UNIVERSIDAD INDGENA BOLIVIANA AYMARA TUPAK KATARI

CARRERA DE INGENIERA EN INDUSTRIA DE ALIMENTOS

Mayo de 2015

DISEO DE
EXPERIMENTOS
Ing. Rolando Illanes Castaeta

TEMARIO
1.
2.
3.
4.

5.
6.

Introduccin al Diseo de Experimentos

Experimentos con uno y dos tratamientos
Experimentos con un solo factor
Diseos factoriales
Diseos factoriales
Optimizacin de procesos

INTRODUCCION AL DISEO
DE EXPERIMENTOS

DEFINICIONES BASICAS
DISEO DE EXPERIMENTOS
Aplicacin del mtodo cientfico para generar
conocimiento acerca de un sistema o proceso, por
medio de pruebas planeadas adecuadamente.
EXPERIMENTO
Cambio en las condiciones de operacin de un sistema
o proceso, que se hace con el objetivo de medir el
efecto del cambio sobre una o varias propiedades del
producto o resultado.

 UNIDAD EXPERIMENTAL
Es la pieza o muestra que se utiliza para generar un
valor que sea representativo del resultado del
experimento o prueba.
VARIABLES DE RESPUESTA
Mediante esta se conoce el efecto o los resultados de
cada prueba experimental.
FACTORES CONTROLABLES
Variables de proceso o caractersticas de los materiales
experimentales que se pueden fijar en un nivel dado.

 FACTORES NO CONTROLABLES O DE RUIDO

Variables o caractersticas de materiales y mtodos que
no se pueden controlar durante el experimento o la
operacin normal del proceso.
FACTORES ESTUDIADOS
Variables que se investigan en el experimento, respecto
de cmo influyen o afectan a la(s) variable(s) de
respuesta.

 NIVELES
Los diferentes valores que se asignan a cada factor
estudiado en un diseo experimental.
TRATAMIENTO
Combinacin de niveles de todos los factores estudiados.
ERROR ALEATORIO
Variabilidad que se debe a causas comunes o aleatorias.
ERROR EXPERIMENTAL
Errores que el experimentador comete durante los
experimentos.

Variables de respuesta

TIPOS DE VARIABLES

CUANTIFICABLES: Toman valores numricos.

CONTINUAS: Infinitos entre dos nmeros (Longitud,
peso, concentracin)
DISCONTINUAS: fijos y no pueden tomar valores
intermedios (Num. De colonias de bacterias, frecuencias)
CUALITATIVAS (Categricas): Describen una cualidad
que no puede medirse (Normal o Defectuoso; Bueno, regular,
malo) Puede codificarse la variable. (Bueno=3 ; regular=2 ;
malo=1)
ORDINALES: La caracterstica no se puede medir pero si
ordenar (Orden de nacimiento de insectos en un rea)

ETAPAS EN EL DISEO DE
EXPERIMENTOS
1. PLANEACIN Y REALIZACIN
a) Entender y delimitar el problema u objeto de estudio
b) Elegir la(s) variable(s) de respuesta que ser medida
en cada punto del diseo y verificar que se mide de
manera confiable.
c) Determinar cuales factores deben estudiarse o
investigarse, de acuerdo a la supuesta influencia que
tienen sobre la respuesta.

d) Seleccionar los niveles de cada factor, as como

el diseo experimental adecuado a los factores que
se tienen y al objetivo del experimento.
e) Planear y organizar el trabajo experimental.
f) Realizar el experimento.

 2. ANALISIS
3. INTERPRETACION
4. CONCLUSIONES FINALES

CLASIFICACIN Y SELECCIN DE LOS

DISEOS EXPERIMENTALES
ASPECTOS QUE INFLUYEN EN LA SELECCIN DE
UN DISEO EXPERIMENTAL

1. El objetivo del experimento.

2. El nmero de factores a estudiar.
3. El nmero de niveles que se prueban en cada factor.
4. Los efectos que interesa investigar (relacin factoresrespuesta).
5. El costo del experimento, tiempo y precisin deseada.

CLASIFICACIN DE LOS DISEOS EXPERIMENTALES

EXPERIMENTOS CON UNO Y DOS

TRATAMIENTOS

EXPERIMENTO CON UN TRATAMIENTO

(PLANTEAMIENTO DE UNA HIPOTESIS ESTADISTICA)
PLANTEAMIENTO DE HIPOTESIS ESTADISTICA

CLCULO DEL ESTADISTICO DE PRUEBA

CRITERIO DE RECHAZO

PRUEBA PARA LA MEDIA

Planteamiento de la hiptesis:
Hip. Nula Ho : = O

Ho : = O

Ho : = O

HA : O
Bilateral

HA : > O
Unilateral

HA : < O
Unilateral

Hip. Alt.

Estadstico de prueba: T de Student

Criterio de rechazo de Ho:

Ejemplo
Un fabricante de dulces compra costales de azcar a
cierto ingenio. Segn los vendedores los costales tienen
un peso medio de 50.1 kg, con una varianza de (s2 = 0.5).
El comprador sospecha que el peso medio es menor. Para
confirmar su sospecha decide contrastar las hiptesis:
Ho : = 50.1
HA : < 50.1

IR A EJEMPLO EN MINITAB

Prueba para la varianza

En el anterior problema simple vista se puede notar que la
varianza = 0.5, declarada por el vendedor, es bastante
diferente que la varianza muestral = 1.2, lo cual lleva a
sospechar que su afirmacin sobre la varianza del proceso
es falsa.

IR A EJEMPLO EN MINITAB

CRITERIOS DE RECHAZO O ACEPTACION

1. Estadstico de prueba frente a valor critico

Ho se rechaza si el estadstico de prueba cae en la regin de

rechazo que est delimitada por el valor crtico.
2. Significancia observada frente a significancia predefinida
La significancia predefinida que se denota con , es el riesgo
mximo que el experimentador est dispuesto a correr por
rechazar Ho indebidamente.
Mientras que la significancia observada o calculada, tambin
conocida como p-value o valor-p, es el rea bajo la distribucin
de referencia ms all del valor del estadstico de prueba.

 Ho se rechaza si la significancia observada es menor

que la significancia dada, o sea, si valor-p < .
Representa una medida de la contundencia con la
que se rechaza o no la hiptesis nula.
Si la significancia observada o valor-p es igual a
0.0001, entonces slo hay una probabilidad a favor
de Ho de 0.0001, por lo que se rechazara la hiptesis
nula con un riesgo de 0.0001, que es menor del que
se est dispuesto a admitir, tpicamente = 0.05

 3. Intervalo de confianza
Se rechaza Ho si el valor del parmetro declarado en la
hiptesis nula se encuentra fuera del intervalo de
confianza para el mismo parmetro.

Con una confianza de 90% m est entre 48.9 y 49.9. En tanto, el

valor 50.1 declarado en la hiptesis nula no pertenece al intervalo,
y adems el intervalo est ubicado a la izquierda del 50.1, por lo
tanto, se rechaza la hiptesis H0 : m = 50.1 y la evidencia seala
que contienen menos azcar de la que se afirma.
Es til cuando el software proporciona el intervalo de confianza
para el parmetro de inters, pero no provee la prueba de hiptesis correspondiente.

EXPERIMENTO CON DOS TRATAMIENTO

(HIPOTESIS PARA DOS MEDIAS)

Por ejemplo, comparar dos proveedores, dos materiales,

dos mquinas o dos mtodos de trabajo.

Hiptesis:

Para probar Ho:

(Cuando las varianzas son iguales)

Es recomendable que nx = ny = n

 T de Student con nx + ny 2 grados de

libertad.

Donde las varianzas son iguales

Se rechaza Ho si |to| > t/2, con nx + ny 2 grados de libertad.

La hiptesis alternativa es de la forma
HA : x > y,
Se rechaza Ho : x = y

si

to > t,

Si es de la forma
HA : x < y
Se rechaza Ho

si

to < t.

En forma equivalente, se rechaza Ho si el valor-p < para la pareja

de hiptesis de inters.

Ejemplo:
Comparacin de dos centrifugadoras. Se desea medir el
dimetro de partculas de una muestra para esto se utilizan dos
equipos tipo centrifugadoras, y se sospecha que stas reportan
mediciones distintas para el mismo producto a analizar. Se decide
hacer un estudio que permita comparar las medias y las varianzas
reportadas por los dos equipos; para lo cual, de un mismo lote se
tomaron 13 lecturas con cada centrifugadora. Los resultados son
los siguientes:

 Hiptesis:

Nivel de significancia de 5% (a = 0.05)

Suponiendo que las varianzas son iguales:
= 339.30

De la tabla de distribucin T de Student con 13 + 13 2 = 24

grados de libertad, se obtiene el punto crtico t(0.025, 24) = 2.064.
Como |to| = 2.10 > 2.064 = t/2,
Se rechaza Ho, por lo que se concluye que las centrifugadoras A y
B no reportan en promedio el mismo tamao de partcula.

 Para probar Ho: (Cuando las varianzas no

son iguales)
Hiptesis:

Para probar Ho:

(Cuando las varianzas son iguales)

Es recomendable que nx = ny = n

 Los grados de libertad es:

Cuidado: Minitab usa otra ecuacin!!

 Donde las varianzas no son iguales.

Se rechaza Ho:
si |to| > t/2, v
o
si el valor-p < .
En el ejemplo: to = 2.10,
y aplicando la frmula para calcular los grados de libertad, se
obtiene que v = 26.
Con esto se determina que:
valor-p = 0.047.
Por lo tanto, con = 0.05, se rechaza la igualdad de las medias.

PRUEBA PARA LA IGUALDAD DE

VARIANZAS
Hiptesis:

Estadstico:

Es recomendable que nx = ny = n

 Sigue una distribucin F con Nx 1 grados de libertad en

el numerador y Ny 1 grados de libertad en el
denominador.

Ho se rechaza si:

|Fo| > F/2,n1-1,n2-1

Valor-p <

 En el ejemplo:
= 1.06

Valor p = 0.927

Entonces con = 0.05: Ho NO SE RECHAZA

Estadsticamente las centrifugadoras tienen las misma
variabilidad, precisin o error de medicin.

EXPERIMENTOS CON UN SOLO

FACTOR
(ANALISIS DE VARIANZA)

Objetivo:
El anterior capitulo comparaba dos tratamientos o condiciones
(poblaciones o procesos).
Este capitulo compara mas de dos tratamientos (Pero considera
un solo factor)
Ejm.: Comparar:

- Tres o mas maquinas

- Varios proveedores

- Cuatro procesos

- Tres materiales

- Cinco productos

- Cuatro temperaturas

- etc

Estadsticamente
la hiptesis fundamental a probar cuando
se comparan varios tratamientos es:

Los tratamientos son iguales estadsticamente en cuanto

a sus medias????
O (la alternativa), al menos dos de ellos son diferentes???

DISEO COMPLETAMENTE AL AZAR

(DCA) Y ANOVA
Considera solamente dos fuentes de variabilidad:
Los tratamientos
El error aleatorio.
Todas las corridas experimentales se realizan en orden
aleatorio completo.

DISEO COMPLETAMENTE AL AZAR

Modelo estadstico:

ANOVA para el DCA

La tcnica del ANOVA separa la variacin
total en las partes con las que contribuye cada
fuente de variacin en el experimento, los
tratamientos y el error.

 NOTACION DE PUNTOS:

Yij representa la j-sima observacin en el tratamiento i, con i

= 1, 2, , k y j = 1, 2, , ni.
Note que el punto indica la suma sobre el correspondiente
subndice

 Una medida de la variabilidad es la suma total

de cuadrados:

Suma
de
cuadrados
Suma de cuadrados
del tratamiento (SCTRAT) del error (SCE)

 Grados de libertad del SCT :

= N de observaciones 1

Grados de libertad del SCTRAT :

= N de tratamientos (niveles) 1

N - 1

= K - 1

Grados de libertad del SCE:

= N de observaciones N de tratamientos

N - K

 CUADRADOS MEDIOS:

EL ESTADISTICO:

(K 1) Grados de libertad en el numerados y

(N K) Grados de libertad en el denominador.

 Se rechaza Ho si:
Fo > F , k 1 , N k

Valor p <

TABLA DEL ANOVA PARA EL DCA

NOTA: El ANOVA supone que la variable de respuesta se distribuye

normal, con varianza constante (los tratamientos tienen varianza
similar) y que las mediciones son independientes entre s. Estos
supuestos deben verificarse para estar ms seguros de las
conclusiones obtenidas.

Ejemplo:
Comparacin de cuatro tipos de frutas. Un fabricante
desea fabricar alcohol mediante otro tipo de materia prima
que no sea la caa de azcar, desea probar con cuatro tipos
de frutas A, B, C y D disponibles en el mercado. Para ello,
prueba las frutas con las mismas condiciones de operacin y
la misma cantidad... Como criterio de evaluacin se usa la
cantidad de alcohol generada, determinado mediante
mtodos apropiados de destilacin. Se prueban en orden
aleatorio 24 veces, seis de cada tipo de fruta. Al hacer las
pruebas en orden completamente al azar se evitan sesgos y
las mediciones en un tipo de fruta resultan independientes de
las dems. Los datos (GL) sobre la produccin de alcohol
se muestra a continuacin:

Tipo de fruta

HIPOTESIS:

ANOVA PARA LOS TIPOS DE FRUTAS

Tipo de fruta

 Como:
Valor-p = 0.0018 < =0.05

Se rechaza Ho

Se acepta que al menos un par de tipos de frutas

producen una cantidad de alcohol promedio diferente.
Para saber cual tipo de fruta produce una cantidad
diferente al de otro se necesita realizar comparaciones
entre las medias de los tratamientos. Mediante Mtodos
de comparacin mltiples

El ejemplo manualmente:
Tipo de fruta

De Tablas:

Se rechaza Ho; Hay diferencia entre

Aplicar
por lo MINITAB!!!
menos dos.

METODOS DE COMPARACION
DIAGRAMAS DE CAJAS SIMULTANEOS:

Manera descriptiva de comparacin de tratamientos.

En general, cuando los diagramas no se traslapan es probable que
los tratamientos correspondientes sean diferentes entre s, y la
probabilidad es mayor en la medida que los diagramas estn
basados en ms datos.
Cuando se traslapan un poco puede ser que haya o no diferencias
significativas, y en cualquier caso es conveniente utilizar una
prueba estadstica para determinar cules diferencias son
significativas.

Del ejemplo

 Se observa que el mtodo C parece diferente

a los mtodos A y B en cuanto a sus medias.
La media del mtodo D tambin se ve
diferente a la media del mtodo A.
Por otra parte, se observa un poco ms de
variabilidad en el mtodo C que en todos los
dems.

Grafico de medias (Means plot):

 Conclusiones:
La fruta que produce mayor cantidad de alcohol a las
condiciones establecidas parece ser el C, ya que
estadsticamente sus porcentajes de alcohol producidos
son mayores que los de los mtodos A y B.
Le sigue el D, ya que ste es mejor que el B y el A.
Pero no es posible concluir contundentemente que el C
sea mejor que el D, ya que sus intervalos se traslapan.
Si se quisiera decidir en forma estadstica sobre la
diferencia entre C y D, una forma de hacerlo es tomar
ms datos para incrementar la potencia de la prueba, o
bien, recurrir a otros criterios para tomar la decisin.

Comparacin mediante el mtodo LSD

(Diferencia mnima significativa-Fisher)
Hiptesis para todas los posibles pares de medias:

Se rechaza la hiptesis Ho: i = j si ocurre que:

Si el diseo es balanceado (n1 = n2 = n3==nk = n):

Continuando el ejemplo:
Los seis posibles pares de hiptesis son:

Grados de libertad del error = N-k = 12

CME

= 2.46

T0.025 , 12 = 2.18
n (numero de pruebas) = 4
= 2.18 = 2.42
- La decisin sobre cada una de las seis hiptesis listadas se
obtiene al comparar las correspondientes diferencias de medias
mustrales en valor absoluto con el nmero LSD.
- Se declaran significativas aquellas diferencias que son
mayores a este nmero.

Otros mtodos:
METODO DE TUKEY:
Compara la diferencia muestral con:

Ir a MINITAB!!!
METODO DE DUNCAN
Compara las diferencias de medias mustrales con rangos
Rp de la Tabla de Duncan.

VERIFICACION DE LOS SUPUESTOS

DEL MODELO
Para el anlisis de varianza ANOVA, se trabaja con tres
supuestos:
NORMALIDAD: La respuesta se distribuye de manera
NORMAL.
VARIANZA CONSTANTE: Cada tratamiento tiene la
misma varianza.
INDEPENDENCIA: Las mediciones son independientes.

 Se utilizan los RESIDUOS para comprobar los

supuestos del modelo:
Residuo = Respuesta observada - Respuesta predicha por el
modelo

Los supuestos del modelo lineal (3.15), en trminos de los

residuos, son:
1. Los eij siguen una distribucin normal con media cero.
2. Los eij son independientes entre s.
3. Los residuos de cada tratamiento tienen la misma varianza s2.

1 VERIFICACION DE LA NORMALIDAD
Ir a MINITAB!!!
GRAFICA DE PROBABILIDAD NORMAL para los residuos.

Si los residuos siguen una distribucin normal, al graficarlos

tienden a quedar alineados en una lnea recta.

2 VERIFICACION DE LA VARIANZA
CONSTANTE
-GRAFICA DE PREDICHOS VS. RESIDUOS ()
Si los puntos en esta
grfica se distribuyen
de manera aleatoria en
una banda horizontal
(sin ningn patrn claro
y contundente),
entonces es seal de que
se cumple el supuesto de
que los tratamientos
tienen igual varianza.
Ir a MINITAB!!!

3 VERIFICACION DE LA INDEPENDENCIA
- GRAFICA DE RESIDUOS VS. ORDEN DE CORRIDA
Si al graficar se detecta
una tendencia o patrn
no aleatorio claramente
definido, esto es
evidencia de que existe
una correlacin entre
los errores y, por lo
tanto, el supuesto
de independencia no se
cumple

EJEMPLOS DE GRAFICAS DE RESIDUOS QUE

INCUMPLEN LOS SUPUESTOS DEL ANOVA

CLCULO DEL TAMAO DE MUESTRA

A menor diferencia que se espera en los tratamientos, mayor
ser la cantidad de rplicas si se quieren detectar diferencias
significativas, y viceversa, es decir, si se esperan grandes
diferencias quiz con pocas rplicas sea suficiente.
Si se espera mucha variacin dentro de cada tratamiento,
debido a la variacin de fuentes no controladas como mtodos de
medicin, medio ambiente, materia prima, etc., entonces se
necesitarn ms rplicas.
Si son varios tratamientos (cuatro o ms), entonces ste es un
punto favorable para reducir el nmero de rplicas.
Tambin considerar costos y tiempo global del experimento.

CLCULO DEL TAMAO DE MUESTRA

k = num. De tratamientos
no = numero de replicas tentativo
= Variabilidad intrnseca esperada
dT = diferencia entre tratamientos aprox.

Ejemplo
Numero de maquinas a experimentar = 4 = k
Numero de replicas tentativo = 5 (basado en los criterios
anteriores)
Variabilidad intrnseca esperada = 1.5 u. =
Diferencia entre maquinas (tratamientos) = 2 u.

DISEO DE BLOQUES

DISEO DE BLOQUES COMPLETOS

AL AZAR
Cuando existen otros factores que no se controlan o
nulifican para hacer la comparacin, las conclusiones
podran ser afectadas sensiblemente.
Por ejemplo, supongamos que se quieren comprar
varias mquinas, si cada mquina es manejada por
un operador diferente y se sabe que ste tiene una
influencia en el resultado, entonces es claro que el
factor operador debe tomarse en cuenta si se quiere
comparar a las mquinas de manera justa.

 Para evitar este sesgo hay dos maneras de anular el

posible efecto del factor operador:
La manera lgica es utilizar el mismo operador en las
cuatro mquinas; sin embargo, tal estrategia no siempre es
aconsejable, ya que utilizar al mismo sujeto elimina el
efecto del factor operador pero restringe la validez de la
comparacin con dicho operador, y es posible que el
resultado no se mantenga al utilizar a otros operadores.
La otra forma de anular el efecto operador en la
comparacin consiste en que cada operador trabaje durante
el experimento con cada una de las mquinas

Esta forma de nulificar el efecto de operadores, recibe el

nombre de bloqueo.

Modelo estadstico

Yij es la medicin que corresponde al tratamiento i y al bloque j

(ver tabla 4.1); m es la media global poblacional; ti es el efecto
debido al tratamiento i, gj es el efecto debido al bloque j, y eij es el
error aleatorio atribuible a la medicin Yij.

Arreglo de datos

 HIPOTESIS:

ANOVA

Ejemplo
En el anterior ejemplo, donde se plante la generacin de alcohol
a parir de tres tipos de mostos, ahora se va a controlar activamente
en el experimento a los investigadores que conforman el equipo de
investigacin y que realizan la fermentacin, lo que da lugar al
siguiente diseo en bloques completos al azar.
Tipos de
fruta

Hiptesis para las medias

Hiptesis para los efectos de los bloques

Tipos de fruta

Ir a MINITAB!!!

DISEO EN CUADRO LATINO

Se controlan dos factores de bloque y se estudia un factor de
tratamientos.
Tienen cuatro fuentes de variabilidad que pueden afectar la
respuesta observada, stas son: los tratamientos, el factor de
bloque I (columnas), el factor de bloque II (renglones) y el error
aleatorio.

Ejemplo
Comparacin de cuatro marcas de llantas. Una compaa
de mensajera est interesada en determinar cul marca de
llantas tiene mayor duracin en trminos del desgaste. Para
ello se planea un experimento en cuadro latino, en el que se
comparan las cuatro marcas de llantas sometindolas a una
prueba de 32 000 kilmetros de recorrido, utilizando cuatro
diferentes tipos de auto y las cuatro posiciones posibles de
las llantas en el auto. As, el factor de inters es el tipo de
llanta o marca, y se controlan dos factores de bloques: el
tipo de carro y la posicin de la llanta en el carro. Estos
factores de bloques se controlan ya que, por experiencia, se
sabe que el tipo de carro y la posicin de la llanta tienen
efecto en el des gaste de la misma

DISEOS FACTORIALES

CONCEPTOS BASICOS

El objetivo de un diseo factorial es estudiar el efecto de

varios factores sobre una o varias respuestas, cuando se
tiene el mismo inters sobre todos los factores.
Con el diseo factorial completo se corren aleatoriamente
todas las posibles combinaciones que pueden formarse con
los niveles de los factores a investigar.
La matriz de diseo o arreglo factorial es el conjunto de
puntos experimentales o tratamientos que pueden formarse
considerando todas las posibles combinaciones de los
niveles de los factores.

 Con k = 2 factores, ambos con dos niveles, se forma

el diseo factorial 2 2 = , que consiste en cuatro
combinaciones o puntos experimentales.
Si uno tiene tres niveles y el otro dos, se pueden
construir 3 2 combinaciones que dan lugar al
diseo factorial 3 2.
El nmero de corridas experimentales es igual al
producto del nmero de tratamientos por el nmero
de rplicas.


K factores
2 niveles para cada factor

DISEO
FACTORIAL

K factores
3 niveles para cada factor

4x2x2 o 4x
3 factores, el primero con 4 niveles
y los dos restantes con dos niveles

DISEO FACTORIAL
Seis maneras de escribir los tratamientos del diseo

 Suma de cuadrados:

 ANOVA para el diseo factorial

Si el valor-p es menor que el nivel de significancia prefijado , se

concluye que el efecto correspondiente es estadsticamente distinto
de cero, es decir, tal efecto est activo o influye de manera
significativa sobre la respuesta.
Adems, mientras ms pequeo sea el valor-p de un efecto, este ltimo es ms
importante

Ejemplo
Interesa estudiar el efecto de la temperatura (factor A)
y de la velocidad de secado (factor B) sobre la perdida
de pro-vitamina A en el secado de la zanahoria
(respuesta Y) en el proceso de precipitacin. Para ello,
se decide utilizar un diseo factorial con cuatro

rplicas, lo cual da un total de 4 = 16 corridas del

proceso, que se realizan en orden aleatorio. La
temperatura de secado ser entre 40 y 70 C y la
velocidad en 40 y 90 revoluciones por segundo, segn se
describe en la siguiente tabla:

hiptesis
H0 : efecto A = 0, H0 : efecto B = 0 y H0 :efecto AB = 0
HA : efecto A 0, HB : efecto B 0 y HAB : efecto AB 0,
Si el valor-p, es menor que , se rechazan las hiptesis
nulas
Entonces se acepta que s hay efecto de A, B y AB, es decir,
los tres efectos estn activos o son significativos.

Temperatura

40

70

DISEO Y DATOS PARA EL AGITADOR:

T

40
70
40
70

% de perdida

 ANALISIS DE VARIANZA

Temp.

De acuerdo con la ANOVA, tanto los dos efectos principales (Temperatura y

velocidad) como el efecto de interaccin (Temperatura velocidad) tienen un
efecto significativo sobre el porcentaje de perdida de la provitamina A..

Ir a MINITAB!!!

REPRESENTACION DE LOS EFECTOS PRINCIPALES

En el eje horizontal se ubican los niveles del factor y en el eje vertical se encuentra la
media de la respuesta observada en los correspondientes niveles.
En la figura se aprecia que el efecto principal (individual) del factor B es mayor que el
del factor A.

REPRESENTACION DE LAS INTERACCIONES

S existe interaccin: el efecto del incremento de B sobre Y es

diferente dependiendo del nivel de A, y viceversa.

No hay efecto de interaccin. En b) se aprecia que si A se aumenta, Y aumenta,

independientemente del valor de A.

Ir a MINITAB!!!

 Del ejemplo (Grafica de efectos principales):

No se debe aumentar la velocidad, ni la temperatura y
que, por lo tanto, si se quiere minimizar la perdida
forzosamente se debe utilizar la combinacin (A, B).

 DE LAS GRAFICAS DE INTERACCION:

Cuando la temperatura se encuentra en su nivel bajo, la velocidad no afecta
de manera significativa a la perdida, por el contrario, cuando la temperatura
se encuentra en su nivel alto, la velocidad tiene un efecto considerable
sobre la perdida.
En otras palabras, al estar la broca en su nivel bajo, la vibracin ser baja
sin importar la velocidad.
Si lo que se quiere es minimizar la perdida, entonces se puede utilizar el
tratamiento (A, B+) o el (A, B), ya que ambos logran prcticamente los
mismos resultados, por lo que la decisin de cul de los dos utilizar se
puede hacer con otros criterios, por ejemplo el tiempo de secado. Si por
alguna razn se tuviera que trabajar con la temperatura de nivel alto,
entonces se debe trabajar a velocidad baja para que no se incremente tanto
la perdida.

 DISEO FACTORIAL

ANOVA

EJEMPLO

En una empresa que fabrica dispositivos electrnicos se

identific que los choques trmicos era la principal
causa de componentes elctricos rotos en las etapas de
procesamiento conocidas como grabado mesa y
piraa. Un grupo de investigadores de esas reas
identific a tres factores principales (temperaturas)
como las probables causas del problema. Por ello, se
utiliz un experimento factorial con el objetivo de
localizar una combinacin de temperaturas en la cual se
rompan un mnimo de unidades por efecto trmico.
Los tres factores controlados y sus niveles en unidades
originales, son las temperaturas:

LLEVANDO LOS NO SIGNIFICANTES AL ERROR

Y = 0.01525 0.00975 T1 0.00325 T2 0.00425 T3 + 0.00475 T1 T3

Efectos principales

Interaccin AC

Grafica de cubo y respuesta predicha

DISEOS FACTORIALES

Los diseos factoriales 3K analizan fenmenos que

den respuestas no lineales!!!

Diseo factorial
NOTACION:

NOTA: Otros diseos, que de hecho son ms utilizados y recomendados para

ese fin, son el diseo de Box-Benhken y el diseo central compuesto.

Ejemplo
En un proceso de fabricacin de cajas se utiliza
pegamento; con la idea de mejorar el desempeo
de las cajas se realiza un experimento para
estudiar la fuerza de adhesin del pegamento en
diferentes condiciones de humedad y
temperatura. La variable de respuesta es la
fuerza necesaria en libras para despegar la caja.
Los datos obtenidos en cada una de las nueve
combinaciones de un diseo factorial 32 con n =
2 rplicas, se muestran a continuacin:

ANOVA

Efectos principales

interaccin

 Los efectos predominan sus componentes

lineales, ya que las lneas tienen una curvatura
apenas perceptible. Se observa que a mayor
temperatura y menor humedad, ms efectivo es el
proceso de pegado.
En la grfica de interaccin apenas se aprecia un
pequeo efecto (las lneas tienen pendiente
similar).

FACTORIALES MIXTOS
Se tiene un diseo factorial mixto cuando los factores estudiados
no tienen el mismo nmero de niveles. Por ejemplo, el factorial 4
3 2 significa que se experimenta con tres factores, con 4, 3 y 2
niveles, respectivamente. El total de tratamientos es 24.
El diseo factorial mixto es ms frecuente que se utilice cuando,
por su naturaleza discreta o categrica, los factores tienen un
nmero finito y distinto de niveles, y el inters es estudiar todos
los niveles.
Por ejemplo las tres marcas de cierto material. La otra razn,
aunque menos frecuente en los diseos mixtos que en los
factoriales 3k, es la posibilidad de estudiar efectos de curvatura de
los factores con ms de dos niveles.

OPTIMIZACION DE PROCESOS
CON METODOLOGIA DE
SUPERFICIE DE RESPUESTA

INTRODUCCION
La MSR es la estrategia experimental y de anlisis que permite
resolver el problema de encontrar las condiciones de operacin
ptimas de un proceso, es decir, aquellas que dan por resultado
valores ptimos de una o varias caractersticas de calidad del
producto.
Regin de
operabilidad

 En diseos factoriales completos el mejor tratamiento es el

tratamiento ganador, desde el punto de vista estadstico, de entre
todos los que se probaron en el estudio. En cambio, el punto
ptimo implica que es la mejor combinacin posible en toda la
regin de operabilidad.

Del ejemplo perdida de

vitamina c

Ir a MINITAB!!!

OPTIMIZACION SIMULTANEA

Considerar diversas caractersticas (variables) para

lograr productos con mejor calidad y propiedades. Por
ejemplo, un alimento tiene varias propiedades como:
textura, pH, color, sabor, apariencia, etc., y todas son
importantes para que el alimento sea bien aceptado por
los consumidores.
Si la optimizacin slo se hace para una caracterstica
del producto podran resultar condiciones inadecuadas
para las otras caractersticas.
Por ello es imprescindible contar con tcnicas que
sirvan para que, en la medida de lo posible, se
optimicen simultneamente todas las respuestas de
inters.

Contornos de una hipersuperficie en sentido (X1, X3)

con cortes en x2 = 1, 0, 1.

Primer paso del mtodo grfico: en todos los

cortes hay regin factible.

Punto optimo simultaneo

VER EJEMPLO EN MINITAB:

Lavado casena extrada de leche
N. lav

Factor

Temperatura

Grado de
agitacin
Relacin de
lavado

Designacin
de nivel

Valor de
nivel

-1 (menor)

C: 20

1 (mayor)

C: 28

-1 (menor)

RPM: 450

1 (mayor)

RPM: 800

-1 (menor)

6/1

1 (mayor)

3/1

Variable de
respuesta

Reduccin de
contenido de
lactosa [%]
Dimetro de
grnulos [m]

GRACIAS