + - - - - +
Y ABC BC AC AB C B A
C y AB son iguales
A y BC son iguales
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
c + - - + + - -
b + - + - - + -
a + + - - - - +
Y ABC BC AC AB C B A
C y AB son iguales
A y BC son iguales
B y AC son iguales
ABC siempre es positivo
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
c + - - + + - -
b + - + - - + -
a + + - - - - +
Y ABC BC AC AB C B A
abc) c - b - 1/4(a C B

abc) bc ac - c - ab - b - a o 1/4( C B

abc) bc - ac c - ab b - a 1/4(-o
8 8
8
8
+ = +
+ + + + =
+ + + + =
8 8 4

) (
2
1

C B A abc c b a A + = + =
Lo que obtenemos en el diseo pequeo es la suma de los efectos A y BC.
Lgico porque la columna de signos de A y de BC son iguales en el diseo pequeo
Lo que estiman los signos de A en el diseo pequeo son dos cosas: A+BC
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
2
3
estudiamos 3 factores con 8 observaciones
2
3
estudiamos 3 factores con 8 observaciones
Observaciones
abc + + + + + + +
c + - - + + - -
b + - + - - + -
a + + - - - - +
Y ABC BC AC AB C B A
C y AB son iguales
A y BC son iguales
Las columnas iguales implican que lo se estima es la suma de ellas
Cules son las columnas iguales?
Cmo reducir observaciones
Diseos fraciionales
Cmo reducir observaciones
Diseos fraciionales
Elegiremos algunas observaciones del diseo
completo.
Qu observaciones? Criterio:
Que podamos seguir estimando los factores
Tiene que haber igual nmero de (+) y de (-)
Elegiremos algunas observaciones del diseo
completo.
Qu observaciones? Criterio:
Que podamos seguir estimando los factores
Tiene que haber igual nmero de (+) y de (-)
En general
En general
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
En general
En general
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
D
Asignamos al Factor D los signos de la interaccin ABC
En general
En general
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y D BC AC AB C B A
D
Tabla de signos
+ + +
+ + -
+ - +
+ - -
- + +
- + -
- - +
- - -
C B A
+
-
-
+
-
+
+
-
D
abcd
bc
ac
cd
ab
bd
ad
o
Y
D tiene los mismos signos que
ABC.
Aplicando los signos a esa
columna estimamos D+ABC
En general
En general
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y D BC AC AB C B A
D
Tabla de signos
+ + +
+ + -
+ - +
+ - -
- + +
- + -
- - +
- - -
C B A
+
-
-
+
-
+
+
-
D
abcd
bc
ac
cd
ab
bd
ad
o
Y
Cmo saber qu columnas de
signos son iguales?
Estructura de ALIAS
Estructura de ALIAS
1. Denominaremos a cada columna por su nombre A,B..
2. A.A=I donde I es una columna de unos
3. A.I=A Cualquier columna de signos por la columna de unos es
ella misma
4. Asignacin del nuevo factor:
D=ABC
Indica a qu columna signos ha sido asignado
el factor D
Estructura de ALIAS
Estructura de ALIAS
Ecuacin generatriz de la fraccin:
D=ABC
D.D=D.ABC
I=ABCD
Estructura de ALIAS
Estructura de ALIAS
Con la ecuacin generatriz obtenemos la estructura de alias o
efectos confundidos:
I=ABCD
La ecuacin generatriz multiplicada por cada columna del diseo
da las columnas iguales:
Estructura de ALIAS
Estructura de ALIAS
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC
D
BC AC AB C B A
D=ABC
I=ABCD
A.I=A.ABCD
A=BCD
B.I=B.ABCD
B=ACD
C.I=C.ABCD
C=ABD
AB.I=AB.ABCD
AB=CD
AC.I=AC.ABCD
AC=BD
BC.I=BC.ABCD
BC=AD
ABC.I=ABC.ABCD
ABC=D
Diseo 2
4-1
Analizad este diseo.
Analizad este diseo.
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB
D
C B A
D=AB
I=ABD
A.I=A.ABD
A=BD
B.I=B.ABD
B=AD
C.I=C.ABD
C=ABCD
AB.I=AB.ABD
AB=D
AC.I=AC.ABD
AC=BCD
BC.I=BC.ABD
BC=ACD
ABC.I=ABC.ABD
ABC=CD
Diseo 2
4-1
Cul es mejor y por qu?
Resolucin
Resolucin
Es el orden de la interaccin de menor rango
confundida con un efecto principal
O es el nmero de letras de la palabra de la
ecuacin generatriz.
Cul es mejor y por qu?
Resolucin IV
Resolucin III
Anlisis de la fraccin
Anlisis de la fraccin
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC
D
BC AC AB C B A
1. Escribir la tabla de signos
2. Determinar la estructura de
ALIAS
3. Tomar datos aleatorizando el
orden
4. Estimar los efectos mediante el
algoritmo de signos
5. Ver significatividad de los efectos
+ + + + 16 = 2
4
+ + + - 15
+ + - + 14
+ + - - 13
+ - + + 12
+ - + - 11
+ - - + 10
+ - - - 9
- + + + 8
- + + - 7
- + - + 6
- + - - 5
- - + + 4
- - + - 3
- - - + 2
- - - - 1
D C B A
Factores
Num
Vamos a resolver el experimento de la velocidad de filtracin. Era un 2
4
=16
observaciones.
Vamos a resolver el experimento de la velocidad de filtracin. Era un 2
4
=16
observaciones.
96
70
86
75
104
45
100
43
65
80
60
68
65
48
71
45
Velocidad
Salan significativos A,C,D,AC,AD
Salan significativos A,C,D,AC,AD
Ejemplo
Ejemplo
D=ABC
Ecuacin generatriz: I=ABCD
Estructura de Alias:
A=BCD
B=ACD
C=ABD
AB=CD
AC=BD
BC=AD
ABC=D
RESOLUCIN=IV
Modelo 2
4-1
IV
Observaciones
96 + + + + + + +
80 - + - - + + -
60 - - + - + - +
75 + - - + + - -
65 - - - + - + +
45 + - + - - + -
100 + + - - - - +
45 - + + + - - -
Y ABC
D
BC AC AB C B A
A,C,D,AC,AD
A,C,D,AC,AD
Ejemplo
Ejemplo
average = 70,75
A+BCD = 19,0
B+ACD = 1,5
C+ABD = 14,0
D+ABC = 16,5
AB+CD = -1,0
AC+BD = -18,5
AD+BC = 19,0
Observaciones
96 + + + + + + +
80 - + - - + + -
60 - - + - + - +
75 + - - + + - -
65 - - - + - + +
45 + - + - - + -
100 + + - - - - +
45 - + + + - - -
Y ABC
D
BC AC AB C B A
A,C,D,AC,AD
A,C,D,AC,AD
Cules son significativos?
Significatividad de los efectos
Significatividad de los efectos
Pareto Chart for Var_1
0 4 8 12 16 20
Effect
AB+CD
B:Factor_B
C:Factor_C
D:Factor_D
AC+BD
A:Factor_A
AD+BC
Half-Normal Plot for Var_1
Standardized effects
S
t
a
n
d
a
r
d

d
e
v
i
a
t
i
o
n
s
0 4 8 12 16 20
0
0,4
0,8
1,2
1,6
2
A,C,D,AC,AD
A,C,D,AC,AD
Otro ejemplo
Otro ejemplo
D=ABC
Ecuacin generatriz: I=ABCD
Estructura de Alias:
A=BCD
B=ACD
C=ABD
AB=CD
AC=BD
BC=AD
ABC=D
RESOLUCIN=IV
Modelo 2
4-1
IV
Observaciones
88
+ + + + + + +
59
- + - - + + -
50
- - + - + - +
71
+ - - + + - -
83
- - - + - + +
60
+ - + - - + -
52
+ + - - - - +
69
- + + + - - -
Y ABC
D
BC AC AB C B A
Minutos empleados para recorrer una
distancia fija en bici
A=Rueda carreras (+) menos deportiva (-)
B=Plato grande (+) pequeo (-)
C=Dinamo Con(+) Sin(-)
D=Alza en el manillar Con(+) sin(-)
Minutos empleados para recorrer una
distancia fija en bici
A=Rueda carreras (+) menos deportiva (-)
B=Plato grande (+) pequeo (-)
C=Dinamo Con(+) Sin(-)
D=Alza en el manillar Con(+) sin(-)
Ejemplo
Ejemplo
Observaciones
88
+ + + + + + +
59
- + - - + + -
50
- - + - + - +
71
+ - - + + - -
83
- - - + - + +
60
+ - + - - + -
52
+ + - - - - +
69
- + + + - - -
Y ABC
D
BC AC AB C B A
Minutos empleados para recorrer una
distancia fija en bici
A=Rueda carreras (+) menos deportiva (-)
B=Plato grande (+) pequeo (-)
C=Dinamo Con(+) Sin(-)
D=Alza en el manillar Con(+) sin(-)
Minutos empleados para recorrer una
distancia fija en bici
A=Rueda carreras (+) menos deportiva (-)
B=Plato grande (+) pequeo (-)
C=Dinamo Con(+) Sin(-)
D=Alza en el manillar Con(+) sin(-)
average = 66.5
A+BCD = 3.5
B+ACD = 12
C+ABD = 1
D+ABC = 2,5
AB+CD = 22.5
AC+BD = 0.5
AD+BC = 1
Ejemplo
Ejemplo
Minutos empleados para recorrer una
distancia fija en bici
A=Rueda carreras (+) menos deportiva (-)
B=Plato grande (+) pequeo (-)
C=Dinamo Con(+) Sin(-)
D=Alza en el manillar Con(+) sin(-)
Minutos empleados para recorrer una
distancia fija en bici
A=Rueda carreras (+) menos deportiva (-)
B=Plato grande (+) pequeo (-)
C=Dinamo Con(+) Sin(-)
D=Alza en el manillar Con(+) sin(-)
Pareto Chart for Var_1
0 4 8 12 16 20 24
Effect
AC+BD
C:Factor_C
AD+BC
D:Factor_D
A:Factor_A
B:Factor_B
AB+CD
Normal Probability Plot for Var_1
Standardized effects
p
e
r
c
e
n
t
a
g
e
0 4 8 12 16 20 24
0,1
1
5
20
50
80
95
99
99,9
average = 66.5
A+BCD = 3.5
B+ACD = 12
C+ABD = 1
D+ABC = 2,5
AB+CD = 22.5
AC+BD = 0.5
AD+BC = 1
AB
B
A
Fracciones mayores
Fracciones mayores
El problema en la industria es tomar
observaciones.
Es muy caro.
Con 8 observaciones podemos estudiar 3 4
factores
Con 16 observaciones estudiamos 4 o 5 factores.
Necesitamos reducir ms el nmero de
observaciones
Fracciones mayores
Fracciones mayores
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC AB C B A
Fracciones mayores
Fracciones mayores
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC
D
AC
E
AB C B A
Ecuacin generatriz:
1. Asignacin de factores
E=AC
D=BC
2. Ecuacin generatriz incompleta:
I=ACE=BCD
3. Ecuacin generatriz completa. Si
ACE y BCD son columnas con
signos + que no se pueden
estimar, su producto tambin lo
ser.
4. Hay que obtener los productos
de las fatores de la Ecuacin
Generatriz: ACE.BCD=ABDE
I=ACE=BCD=ABDE
Ecuacin generatriz completa
Modelo 2
5-2
III
Estructura de alias
Estructura de alias
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC
D
AC
E
AB C B A
Obtenemos la ecuacin generatriz
completa
I=ACE=BCD=ABDE
Se obtiene lo que estima cada
columna multiplicando la ecuacin
generatriz por las columnas
A: A=CE=ABCD=BDE
B: B=ABCE=CD=ADE
C: C=AE=BD=ABCDE
AB: AB=BCE=ACD=DE
AC: AC=E=BCDE=ABD
BC: BC=ABE=D=ACDE
ABC: BE=AD=CDE
Modelo 2
5-2
III
Una vez estimados los efectos
Una vez estimados los efectos
Para saber si son significativos:
MEDA con todas las columnas porque ahora
la mayora tienen efectos principales e
interacciones
Normal o half normal plot
Ejemplo
Ejemplo
Tiempo de maduracin de tomates cogidos de
la mata cuando empiezan a ponerse rojos:
A Temperatura de la cmara: 20C (+)
10C (-)
B Cajas con recipiente individual: Si (+)
No (-)
C: Envoltorio: Plstico (+)
Viruta de madera (-)
D: Variedad: Murcia (+)
Holandesa (-)
E:Tratamiento: Con bolsa de producto (+)
Sin bolsa de producto (-)
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC AC
E
AB
D
C B A
I=ABD=ACE (Incompleta)
I=ABD=ACE=BCDE
ALIAS hasta segundo orden
A=BD=CE=..
B=AD=.
C=AE=.
D=AB=.
E=AC=.
BC=DE=.
ABC=CD=BE=.
Observaciones
28
+ + + + + + +
27
- + - - + + -
10
- - + - + - +
28
+ - - + + - -
13
- - - + - + +
37
+ - + - - + -
0
+ + - - - - +
18
- + + + - - -
Y ABC BC AC
E
AB
D
C B A
average = 20,125
A+BD+CE = -14,75
B+AD = 12,25
C+AE = 6,25
D+AB = 3,25
E+AC = 6,25
BC+DE = -3,75
BE+CD = 6,25
average = 20,125
A+BD+CE = -14,75
B+AD = 12,25
C+AE = 6,25
D+AB = 3,25
E+AC = 6,25
BC+DE = -3,75
BE+CD = 6,25
Pareto Chart for Var_1
Effect
0 3 6 9 12 15
D:Factor_D+AB
BC+DE
C:Factor_C+AE
E:Factor_E+AC
BE+CD
B:Factor_B+AD
A:Factor_A+BD+CE
Half-Normal Plot for Var_1
Standardized effects
S
t
a
n
d
a
r
d

d
e
v
i
a
t
i
o
n
s
0 3 6 9 12 15
0
0,4
0,8
1,2
1,6
2
A y B
Median (-14.75 12.25 6.25 3.25 6.25 -3.75 6.25)=6.25
Desviaciones a la mediana (-21 6 0 -3 0 10 0)
Mediana de las desviaciones en valor absoluto=3
MEDA=3/0.675=4,44
Efectos mayores que 8.88 en valor absoluto
Diseos muy fraccionados
Diseos muy fraccionados
A+BD+CE+BEF+CDF
B+AD+CF+AEF+CDE
C+AE+BF+ADF+BDE
D+AB+EF+ACF+BCE
E+AC+DF+ABF+BCD
F+BC+DE+ABE+ACD
AF+BE+CD+ABC+ADE+BDF+CEF
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC BC
F
AC
E
AB
D
C B A
I=ABD=ACE=BCF=BCDE=ACDF=
ABEF=DEF
Modelo 2
6-3
III
Diseos saturados
Diseos saturados
Observaciones
abc + + + + + + +
bc - + - - + + -
ac - - + - + - +
c + - - + + - -
ab - - - + - + +
b + - + - - + -
a + + - - - - +
o - + + + - - -
Y ABC
G
BC
F
AC
E
AB
D
C B A
Modelo 2
6-4
III
I=ABD+ACE+BCF+ABCG+AFG+ABEF+ACDF+ADEG+BEG+CDG+DEF+
BCDE+BDFG+CEFG+ABCDEFG
1 A+BD+CE+FG
2 B+AD+CF+EG
3 C+AE+BF+DG
4 D+AB+CG+EF
5 E+AC+BG+DF
6 F+AG+BC+DE
7 G+AF+BE+CD
Diseo de productos robustos
Idea de Taguchi
Diseo de productos robustos
Idea de Taguchi
Ejemplo:
Queremos disear una base para una pizza precocinada.
Objetivo:
Obtener la combinacin de los factores Harina, Sal y
Levadura que da la masa ms sabrosa
Resolucin:
1. Definir los niveles de los factores: (-) y (+)
2. Definir la variable a medir: SABOR
3. Definir cmo la medimos: Con un conjunto de catadores que
valoran 0---Muy mala hasta 10--- Muy buena
Diseo de productos robustos
Idea de Taguchi
Diseo de productos robustos
Idea de Taguchi
Definimos el diseo: Tres factores 2
3
Aleatorizamos el orden de recogida
de los datos
6.2 + + +
3 + + -
5.1 + - +
2.8 + - -
6.9 - + +
4.9 - + -
7.0 - - +
5.3 - - -
Sabor L S H
Effect
0 0,4 0,8 1,2 1,6 2 2,4
S
HS
HL
SL
L
H
H=2.3
L=-1.75
H=2.3
L=-1.75
Normal Probability Plot for Var_1
-12 -7 -2 3 8 13 18
Standardized effects
0,1
1
5
20
50
80
95
99
99,9
p
e
r
c
e
n
t
a
g
e
Un base de pizza con H (+) y L(-)
Un base de pizza con H (+) y L(-)
Problema
Problema
La pizza debe meterse en horno
precalentado a 200C durante 15 minutos
Posibilidad muy real de que el cliente no cumpla
las instrucciones al pie de la letra.
Factores de control:
Aquellos que puede controlar la empresa.
Harina, Sal, Levadura
Factores de ruido:
Aquellos que NO puede controlar la empresa
Temperatura del horno, Tiempo de horneado
Diseo de productos robustos
Idea de Taguchi
Diseo de productos robustos
Idea de Taguchi
Disear productos o procesos que slo funcionan bien si
TODO se hace correctamente hace que la mayora de las veces
El producto sea MALO
Vamos a cruzar el diseo 2
3
con los factores de
ruido: Dos factores (temperatura y tiempo:
diseo 2
2
)
Diseo de productos robustos
Idea de Taguchi
Diseo de productos robustos
Idea de Taguchi
+ +
+ -
- +
- -
Tiempo Temp
Temp: (-) 180C
(+) 220C
Tiempo: (-) 10 min
(+) 20 min
Diseo
Diseo
0.2 5.9
5.7 5.9 6 5.5
6.2
+ + +
0.7 2.2
1.5 3.1 2.1 1.3
3
+ + -
1.2 4.3
2.7 5.4 5.3 3.1
5.1
+ - +
0.6 2.3
1.8 1.7 3.2 2.1
2.8
+ - -
1.2 5.2
4.0 5.4 5.8 3.8
6.9
- + +
1.8 3.4
1.3 5.4 4.1 1.1
4.9
- + -
1.6 5.1
2.9 6.7 5.1 3.7
7.0
- - +
0.7 4.3
3.8 4.1 5 3.4
5.3
- - -
L S H
Desviacin Media
Tem:
- + - +
Tiem
- - + +
Ruido:
Tem: 0 (200C)
Tiempo 0 (15 min)
Factores
Diseo
Diseo
Diseo
0.2 5.9
5.7 5.9 6 5.5
6.2
+ + +
0.7 2.2
1.5 3.1 2.1 1.3
3
+ + -
1.2 4.3
2.7 5.4 5.3 3.1
5.1
+ - +
0.6 2.3
1.8 1.7 3.2 2.1
2.8
+ - -
1.2 5.2
4.0 5.4 5.8 3.8
6.9
- + +
1.8 3.4
1.3 5.4 4.1 1.1
4.9
- + -
1.6 5.1
2.9 6.7 5.1 3.7
7.0
- - +
0.7 4.3
3.8 4.1 5 3.4
5.3
- - -
L S H
Desviacin Media
Tem:
- + - +
Tiem
- - + +
Ruido:
Tem: 0 (200C)
Tiempo 0 (15 min)
Factores
Diseo