INSTITUTO TECNOLÓGICO SUPERIOR

P’URHÉPECHA
INGENIERÍA INDUSTRIAL
INGENIERÍA DE CALIDAD

8º SEMESTRE
UNIDAD 3: Diseño Robusto y Diseños Factoriales.
Actividad 1: Correspondiente al subtema 3.1
MTRO. CARLOS HUERTA ALVARADO
Jorge Luis pineda Peñaloza
00S171063
lugar y fecha: Jacona Michoacán 3 de marzo del 2021
INTRODUCCIÓN
En esta investigación hablaremos de los Diseños factoriales de experimentos y su aplicación al
control de calidad y diseño de procesos y productos industriales todas nuestras actividades
asociadas con planear y realizar estudios de investigación tienen implicaciones estadísticas, es por
ello que prácticamente en todos los campos de estudio y empresariales se llevan a cabo
experimentos, por lo general para descubrir algo acerca de un proceso o sistema en particular.

En ingeniería, la experimentación desempeña un papel importante en el diseño de nuevos productos,

el desarrollo de procesos de manufactura y el mejoramiento de procesos. El objetivo en muchos
casos sería desarrollar un proceso robusto, es decir, un proceso que sea afectado en forma mínima
por fuentes de variabilidad externas el "Diseño de Experimentos" es una técnica estadística
sistemática cuyo objetivo es realizar una serie de pruebas en las que se inducen cambios deliberados
para averiguar si determinados factores influyen en la variable de interés o de estudio y, si existe
influencia de algún factor en el proceso o producto, cuantificarla.
DISEÑO DE EXPERIMENTOS EN LA INDUSTRIA

El diseño de experimentos es altamente efectivo para aquellos procesos, que su rendimiento se ve

afectado por varios factores. Con esta técnica se puede conseguir entre otras cosas, mejorar el
rendimiento de un proceso, reducir la variabilidad o los costos de producción, así como aumentar la
calidad de los productos o servicios

En general los experimentos se usan para estudiar el desempeño de procesos y sistemas. El proceso
o sistema puede representarse como se muestra en la figura 1. El proceso puede por lo general
visualizarse como una combinación de máquinas, métodos, personas u otros recursos que
transforman cierta entrada (con frecuencia cierto material) en una salida que tiene una o más
respuestas observables. Algunas variables del proceso x1, x2,..., xn son controlables, mientras que
otras z1, z2,...,zm son no controlables

Los objetivos del diseño de experimentos podrían comprender los siguientes puntos:

• Determinar cuáles son la variable que tiene mayor influencia sobre la respuesta y.
• Determinar cuál es el ajuste de las x que tiene mayor influencia para que y esté casi siempre
cerca del valor nominal deseado.
• Determinar cuál es el ajuste de las x que tiene mayor influencia para que la variabilidad
de y sea reducida.
• Determinar cuál es el ajuste de las x que tiene mayor influencia para que los efectos de las
variables z1, z2,...,zm sean mínimos.

El diseño experimental es una herramienta de importancia fundamental en el ámbito industrial

(ingeniería) e incluso en las empresas de servicio para mejorar el desempeño de un proceso de
manufactura o servicio. También tiene múltiples aplicaciones en el desarrollo de nuevos productos y
procesos. El diseño de experimentos se puede utilizar en las industrias para:
 • Mejorar los procesos, ya sea mejorando su eficiencia, su confiabilidad o su rendimiento.
• Asistir en la solución problemas.
• Aprender de los procesos y sus fallos.
• Establecer relaciones de causa-efecto entre las entradas (input) de un proceso y sus salidas
(output).
• Identificar los factores que tiene el mayor impacto y el menor en los procesos y/o productos.
• Lograr una producción de productos que cumplan con las especificaciones que sean a su
vez robustos a ruidos externos.
• Establecer una región (o ventana) del proceso donde unos factores pueden operar,
averiguando la sensibilidad al cambio de algunos factores en la respuesta.
• Fijar especificaciones y tolerancias lógicas para productos y procesos.
• Obtener una ecuación polinómica que modele el comportamiento de la respuesta de un
proceso en una región de variación de los factores.
• Verificar si la solución adoptada apara mejorar un proceso, realmente obtiene los resultados
esperados.

ALGUNAS APLICACIONES TÍPICAS DEL DISEÑO DE EXPERIMENTOS EN LA INDUSTRIA

La aplicación de las técnicas del diseño experimental en las fases iniciales del desarrollo de un
proceso puede redundar en:

1. Mejoras en el rendimiento del proceso.

2. Variabilidad reducida y conformidad cercana con los requerimientos nominales o
proyectados.
3. Reducción del tiempo de desarrollo.
4. Reducción de los costos globales.

Entre las aplicaciones del diseño experimental en el diseño de ingeniería (desarrollo de nuevos
productos) se encuentran:

• La evaluación y comparación de configuraciones de diseños básicos.

• La evaluación de materiales alternativos.
• La selección de los parámetros del diseño para que el producto tenga un buen
funcionamiento en una amplia variedad de condiciones de campo, es decir, para que el
producto sea robusto.
• La determinación de los parámetros clave del diseño del producto que afectan el desempeño
del mismo.
PLANIFICACIÓN DE UN DISEÑO DE EXPERIMENTOS

La experimentación forma parte natural de la mayoría de las investigaciones científicas e industriales,

en muchas de las cuales, los resultados del proceso de interés se ven afectados por la presencia de
distintos factores, cuya influencia puede estar oculta por la variabilidad de los resultados muéstrales.
Es fundamental conocer los factores que influyen realmente en el sistema o proceso que se está
estudiando y estimar esta influencia. Para conseguir esto es necesario aplicar un enfoque estadístico
en el diseño y análisis de un experimento, variar las condiciones que afectan a las unidades
experimentales y observar la variable respuesta. Del análisis y estudio de la información recogida se
obtienen las conclusiones.

Las etapas a seguir en el desarrollo de un problema de diseño de experimentos son las siguientes:

Identificación del problema y definir los objetivos. Es común en la industria no darse cuenta de que
existe un problema en un proceso o producto que requiere experimentación para mejorar su
eficiencia o calidad, para aplicar un experimento es necesario desarrollar todas las ideas acerca de
los objetivos del mismo. Es importante solicitar aportaciones de todas las áreas involucradas:
ingeniería, calidad, manufactura, mercadotecnia, administración, el cliente y el personal de
operación. En la mayoría de los casos es conveniente hacer una lista de los problemas o preguntas
específicas que van a abordarse en el experimento. Las actividades y herramientas que nos apoyan
a realizar esta fase se presentan en la tabla 1

Actividades Herramientas
1.- Seleccionar equipo de trabajo
2.- Formular problema Diagrama de flujo
Gráficos de control
3.- Documentar información importante
Gráfico jerarquizado de objetivos
4.- Elegir respuestas Mapa de procesos
5.- Establecer objetivo

EXPERIMENTOS CON UN SOLO FACTOR: ANÁLISIS DE LA VARIANZA (ANOVA)

El análisis de varianza sirve para verificar si hay diferencias estadísticamente significativas entre
medias cuando tenemos más de dos muestras o grupos en el mismo planteamiento. El procedimiento
para comparar estos valores está basado en la varianza global observada en los grupos de datos
numéricos a comparar. Típicamente, el análisis de varianza se utiliza para asociar una probabilidad
a la conclusión de que la media de una población o tratamiento es distinta de la media de otra
población.

Un ejemplo para este tipo de diseño sería el siguiente: Supongamos que un ingeniero de desarrollo
de productos desea maximizar la resistencia a la tensión de una nueva fibra sintética que se utilizará
para fabricar camisas. Por experiencia, parece que la resistencia (o fortaleza) se ve influida por el %
de algodón presente en la fibra. Ante esta situación, el ingeniero decide tomar cinco ejemplares
muestras para cinco diferentes niveles de % de algodón y medir la fortaleza de las fibras así
producidas. El análisis de la varianza nos ayudará a responder las siguientes cuestiones: a) ¿Influye
el % de algodón en la fortaleza de la fibra fabricada? y b) Si es así, ¿qué niveles de % de algodón
son similares y cuáles no?

El objetivo del análisis de la varianza (ANOVA) se basa en la descomposición de la variabilidad total

en dos partes, una parte debida a la variabilidad entre las distintas poblaciones o tratamientos
(variabilidad entre grupos o variabilidad explicada por el diseño) y otra parte que puede considerarse
como la variabilidad intrínseca de las observaciones (variabilidad dentro de los grupos o residual). El
método estadístico de ANOVA se puede encontrar en la bibliografía.

DISEÑO DE BLOQUES COMPLETOS

En cualquier experimento, la variabilidad que surge de un factor perturbador puede afectar a los
resultados. Cuando el factor perturbador es conocido y controlable puede utilizarse la técnica” diseño
de bloques completos", en este tipo de diseño de experimentos se consideran tres fuentes de
variabilidad: el factor de tratamientos, el factor de bloques y el error aleatorio, es decir, se tienen tres
posibles "culpables" de la variabilidad presente en los datos. este método estadístico agrupa las
unidades experimentales en bloques para comparar tratamientos en un medio más homogéneo, el
cual le permite eliminar de manera sistemática el factor perturbador sobre las comparaciones
estadísticas entre los tratamientos.

El uso de bloques estratifica las unidades experimentales en grupos homogéneos, o unidades

parecidas. Una buena elección de los criterios de braquiación disminuye la variación entre las
unidades dentro de los bloques en comparación de las unidades de diferentes bloques, las
categorías generales de buenos criterios son: a) proximidad (parcelas adyacentes), b) características
físicas (edad o peso), c) tiempo y d) administración de tareas en el experimento.
En la industria los factores de bloqueo que aparecen en la práctica son: turno, lote, día, tipo de
material, línea de producción, operador, máquina, método, etc.

Un ejemplo para este tipo de diseño sería el siguiente: Un ingeniero de producción investiga el efecto
de cuatro métodos de producción A, B, C y D, sobre el tiempo de producción en minutos. En primera
instancia la estrategia experimental es aplicar cuatro veces los cuatro métodos de producción en
orden completamente aleatorio (las 16 pruebas en orden aleatoria), se supone que de acuerdo a
como se ha hecho el estudio, además del método de producción, los experimentadores se dan
cuenta que hay cuatro operadores y consideran que esto puede afectar de manera significativa los
tiempos de producción (variable respuesta), y por ende la comparación de los métodos, entonces
debe utilizar el diseño en bloques completos.

El objetivo es tener comparaciones precisas entre los tratamientos de los estudios de investigación.
la braquiación es un medio para reducir y controlar la varianza del error experimental con el fin de
lograr una mayor precisión.

DISEÑOS FACTORIALES

En muchos experimentos interviene el estudio de los efectos de dos o más factores. En general, los
diseños factoriales son lo más eficientes para este tipo de experimentos. Por diseño factorial se
entiende que en cada ensayo o réplica completa del experimento se investigan todas las
combinaciones posibles de los niveles de los factores. Por ejemplo, si el factor A tiene a niveles y el
factor B tiene b niveles, cada réplica contiene todas las ab combinaciones de los tratamientos.
Cuando los factores están incluidos en un diseño factorial, es común decir que están cruzados.

La necesidad de estudiar conjuntamente varios factores obedece a la posibilidad de que el efecto de

un factor cambie según los niveles de otros factores, esto es, que los factores interactúen, o exista
interacción. También se utilizan los arreglos factoriales cuando se quiere optimizar la respuesta o
variable dependiente, esto es, se quiere encontrar la combinación de niveles de los factores que
producen un valor óptimo de la variable dependiente.

El efecto de un factor se define como el cambio en la respuesta producido por un cambio del nivel
de un factor. con frecuencia se le llama efecto principal porque se refiere a los factores de interés
primario en el experimento.

DISEÑO FACTORIAL 2K

Los diseños factoriales se usan ampliamente en experimentos que incluyen varios factores cuando
es necesario estudiar el efecto conjunto de los factores sobre una respuesta. Sin embargo, hay varios
casos especiales del diseño factorial general que son importantes debido a su uso generalizado ene
le trabajo de investigación y porque constituyen las bases de otros diseños de gran valor práctico.

El más importante de estos casos especiales es el de k factores, cada uno con sólo dos niveles.
estos niveles pueden ser cuantitativos, como dos valores de temperatura, presión o tiempo, o bien
cualitativos, como dos máquinas, dos operadores, los niveles alto y bajo de un factor, o quizá la
presencia o ausencia de un factor. Una réplica completa de este diseño requiere 2 x 2 x... x 2 =
2k observaciones y se le llama diseño factorial 2k.

El diseño 2k es de particular utilidad en las etapas iniciales del trabajo experimental, cuando
probablemente se estén investigando muchos factores. Este diseño proporciona el menor número
recorridas con las que pueden estudiarse k factores en un diseño factorial completo. Por
consiguiente, estos diseños se usan ampliamente en los experimentos de tamizado o selección de
factores.

Considérese una investigación llevada a cabo para estudiar el efecto que tiene la concentración de
un reactivo y la presencia de un catalizador sobre el tiempo de reacción de un proceso químico. Sea
la concentración del reactivo el factor A con dos niveles de interés, 15% y 20%. El catalizador
constituye el factor B; el nivel alto o superior denota el uso de dos sacos de catalizador y el nivel bajo
o inferior denota el uso de un solo saco.

DISEÑOS ANIDADOS

En algunos experimentos con factores múltiples, los niveles de uno de los factores (por ejemplo, el
factor B) son similares, pero no idénticos a los diferentes niveles de otro factor (por ejemplo, A). En
algunos casos el experimentador no puede combinar todos los niveles de un factor con todos los
niveles de otro, es decir, no se pueden realizar todos los posibles tratamientos que aparecen al cruzar
los factores.

Ejemplo. Supongamos que en una licenciatura de una universidad se estudia el porcentaje de

aprobados en una materia, en los grupos de mañana y de tarde. Por la mañana imparten la
asignatura dos personas y por la tarde tres. Cada persona da clase a tres grupos y se supone que
estos son réplicas (no son fuente de variación).

Se dice que un factor B está anidado en otro factor A (o que sus niveles están anidados en los de A)
cuando cada nivel del factor B aparece asociado a un único nivel del factor A. Se denota como B ⊂
A. Un diseño anidado es un diseño que posee dos o más factores tal que:

• Hay un sólo factor, el cual no se encuentra anidado con ningún otro factor, sea este F1; que
representa la primera jerarquía entre todos los factores que existen.
• Existe un segundo factor F2; el cual se encuentra dentro de F1: Diremos F2 es el factor que
representa la segunda jerarquía entre todos los factores que existen.
• El próximo factor en caso que exista (F3) debe encontrarse anidado dentro del factor F2:
Diremos F3 es el factor que representa la tercera jerarquía entre todos los factores que
existan.

diseño de proceso

Diseñar un sistema de manufactura para elaborar un producto requiere de conocimientos técnicos

además de una gran experiencia en el área a la cual pertenece el producto. El Sr. TAGUCHI define
la calidad de la siguiente manera. "LA CALIDAD DE UN PRODUCTO ES LA PERDIDA MÍNIMA
IMPARTIDA POR EL PRODUCTO A LA SOCIEDAD, DESDE EL MOMENTO EN QUE ES
EMBARCADO."

El fabricante es quien más resiente las pérdidas debido a la reacción negativa del consumidor de un
producto de mala calidad.

EXPERIMENTOS FACTORIALES

Muchos experimentos requieren el estudio de los efectos de 2 ó más factores. En general, los
experimentos factoriales son los más eficientes para este tipo de análisis. En un experimento
factorial se miden en cada etapa completa o réplica del experimento, todas las posibles
combinaciones de los niveles de los factores. Cuando los factores son arreglados en un experimento
factorial, se dice frecuentemente que son cruzados. El efecto de un factor se define como el cambio
en la respuesta producido por un cambio en el nivel del factor. Esto frecuentemente se llama un
efecto principal por que se refiere a los factores primarios de interés en el experimento.

Por ejemplo, considere los datos que se representan en la siguiente tabla: Factor A

El efecto principal del factor de A podría ser calculado como la diferencia entre la respuesta promedio
del primer nivel de A y el promedio de la respuesta en el segundo nivel de A; esto es:

A = 40 + 52/2 - 20 + 30/2 = 21

Este valor se interpreta como el incremento del factor A del nivel 1 al nivel 2 causa en promedio una
repuesta incrementar de 21 unidades. De la misma manera, el efecto principal de B. Se calcula a
continuación:

B = 30 + 52/2 - 20 + 40/2 = 11

En algunos experimentos, se encuentra que la diferencia en la respuesta, entre los niveles de un

factor no es la misma en todos los niveles de los otros factores; cuando esto ocurre es porque existe
una interacción entre los factores. Por ejemplo, usando los datos de la tabla siguiente, calcule el
efecto de A en el 1er nivel del factor B el cual se realiza de la siguiente manera: A = 50-20 =30 Y el
efecto de A en el segundo nivel del factor B es: A= 12-40 = -28 Dado que el efecto de A depende del
nivel seleccionado del factor B, se ve que hay una interacción entre A y B FACTOR A.
Ejemplo:

la salida máxima de voltaje de un tipo particular de batería, se piensa que puede ser influenciado por
el material usado en los platos y por la temperatura en la localización en la cual la batería es
colocada. se hacen cuatro replicas en el experimento en un experimento factorial, para tres tipos de
temperatura y tres materiales. los resultados son:

factor (b)
temperatura

1 130 155 30 40 20 70 998

74 180 80 75 82 58

2 150 188 136 122 25 70 1300

factor (a) 159 126 106 115 58 45
material
3 138 110 174 120 96 104 1501
168 160 150 139 82 60

1738 1291 770 3799

primero se hace la suma de los cuadrados de todas las muestras, menos la suma del total de
renglones y columnas, entre la multiplicacion de renglones de columnas * # de muestras

n=4 a=3 b=3

despues se hace la suma de los totales al cuadrado del factor, a:

ahora se hace la suma de los totales al cuadrado del factor, b:

ahora sumamos las cuatro muestras de cada combinacion y las evaluamos igual. eso es la suma de
cuadrados de la interseccion ab ejemplo: 130+155+74+180 =539

por ultimo la sumatoria de los cuadrados de los errores

se deben sacar los cuadrados medios de los dos factores, así como de la interaccion y errores de la
siguiente manera:

quedando la tabla anova de la siguiente manera:

fuentes de variación suma de cuadrados grados de libertad cuad. medios fo

 tipo de mat. 10683.72 2 5341.86 7.91 > 3.35

temperatura 39118.72 2 19559.36 28.97 > 3.35

iteraccion 9613.77 4 2403.44 3.56 > 2.73

error 18230.75 27 675.21

total 77646.96 35

la gráfica del tipo de material - temperatura es la siguiente:

el material tipo 2 se comporta más estable. da mejor voltaje a las diferentes temperaturas.

tabla anova para 2 factores

modelo de efectos fijos

fuente de variacion suma de cuadrados grados de libertad cuadrados medios fo

a Ssa a-1 msa msa/mse

b Ssb b-1 msb msb/mse

 interaccion Ssab (a-1) 8b-1) msab msab/mse

error Sse ab (n-1) mse

total Sst abn-1

conclusiones:

los datos reflejan evidencias suficientes que el tipo de material se afecta al voltaje de salida,
considerado al nivel de significancia del 5% los datos presentan evidencias suficientes que las
temperaturas usada -5 en el experimento si afectan al voltaje de salida, considerando un nivel de
significancia del 5% los datos demuestran evidencias suficientes ove el tipo de material usado y las
temperaturas consideradas en el experimento tienen efecto conjunto sobre el voltaje de salida
considerado k un nivel de significancia del 5%