Diseño de Experimentos Presentacion Seminario

DISEÑO DE
EXPERIMENTOS
Universidad Politécnica de Paria “Luis Mariano Rivera”
P. N. F. ING. MECÁNICA
Calidad y productividad
DISEÑO DE EXPERIMENTOS
Ing. MSc. Katiuska Varela Hernández
Carúpano, Mayo del 2016

Calidad y productividad: DISEÑO DE EXPERIMENTOS UNIDAD II
CONTENIDO
INTRODUCCIÓN
DEFINICIÓN
ANÁLISIS DE DATOS EXPERIMENTALES
EXPERIMENTOS COMPARATIVOS
DISEÑOS FACTORIALES
DIAGRAMAS CAUSA EFECTO
DIAGRAMA DE PARETO
Propósito de la Obtener
Experimentación información
Calidad de la información
Eficiencia de una útil obtenida por unidad
investigación de costo
Diseño Experimento Análisis
Análisis sistema Análisis data
Definición precisa
del problema y Interpretación
objetivos
Diseño Traducción en
experimental acción
Las tres fases esenciales que caracterizan la estructura

básica de un proyecto de Diseño de Experimentos.
Modelo entrada-salida de un proceso o sistema

Factores ambientales y
preocupantes
Factores
Experimentales
Variables respuesta
Proceso
PRINCIPIOS BÁSICOS EN EL DISEÑO DEL EXPERIMENTOS
1.ALEATORIZACIÓN
2.REPLICACIÓN
3.CONTROL LOCAL
Plan Experimental Diseñado
Ejecución
Facilita
1. La selección de un mejor modelo dentro de un

conjunto de modelos posibles.
2. La estimación eficiente de los parámetros en el
modelo seleccionado
Generalmente el experimentador:
• No conoce qué variables deben medirse.
• No conoce cuál es el rango en que las variables deben
medirse.
• No conoce qué serie de experimentos debe hacerse
Hasta que el Programa Experimental esté al

menos parcialmente ejecutado
9
Plan ( comienza) Hipótesis

Experimental
Modelo
Matemático ( expresada)
10
Proceso iterativo que caracteriza la investigación científica
Experimentación
Diseño de Análisis de Modelos y

Objetivo
Experimentos del Plan
Experimental
Modelos
11
ANÁLISIS DE DATOS EXPERIMENTALES
Paquetes informáticos más usados

• Excel : tiene un módulo para análisis de datos que incluye
distribuciones de probabilidad, análisis de la varianza,
regresiones, entre otras.
•STATGRAPHICS: incluye dibujo de funciones y estadística
descriptiva, análisis de regresión y ANOVA, procedimientos
avanzados y diseño de experimentos, estadistica multivariante.
•SPSS for Microsoft Windows: módulo de estadística avanzada
entre otros.
•STAT 100: incluye un módulo de pruebas paramétricas y no
paramétricas, gráficos, transformación de datos.
DISEÑO DE PARÁMETROS
Durante el diseño de parámetro, el diseño o proceso ingenieril busca optimizar el
diseño de sistema a través de la experimentación para minimizar la variación del
rendimiento, al enfrentarse al usuario incontrolable y a factores ambientales Por
ejemplo, una característica de calidad para un coche podría ser que siempre arranque
fácil y rápidamente, sin importar cuáles son las condiciones externas.
Durante el diseño de parámetro, el ingeniero selecciona las características de calidad

más adecuadas para la experimentación y busca todos los factores que tienen un
efecto en él. Entonces, separa los factores que puede controlar de los que no tiene
control.
En el caso del automóvil los factores sobre los que no tiene control podrían ser la
temperatura exterior, los niveles de humedad, el rango de altitud en el cual el coche va
a ser operado durante su uso, etc. La compañía del automóvil no puede decirle a su
cliente que no debería operar su vehículo cuando la temperatura esta bajo cero o
arriba de cierto punto. Entonces el objetivo del ingeniero es hacer el auto resistente a
estos factores incontrolables, o como diría Taguchi, "robustidad contra ruido"
DISEÑO DE PARÁMETROS
Una vez establecido el concepto comienza la etapa de

ingeniería de detalle, en la que se definen los
parámetros del producto como son: dimensiones,
especificaciones, materiales. En esta etapa un análisis
permite establecer parámetros que minimicen los
efectos de la variabilidad en el proceso, medio
ambiente y manipulación en la performance final del
producto. En esta etapa se pueden realizar una serie de
experimentos estadísticos que ayudan a medir la
sensibilidad de los parámetros objetivos a variaciones
en el proceso o en lo que se denominan ruidos.
EXPERIMENTOS COMPARATIVOS
El ANOVA, es una técnica de comparación entre

los niveles de un factor que permite la elección
del óptimo. El DOE es una técnica que permite
ahorrar experimentación y determinar las
condiciones de trabajo que optimizan la
respuesta y robustecen el proceso. Entre los
principales tipos de diseños, se pueden señalar
los diseños comparativos simples o múltiples, y
los diseños factoriales.
Los ESTUDIOS EXPERIMENTALES se utilizan en áreas

como biología, medicina, agricultura y otras ciencias.
El término comparativo implica que se establecen un
conjunto de circunstancias en el experimento y que se
comparen entre sí las respuestas a las diferentes
circunstancias. La metodología estadística es el
enfoque más objetivo para analizar un problema que
involucre datos sujetos a variaciones no controladas o
errores experimentales, así como para obtener
conclusiones válidas a partir de los datos.
Hay tres tipos fundamentales de experimentos que

requieren investigación estadística (Das y Giri (1986):
Experimentos con tratamientos: Los tratamientos
son los diferentes niveles de un factor. Ejemplo, tipo
de alimentos para animales, dosis crecientes de una
droga.
Experimentos factoriales: Los tratamientos son
combinaciones de dos o más niveles de factores
diferentes, es decir, involucra más de un factor, cada
uno con dos o más niveles. Se estudian los efectos
principales e interacciones.
Bioensayos: Conocidos como ensayos o

experimentos biológicos, Son experimentos para
estimar la naturaleza, constitución o potencia de una
sustancia por medio de la reacción obtenida al
aplicarla a material biológico. Por lo general, se toma
dos preparaciones de drogas que tengan un efecto
común.
División según Campbell y Stanley (1966)
Pre-experimentos.
Investigación experimental
Cuasi-experimentos.
Experimentos puros.
La diferencia entre los diversos tipos de investigación

experimental depende del tipo de grupos escogidos y
del grado de control posible.
 El pre experimento es aquel experimento con base en

grupos escogidos y sin presencia de grado de control
alguno.
 El cuasi-experimento es aquel experimento con base
en grupos históricos y con presencia relativa de
control.
 Los experimentos puros son experimentos con base
en grupos aleatoriamente escogidos y con presencia
de control.
Diseños cuasi experimentales: Son esquemas de

investigación no aleatorios. No es posible establecer
de forma exacta la equivalencia inicial de los grupos.
Es una alternativa en situaciones sociales donde no se
tiene pleno control experimental. No se puede
presumir que los grupos inicialmente están dentro de
los límites del error.
Tipos de investigaciones
División según Campbell y Stanley (1966)
Transseccionales.
Investigación no experimental
Longitudinales.
Descripción de tipos de investigación no experimental
Criterio: Dimensión Temporal.
 1. Transaccional o Trasversal: es un no
experimento que analiza cuál es el nivel o estado
de una o varias variables en un momento dado del
tiempo. Recolectan datos en un solo momento, en
un tiempo único.
 2. Longitudinal: es un no experimento que estudia
como evolucionan o cambian una o mas variables
o las relaciones entre ellas a través del tiempo.
Sub clasificación de los experimentos transecciona-es y
longitudinales
Investigación No Experimental
Diseños Transeccionales Diseños Longitudinales
Correlacionales/ Trend Cohort Panel

Descriptivos Causales
Diseños Longitudinales
 1. De tendencia (trend): analizan cambios a través del

tiempo (en variables o sus relaciones), dentro de una
población social amplia.
 2. De evolución de grupo (cohort): examinan
cambios a través del tiempo en subpoblaciones o
grupos específicos. Su atención son los cohort o
grupos de individuos vinculados de alguna manera.
 3. De Panel: son similares a las dos clases de diseños
anteriores, solo que el mismo grupo de sujetos es
medido en todos los tiempos o momentos.
Diferencias entre la Investigación Experimental y la
Investigación No Experimental
 El control sobre las variables es más riguroso en el
experimento puro que en los diseños cuasi experimentales
y ambos tipos de investigación tienen mayor control que
los diseños pre- experimentales o no experimentales.
 En las investigaciones experimentales hay manipulación
de variables, pero no en las investigaciones no
experimentales.
 En la investigación no experimental resulta más complejo
separar los efectos de las múltiples variables que
intervienen en toda situación histórica.
 Los diseños experimentales puros y cuasi experimentales
tienen mayor posibilidad de réplica, en cualquier lugar
siguiendo el mismo procedimiento.
 En los experimentos las variables independientes no
muestran la magnitud real de sus efectos. Los no
experimentales tienen mayor validez externa
DIAGRAMAS DE CAUSA EFECTO
Un diagrama de Causa y Efecto es la representación de

varios elementos (causas) de un sistema que pueden
contribuir a un problema (efecto). Fue desarrollado en
1943 por el Profesor Kaoru Ishikawa en Tokio. Algunas
veces es denominado Diagrama Ishikawa o Diagrama
Espina de Pescado por su parecido con el esqueleto de
un pescado. Es una herramienta efectiva para estudiar
procesos y situaciones, y para desarrollar un plan de
recolección de datos.
El diagrama de causa efecto se utiliza:
1. ¿Es necesario identificar las causas

principales de un problema?
2. ¿Existen ideas y/u opiniones sobre las
causas de un problema?



DISEÑO FACTORIAL GENERAL|2K

DISEÑO FACTORIAL GENERAL 22
Diseño Factorial a Dos Niveles

Cada factor se analiza a dos niveles
Existirán 2k posibles combinaciones de
los factores a los dos niveles (Diseño 2k )
K → número de factores
2 → número de niveles
GRÁFICO DE PARETO ESTANDARIZADO PARA RENDIMIENTO
Supongamos que la influencia de dos factores -

cantidad de catalizador A y temperatura B - sobre el
rendimiento Y de un producto en un reactor de tanque
con agitación es examinado. La Figura siguiente
muestra los dos niveles de ambos factores
involucrados.
Factor Unidad Nivel inferior(-) Nivel

superior(+)
Catalizador (A) g 100 150
Temperatura (B) 0C 70 90
INTERACCIONES
Para evitar una visión excesivamente limitada sobre el

comportamiento de sistemas, es de gran importancia estar
al tanto de los efectos conjuntos de los factores
experimentales, es decir sus interacciones. Dos variables
se dice que interactúan si, cambiando una, la extensión del
impacto sobre una tercera, llamada variable de respuesta,
depende del nivel que tenga la otra variable. En otras
palabras, la interacción entre dos factores experimentales
mide cuánto depende del nivel de otro factor, el efecto de la
variación del factor sobre una variable de respuesta.
Los resultados claves de un diseño factorial son obtenidos por el cálculo de los efectos
principales y los efectos de interacción
Efecto Principal de A
EP(A)
Efecto Principal de B
EP(B)
Efecto Interacción entre Ay B
EI(AB)
37
GRÁFICO DE PARETO ESTANDARIZADO PARA RENDIMIENTO

El efecto principal de un factor es una medida de la extensión a la

GRÁFICO
que DE PARETO
una variable ESTANDARIZADO
de respuesta PARA RENDIMIENTO
cambia por término medio cuando
este factor es variado de su nivel inferior a su nivel superior. Para
calcular este efecto principal, todos los resultados
El efecto principal
experimentales obtenidosdeenunelfactor es una(+)medida
nivel superior de
y en el nivel
inferior (-) del factor
la extensión a lason
quepromediados,
una variable y el resultado del nivel
de respuesta
inferior es restado del resultado del nivel superior.
cambia por término medio cuando este factor es
variado de su nivel inferior a su nivel superior.
Para calcular este efecto principal, todos los
resultados experimentales obtenidos en el nivel
superior (+) y en el nivel inferior (-) del factor son
promediados, y el resultado del nivel inferior es
restado del resultado del nivel superior.
EP(A)
Efecto Principal de B
EP(B)
40
Efecto Principal (A) Efecto Principal (B)
Rendimiento, %
Rendimiento, %
EP(A) EP(B)
Superficie de Respuesta
Rendimiento, %
Interacción (AB) Interacción (BA)
Rendimiento, %
Rendimiento, %
Diagramas de efectos principales, interacciones y superficie de respuesta ilustrando

claramente las relaciones importantes que gobiernan el sistema.
41
Los Diseños factoriales 23
Factor Unidad Nivel inferior(-) Nivel superior(+)
Catalizador (A) g 100 150
Temperatura (B) 0C 70 90
Tipo de Agitador (C) actual nuevo
Rendimiento y, %
Temperatura B
Catalizador A
42
Cálculo de los efectos
principales y los efectos
de la interacción en un
diseño factorial 23
EP(A) mostrado para los efectos
principales de A y B y la
interacción de los dos
Efecto Principal de B factores AB.
EP(B)
Efecto de la Interacción
EI C   AB   EI C   AB 
entre A y B EI  AB  
2
 60  92 62  74   57  82 59  67 
    
  2 2   2 2 
2

60  92  57  82  62  74  59  67 
EI(AB) 4 4
  7.25%
43
Los resultados numéricos obtenidos de todos los
efectos para el diseño factorial 23 son resumidos a
continuación:
EP( A)  9.25%
EP( B )  19.25%
EP(C )  5.75%
EI ( AB)  7.25%
EI ( AC )  0.75%
EI ( BC )  2.75%
EI ( ABC )  0.75%
44
PLANES 2n FRACCIONARIOS
Para un número n grande de factores experimentales, el número de corridas
experimentales que un 2n genera es de manera exponencial en un diseño factorial
completo. Simultáneamente, la proporción de las interacciones de órdenes altos
aumenta rápidamente. Por ejemplo, si n= 5, hay 5 efectos principales, 10
interacciones de dos factores, y 16 interacciones de orden más alto. Obviamente, si n
no es pequeña, hay un poco de redundancia en un diseño factorial completo, ya que
las interacciones de más alto orden no son magnitudes apreciables
. En este momento, las siguientes cuestiones surgen:

1. ¿Es posible reducir la cantidad del esfuerzo experimental de una manera
adecuada con el propósito de que la información más importante pueda ser
obtenida por el análisis de los datos?.
2. ¿Es posible estudiar más factores experimentales en lugar de
interacciones de orden superior con el mismo número de corridas
experimentales?
En estos casos, es recomendable emplear los planes fraccionarios, ya que son

útiles:
• Cuando existen interacciones despreciables
• En la determinación de variables significativas
• En investigaciones secuenciales donde los resultados conducen a modificar
nuestras experiencias
• Cuando la influencia de varios factores se puede describir por un solo efecto
principal
46
Resulta en el diseño factorial fraccionario 2n-k, donde 2n-k significa el
número de corridas experimentales, n el número de los factores
experimentales, y k el número de veces que el número de corridas ha
sido reducido a la mitad en comparación con el diseño 2n completo
correspondiente que se diseña con el mismo número de factores
experimentales ((1/2)k .2n = 2n-k). La aplicación de diseños factoriales
fraccionarios produce una reducción en el esfuerzo experimental, que es
adaptado a la complejidad del sistema de investigación y a la
información requerida.
En cuanto las corridas experimentales han sido

realizadas, los diseños factoriales fraccionarios
son analizados de la misma manera que los
diseños factoriales completos, excepto que
menos valores están disponibles.
Sin embargo, al hacerlo, uno descubrirá que hay
efectos que están confundidos. Confundir es
definido como una situación donde un efecto no
puede ser atribuido a un efecto principal o la
interacción solamente.
Rendimiento y, %
Temperatura B
Catalizador A
Efecto Principal de C Efecto Interacción entre A y B
EP(C) EI(AB)
Confundidos
Ejemplo de un diseño factorial fraccionario 23–1 .

49
Una situación ligeramente diferente existe cuando se considera el diseño
de 24-1. Aquí los efectos principales están confundidos con las
interacciones de tres factores, por ejemplo. EP(A) con EI(BCD), y las
interacciones de dos factores son confundidas con otras, por ejemplo,
EI(AC) con EI(BD). Éste es un ejemplo de un diseño de resolución IV. El
diseño 25-1 es un ejemplo de un diseño de resolución V muy eficiente.
La resolución de un diseño factorial fraccionario caracteriza el contenido
de información alcanzable analizando los resultados de un diseño
factorial fraccionario en gran parte:
- Un diseño factorial fraccionario de resolución III no confunde los
efectos principales con otros efectos principales pero confunde los
efectos principales con las interacciones de dos factores.
- Un diseño factorial fraccionario de resolución IV no confunde los
efectos principales con las interacciones de dos factores pero confunde
las interacciones de dos factores con otras interacciones de dos factores.
- Un diseño factorial fraccionario de resolución V no confunde los efectos
principales y las interacciones de dos factores entre sí pero confunde las
interacciones de dos factores con las interacciones de tres factores.
50
Diseño 23-1,, Generador: C=AB, resolución III
Diseño 24-1, Generador: D=ABC, resolución IV
Diseño 25-1, Generador: E=ABCD, resolución V
51
DISEÑOS SATURADOS
Cuando se desea estudiar el efecto de 5 variables o más, sobre todo si las experiencias
son costosas o complicadas, es conveniente utilizar fracciones menores de los planes
factoriales 2n, que se denotan por 2n-q.
Es inevitable en este tipo de diseño que se confundan los coeficientes de las interacciones
unos con otros, para poder determinar en qué grado esto ocurre, es conveniente aclarar
el concepto de resolución.
Resolución III de 2n-q, es aquel diseño en que:
1. Ningún factor individual, por ejemplo A, se confunde con otro factor individual, tal
como B.
2. Por lo menos un factor individual se confunde con una interacción de 2 factores.
Ejemplo: donde I=ABC, el factor A se confunde con BC.
Resolución IV de 2n-q, es aquel diseño en que:
1.Ningún factor individual se confunde con otro factor

individual o con una interacción de 2 variables.
1.Por lo menos una interacción de 2 variables se

confunde con otra interacción de 2 variables. Ejemplo:
donde I=ABCD, se confunde AB con CD.
Definición general: Un diseño es de resolución R si la
palabra más pequeña en su relación de definición tiene
R letras o caracteres.
Diseños factoriales fraccionarios 2n-k y saturados 2n-q con un
máximo de 32 factores experimentales y su resolución.
Resolución Número de corridas experimentales
4 8 16 32
III 23-1 25-2, 27-4 29-5 , 215-11 217-12 , 231-26
IV 24-1 26-2 , 28-4 27-2 , 216-11
V 25-1
VI 26-1
Diseño 22 23 24 25
Completo
54
Diseño de Experimentos – Diseños de Cribado

Resumen
La sección de Diseño Experimental en STATGRAPHICS contiene
un conjunto de procedimientos que soportan el diseño y análisis
de muchos tipos de experimentos diferentes. Estos
procedimientos habilitan el análisis para construir un conjunto de
corridas experimentales que pueden calcular la cantidad de
rendimiento máximo de información acerca de un proceso con el
número mínimo de corridas. En contraste para experimentos con
altos riesgos, el diseño de experimentos caracteriza la
manipulación sistemática de un proceso para determinar los
efectos atribuibles de diferentes factores.
Atributos del Diseño de Cribado
Clase de diseño: De Cribado
Nombre del Diseño: Factorial 2^3
Nombre del archivo: Diseño Exp.sfx
Comentario: Análisis de una reacción química
Diseño Base
Número de factores experimentales: 3
Número de bloques: 1
Número de respuestas: 1
Número de corridas: 11, incluyendo 3 puntos
centrales por bloque
Grados de libertad para el error: 4
Aleatorizar: Sí
Notas Importantes:
1. Si más de una muestra fue tomada de cada conjunto de condiciones experimentales,
ingrese el valor promedio de Y sobre las muestras dentro de la columna respuesta.
También podemos incorporar el logaritmo de la desviación estándar como una
respuesta si desea estudiar el efecto de los factores sobre la variabilidad dentro de
muestras. Las estadísticas dentro de grupos pueden calcularse por el procedimiento
Estadísticas por Filas, dependiendo de la estructura de los datos. No trate a las muestras
como replicas a menos que se reajuste el proceso entre cada muestra.
2. Si algún experimento no pudo ser desarrollado, deje el espacio correspondiente en
blanco. El programa reconocerá el desbalance del diseño y lo manejará.
3. Si alguna corrida experimental fue realizada en diferentes condiciones a las planeadas

originalmente, cambie las entradas en la columna del factor experimental
correspondiente a los valores que fueron utilizados realmente.
4. Si fueron desarrolladas corridas adicionales, estas se pueden agregar al final de la

base de datos. Estas serán incluidas en la estimación.
Modelo Estadístico
El modelo estadístico en el que se basa el análisis de diseño de investigación expresa la
variable respuesta Y como una función lineal de los factores experimentales,
interacciones entre los factores, y términos del error. Existen dos tipos de modelos que
generalmente se estiman, se ilustran abajo para 5 factores experimentales:
1. Modelos de Primer Orden – Contiene términos que representan solamente efectos
principales.
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 +β5X5 + ε
2. Modelos de Segundo Orden – Contiene términos que representan efectos principales e

interacciones de segundo orden.
Y = β0 + β1X1 + β2X2 + β3X3 + β4X4 +β5X5 + β12X1X2 + β13X1X3 + β14X1X4 +β15X1X5 + β23X2X3 +
β24X2X4+ β25X2X5 + β34X3X4 + β35X3X5 + β45X4X5 + ε
Gráfico de Pareto
El diagrama de Pareto muestra

cada uno de los efectos estimados
en orden decreciente de magnitud.
La longitud de cada barra es
proporcional al efecto
estandarizado, el cual es el efecto
estimado dividido entre su error
estándar. Esto es equivalente a
calcular un estadístico-t para cada
efecto. La línea vertical puede
utilizarse para juzgar cuales efectos
son estadísticamente
significativos.
Cualquier barra que se extienda más allá de la línea corresponde a efectos que son
estadísticamente significativos con un 95,0% de nivel de confianza. En este caso, 4
efectos son significativos.
El ANOVA divide la varianza de la respuesta en diversos componentes: uno para cada

efecto principal, uno para cada interacción, y uno para el error experimental. La tabla del
ANOVA muestra:
• Suma de Cuadrados – La suma de cuadrados Tipo III atribuible para cada término del
modelo. Esta mide el incremento sobre la varianza del error experimental si cada término
fuera eliminado por separado del modelo. La suma de cuadrados totales para el error
también se incluye, donde
ei es el i-ésimo residual, que mide la diferencia entre la
respuesta observada para la corrida i y el valor predicho por la estimación del modelo.
• g.l. - Los grados de libertad asociados con cada término.

• Cuadrados Medios - El cuadrado medio asociado con cada término, obtenido por dividir la
suma de cuadrados asociadas entre sus grados de libertad. El cuadrado medio del error (CME)
estima la varianza del error experimental:
• Cociente-F – Un cociente F el cual divide el cuadrado medio de un efecto por el cuadrado
medio del error:
El cociente F es utilizado para determinar la significancia estadística de cada efecto.
• Valor P – El valor-p al probar la hipótesis nula de que el coeficiente para un efecto

seleccionado es igual a 0, implicando que el efecto no esta presente. Un valor-p mayor que
un nivel critico (como un 0.05 si esta operando el nivel de significancia del 5%) indica que el
correspondiente efecto es estadísticamente significativo a un nivel de significancia.
• R-Cuadrado – El porcentaje de la variabilidad en la variable respuesta que ha sido

considerado por el modelo estimado, calculado por
El rango del R-cuadrado va de 0% al 100% y mide que tan bien el modelo estimado explica
los datos observados de la respuesta..
• R-Cuadrado (ajustado por g.l.) – El R-cuadrado ajustado, ha sido calculado por el
número de grados de libertad sobre el modelo estimado. En algunas situaciones como la
actual donde es relativamente grande el número de coeficientes sobre el modelo
estimado para el número de corridas totales, el estadístico ordinario R-Cuadrado puede
exagerar la habilidad del modelo estimado para predecir la respuesta. La compensación
del R-Cuadrado ajustado por este efecto es
donde p es el número de coeficientes en el

modelo estimado.
Estadístico Durbin-Watson – Un estadístico calculado de los residuales de acuerdo a:
El estadístico Durbin-Watson mide la correlación serial

en los residuales para determinar donde existe cualquier
dependencia entre sucesivas observaciones.
Gráfico de Probabilidad Normal de Efectos
Cuando los grados de libertad disponibles para estimar el error experimental son pocos, la
prueba formal F conducida en el ANOVA puede no tener mucha potencia, de modo que
los efectos más pequeños no parecen ser significativos. Por otro lado, probando un
número grande de efectos, cada uno a un nivel de significación del 5%, podemos generar
resultados más significativos que los que se presentan. Una manera de juzgar cuales
efectos son verdaderos y cuales son probablemente manifestaciones justas del ruido es a
través del Gráfico de Probabilidad Normal de Efectos. En este gráfico, los efectos
estandarizados son ordenados del menor al mayor y graficados contra cuantiles de una
distribución normal. Cualquier estimación que corresponda a señales verdaderas estará
fuera de la línea por la izquierda o por la derecha.
Esta gráfica de probabilidad normal

puede usarse para ayudar a separar los
efectos reales de aquellos que son
simplemente ruido. Es muy útil cuando
hay pocos o ningún grados de libertad
para estimar el error experimental. Hay
un punto en la gráfica para cada uno de
los efectos en el modelo. La idea básica
detrás de la gráfica es que los efectos
que no son reales sino simples
manifestaciones de ruido se
comportarán como si provinieran de
una distribución normal centrada en
cero. La gráfica se escala de tal modo
que los efectos que no son reales
quedarán aproximadamente a lo largo
de la línea recta.
De acuerdo con el principio de parsimonia o K.I.S.S. (Keep It Simple Statistically-

subsistencia del más simple estadístico), los efectos insignificantes deberán
removerse del modelo de acuerdo a las siguientes reglas:
1. Remover cualquier interacción de dos factores insignificantes (u otros efectos de
segundo orden).
2. Remover cualquier efecto principal insignificante que no esté implicado en
interacciones significativas.
Note que los efectos principales correspondientes a los factores que están implicados
en interacciones significativas no deben ser removidos normalmente, puesto que
hacen un lugar artificial de contrastes sobre el modelo polinomial.
Matriz de Correlación
La matriz de correlación despliega las correlaciones estimadas entre los coeficientes
sobre la estimación del modelo de regresión:
La matriz de correlación muestra el grado de confusión entre los efectos. Un diseño

perfectamente ortogonal mostrará una matriz diagonal con 1´s en la diagonal y 0´s fuera
de ella. Cualquier término distinto de cero implica que los estimados de los efectos
correspondientes a esa fila y columna estarán correlacionados. En este caso, no hay
correlación entre ninguno de los efectos. Esto significa que se obtendrán estimados
‘limpios’ para todos esos efectos.
Gráficos de Respuestas
Una lista de los gráficos disponibles sobre el procedimiento Analizar Datos contiene dos
selecciones etiquetadas como Gráficos de Respuestas que permiten predecir los valores de
la respuesta por gráficos de diversas maneras. Por defecto, la primera selección crea un
grafico de superficie de respuesta y la segunda un grafico de contornos. Sin embargo,
cada una es controlada por la misma caja de dialogo Opciones del Panel, la cual permite al
analista desplegar cualquiera de los cuatro tipos de gráficos:
1. Un grafico de Superficie.
2. Un grafico de Contornos.
3. Un grafico de Cuadro.
4. Un grafico de Cubo.
GRACIAS POR SU ATENCIÓN

Diseño de Experimentos Presentacion Seminario

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Diseño de Experimentos Presentacion Seminario

Transféré par

Droits d'auteur :

Formats disponibles

DISEÑO DE

Ing. MSc. Katiuska Varela Hernández

Carúpano, Mayo del 2016

Diseño Experimento Análisis

Análisis sistema Análisis data

Las tres fases esenciales que caracterizan la estructura

Modelo entrada-salida de un proceso o sistema

PRINCIPIOS BÁSICOS EN EL DISEÑO DEL EXPERIMENTOS

Plan Experimental Diseñado

1. La selección de un mejor modelo dentro de un

Hasta que el Programa Experimental esté al

Plan ( comienza) Hipótesis

Proceso iterativo que caracteriza la investigación científica

Diseño de Análisis de Modelos y

ANÁLISIS DE DATOS EXPERIMENTALES

Paquetes informáticos más usados

Durante el diseño de parámetro, el ingeniero selecciona las características de calidad

Una vez establecido el concepto comienza la etapa de

El ANOVA, es una técnica de comparación entre

Los ESTUDIOS EXPERIMENTALES se utilizan en áreas

Hay tres tipos fundamentales de experimentos que

Bioensayos: Conocidos como ensayos o

División según Campbell y Stanley (1966)

La diferencia entre los diversos tipos de investigación

 El pre experimento es aquel experimento con base en

Diseños cuasi experimentales: Son esquemas de

División según Campbell y Stanley (1966)

Criterio: Dimensión Temporal.

Diseños Transeccionales Diseños Longitudinales

Correlacionales/ Trend Cohort Panel

 1. De tendencia (trend): analizan cambios a través del

DIAGRAMAS DE CAUSA EFECTO

Un diagrama de Causa y Efecto es la representación de

DIAGRAMAS DE CAUSA EFECTO

El diagrama de causa efecto se utiliza:

1. ¿Es necesario identificar las causas

DIAGRAMAS DE CAUSA EFECTO

DIAGRAMAS DE CAUSA EFECTO

DIAGRAMAS DE CAUSA EFECTO

DISEÑO FACTORIAL GENERAL|2K

DISEÑO FACTORIAL GENERAL 22

Diseño Factorial a Dos Niveles

GRÁFICO DE PARETO ESTANDARIZADO PARA RENDIMIENTO

Supongamos que la influencia de dos factores -

Factor Unidad Nivel inferior(-) Nivel

Para evitar una visión excesivamente limitada sobre el

Efecto Interacción entre Ay B

GRÁFICO DE PARETO ESTANDARIZADO PARA RENDIMIENTO

El efecto principal de un factor es una medida de la extensión a la

Interacción (AB) Interacción (BA)

Diagramas de efectos principales, interacciones y superficie de respuesta ilustrando

. En este momento, las siguientes cuestiones surgen:

En estos casos, es recomendable emplear los planes fraccionarios, ya que son

En cuanto las corridas experimentales han sido

Efecto Principal de C Efecto Interacción entre A y B

Ejemplo de un diseño factorial fraccionario 23–1 .

Diseño 24-1, Generador: D=ABC, resolución IV

Diseño 25-1, Generador: E=ABCD, resolución V

Resolución IV de 2n-q, es aquel diseño en que:

1.Ningún factor individual se confunde con otro factor

1.Por lo menos una interacción de 2 variables se

Resolución Número de corridas experimentales

Diseño de Experimentos – Diseños de Cribado

3. Si alguna corrida experimental fue realizada en diferentes condiciones a las planeadas