Download Diseños factoriales a dos niveles. Diseños factoriales a dos niveles.
Document related concepts
no text concepts found
Transcript
Diseños Diseñosfactoriales factorialesaados dosniveles. niveles. Teresa Villagarcía Si Siqueremos queremosestudiar estudiarmuchos muchosfactores factores • Hay que cruzar todos los factores a todos los niveles. • Son muchas observaciones • Es muy caro. • Veamos un ejemplo…. 44FACTORES FACTORES • • • • Factor A ……………3 niveles Factor B ……………5 niveles Factor C ……………2 niveles Factor D ……………4 niveles • Hay que tomar: 3x5x2x4=120 Observaciones • ¿Cómo reducir el número de observaciones? ¿Cómo ¿Cómoreducir reducirelelnúmero númerode deobservaciones? observaciones? • Reducir el número de factores (?????) • Reducir el número de niveles • Solución barata: • Diseños a dos niveles. KK Diseños a dos niveles 2 Diseños a dos niveles 2 • Estudiamos un número k de factores (Por ejemplo 4) • Los factores se toman a dos niveles. • Número de observaciones=2x2x2x2=16= 24 • Reducimos mucho el número de observaciones Coste Costede dereducir reducirelelnúmero númerode de observaciones observaciones Coste Costede dereducir reducirelelnúmero númerode de observaciones observaciones Las líneas de nivel muestran el rendimiento del proceso Temperatura T1 To Po P1 Presión Tomamos cuatro observaciones A dos niveles Coste Costede dereducir reducirelelnúmero númerode de observaciones observaciones Línea de mejora en verde Pasaremos a producir a P1 y T1 que consiguen un mayor rendimiento Temperatura T1 To Po P1 Presión Coste Costede dereducir reducirelelnúmero númerode de observaciones observaciones Línea de mejora en verde Pasaremos a producir a P1 y T1 que consiguen un mayor rendimiento Temperatura Tomaremos otras Tres observaciones T1 To Po P1 Presión Coste Costede dereducir reducirelelnúmero númerode de observaciones observaciones Temperatura Tomaremos otras Tres observaciones T1 Línea de mejora en verde To Po P1 Presión Y se continúa mientras se obtengan mejoras Coste Costede dereducir reducirelelnúmero númerode de observaciones. observaciones.La Laalternativa: alternativa: Coste Costede dereducir reducirelelnúmero númerode de observaciones. observaciones.La Laalternativa: alternativa: Muchas observaciones. De ellas la mayoría en zonas poco útiles Temperatura T3 T2 T1 To Po P1 P2 P3 P4 P5 Presión Estudiaremos Estudiaremospor portanto tantodiseños diseñosaados dosniveles nivelesy ylos losaplicaremos aplicaremos secuencialmente secuencialmente • • Los factores se definen a dos niveles (-) y (+) Ejemplo: Redimiendo proceso químico – Factor 1: Temperatura 40ºC (-) 60ºC (+) – Factor 2: Presión 1 Atm (-) 2 Atm (+) – Factor 3: Catalizador Si (+) No (-) – Factor 4: Concentración 40% (-) 60% (+) 24 observaciones 2 Diseño Diseño22:2Cuatro : Cuatroobservaciones observacionesy ydos dosfactores factores 2 Diseño Diseño22:2Cuatro : Cuatroobservaciones observacionesy ydos dosfactores factores Temperatura B T1 (+) To (-) Po (-) P1 (+) Presión A 2 Diseño Diseño22:2Cuatro : Cuatroobservaciones observacionesy ydos dosfactores factores Observaciones Temperatura B T1 (+) A B Y - - o y11 + - a y21 - + b y12 + + ab y22 To (-) Po (-) P1 (+) Presión A Estimación Estimaciónde delos losefectos efectos Efecto de A Efecto de B ˆA = 1 (a + ab ) − 1 (o + b ) 2 2 Media de observaciones con A (+) menos Media de observaciones con A (-) 1 1 ˆ B = (b + ab ) − (o + a ) 2 2 Media de observaciones con B (+) menos Media de observaciones con B (-) Estimación Estimaciónde delos losefectos efectos Efecto de A ˆA = 1 (a + ab ) − 1 (o + b ) 2 2 Media de observaciones con A (+) menos Media de observaciones con A (-) B A El efecto de A mide variaciones en ese eje Estimación Estimaciónde delos losefectos efectos Efecto de B 1 1 ˆ B = (b + ab ) − (o + a ) 2 2 Media de observaciones con B (+) menos Media de observaciones con B (-) B A El efecto de B mide variaciones en ese eje Estimación Estimaciónde delos losefectos efectos Efecto de la Interacción Entre A y B Se llama efecto AB B B A A 1 1 ˆ AB = (o + ab ) − (a + b ) 2 2 Algoritmo Algoritmode designos signos 1 1 1 Aˆ = (a + ab ) − (o + b ) = (− 0 + a − b + ab ) 2 2 2 1 1 1 ˆ B = (b + ab ) − (o + a ) = (− 0 − a + b + ab ) 2 2 2 1 1 1 ˆ AB = (o + ab ) − (a + b ) = (+o − a − b + ab) 2 2 2 A B AB Y - - + o y11 + - - a y21 - + - b y12 + + + ab y22 33 Diseño con tres factores 2 Diseño con tres factores 2 Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a + - - + - + b + + - + - - - ab - + + - - + c + - + - + - - ac + + - - + - bc + + + + + + + abc - Análisis Análisisdel del 223:3: Estimación Estimaciónde delos losefectos efectos Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b ÂC = 1/4(+ o - a + b - ab - c + ac - bc + abc) + + - + - - - ab B̂C = 1/4(+ o + a - b - ab - c - ac + bc + abc) - - + + - - + c AB̂C = 1/4(-o + a + b - ab + c - ac - bc + abc) + - + - + - - ac - + + - - + - bc + + + + + + + ab c  = 1/4(-o + a - b + ab - c + ac - bc + abc) Bˆ = 1/4(-o - a + b + ab - c - ac + bc + abc) Cˆ = 1/4(-o - a - b - ab + c + ac + bc + abc) ÂB = 1/4(+ o - a - b + ab + c - ac - bc + abc) Media de las observaciones con (+) menos media de las observaciones con (-) Efecto de A: B C A Media de las observaciones con A (+) menos media de las observaciones con A(-) Efecto de A: Media de las observaciones con A (+) menos media de las observaciones con A(-) A (+) B C A Efecto de A: Media de las observaciones con A (+) menos media de las observaciones con A(-) A (+) B C A A (-) Efecto A=A(+)-A(-) Efecto de A: B Media de las observaciones con A (+) menos media de las observaciones con A(-) C A Efecto A= Rojas-Verdes Ejemplo: Ejemplo:Trabajo Trabajode deuna unaalumna alumna • Tiempo de marchitación de las flores: – Factor A “Tipo de flor” + Rosa - Clavel – Factor B “Agua” + Permanente - Cambiada cada día – Factor C “Ubicación” + Exterior - Interior Los Losdatos datos Observaciones A B C AB AC BC ABC Y - - - + + + - 85 + - - - - + + 80 - + - - + - + 112 + + - + - - - 80 - - + + - - + 121 + - + - + - - 78 - + + - - + - 117 + + + + + + + 69 Clavel, Agua cambiada Interior Análisis Análisisde delos losdatos datos • • • • • • • Â=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 ÂB= 1/4(+o-a-b+ab+c-ac-bc+abc)=-8 ÂC= 1/4(+o-a+b-ab-c+ac-bc+abc)=13.5 ^BC= 1/4(+o+a-b-ab-c-ac+bc+abc)=-10 ÂCB= 1/4(-o+a+b-ab+c-ac-bc+abc)=5.5 Hemos Hemosestimado estimadolos losefectos efectospero…………….. pero…………….. Significatividad Significatividadde delos losefectos efectos • Para saber si un efecto REALMENTE influye: • Normal plot o Half Normal plot • Método de la MEDA Normal NormalooHalf HalfNormal Normalplot plot • • • La interpretación es la misma: Si ninguno de los 7 efectos es significativo, los 7 valores estimados se distribuirán como una normal centrada en cero Si alguno es significativo, estará 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 Normal Distribution 0,4 Mean,Std. dev. 0,1 0,3 density • • 0,2 0,1 0 -15 -13 -11 -9 -7 -5 -3 -1 1 3 5 7 x Efectos no significativos 9 11 13 15 Efecto significativo Normal NormalooHalf HalfNormal Normalplot plot • Los efectos que son cero (no significativos) deben salir alineados en papel de ESCALA NORMAL. Los efectos significativos salen fuera de la línea. Half-Normal Plot for Var_1 Standard deviations • 1,8 1,5 1,2 0,9 0,6 0,3 0 0 1 2 3 4 5 6 Standardized effects Efectos no significativos MUCHOS Efecto significativo POCOS Normal NormalooHalf HalfNormal Normalplot plot • Los efectos que son cero (no significativos) deben salir alineados en papel de ESCALA NORMAL. Los efectos significativos salen fuera de la línea. Normal Probability Plot for Var_1 percentage • 99,9 99 95 80 50 20 5 1 0,1 Efectos no significativos -5,9 -3,9 -1,9 0,1 2,1 Standardized effects Efecto significativo Volvemos Volvemosaalas lasRosas Rosasyylos losClaveles Claveles • Tiempo de marchitación de las flores: – Factor A “Tipo de flor” + Rosa - Clavel – Factor B “Agua” + Permanente - Cambiada cada día – Factor C “Ubicación” + Exterior - Interior Lo Lohago hagocon conStatgraphics Statgraphics 99,9 99 95 80 50 20 5 1 0,1 Half-Normal Plot for Var_1 Standard deviations percentage Normal Probability Plot for Var_1 -32 -22 -12 -2 Standardized effects 8 2 1,6 1,2 0,8 0,4 0 0 10 20 30 Standardized effects 40 Lo Lohago hagocon conStatgraphics Statgraphics 99,9 99 95 80 50 20 5 1 0,1 Half-Normal Plot for Var_1 Standard deviations percentage Normal Probability Plot for Var_1 -32 -22 -12 -2 8 2 1,6 1,2 0,8 0,4 0 0 Standardized effects 10 20 30 Standardized effects EFECTO A 40 Conclusión: Conclusión: • Sólo influye el tipo de flor • El agua no influye • La ubicación tampoco Método Métodode delalaMEDA MEDA • Se calcula la mediana de las interacciones Mediana(^AB ^AC ^BC y ^ABC)=M MEDA=Mediana{|ÂB-M|,|ÂC-M|,|^BC-M|,|ÂBC-M|} Meda sˆθ = 0.675 Efecto ≥ 2 sˆθ Significativo Ejemplo. Ejemplo.Supongamos Supongamosque quehemos hemos obtenido obtenido ÂB=-1 ÂC=2 ^BC=0.5 ÂBC=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 Meda 0.75 sˆθ = = 1.1 0.675 0.675 Efecto ≥ 2 sˆθ = 2.2 Significativo Ejemplo. Ejemplo.Flores Flores • • • • ÂB= 1/4(+o-a-b+ab+c-ac-bc+abc)=-8 ÂC= 1/4(+o-a+b-ab-c+ac-bc+abc)=13.5 ^BC= 1/4(+o+a-b-ab-c-ac+bc+abc)=-10 ÂCB= 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 Meda 5.5 = = 8.15 sˆ = 0.675 0.675 θ Efecto ≥ 2 sˆ = 16.30 θ Significativo: Sólo flor Valores Valoresprevistos previstospor porelelmodelo modelo ⎛ Cˆ ⎞ ⎛ Aˆ B ⎞ ⎛ ˆ ⎞ ⎛ ˆ⎞ ⎛ ˆ ⎞ ⎛ Aˆ ⎞ ⎛ Bˆ ⎞ ⎟ x1 x2 + ⎜ AC ⎟ x1 x3 + ⎜ BC ⎟ x2 x3 + ⎜ ABC ⎟ x1 x2 x3 yˆ = y + ⎜⎜ ⎟⎟ x1 + ⎜⎜ ⎟⎟ x2 + ⎜⎜ ⎟⎟ x3 + ⎜⎜ ⎟ ⎜ 2 ⎟ ⎜ 2 ⎟ ⎜ 2 ⎟ ⎝2⎠ ⎝2⎠ ⎝2⎠ ⎝ 2 ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ x = 1 x = 2 x = 3 1 Si A = + − 1 Si A = − 1 Si B = + − 1 Si B = − 1 Si C = + − 1 Si C = − Sólo se ponen los efectos significativos ⎛ Aˆ ⎞ ⎛ − 32.2 ⎞ yˆ = y + ⎜⎜ ⎟⎟ x1 = 92.75 + ⎜ ⎟ x1 2 2 ⎝ ⎠ ⎝ ⎠ Duración de la ROSA=92.75-16.1=76.65 Duración del CLAVEL=92.75+16.1=108.85 Por Portanto tanto • Normal Plot (o Half Normal Plot) o método de la MEDA indican que sólo es significativo el tipo de flor • Â=-32 • Como A (+) es ROSA • A (-) es CLAVEL El clavel dura más que la rosa. Duración de la ROSA=92.75-16.1=76.65 Duración del CLAVEL=92.75+16.1=108.85 Los Lospimientos pimientosde dePadrón Padrón …..ounos pican e outros non Trabajo Trabajode deun unalumno alumno 1. Define un escala de “Picor”: 0-No pica 1-Pica un poco 2-Pica bastante 3 Pica muchíiiiiisimo 2. Define los factores: A Tamaño: Grande B Forma: C Fritura: (+) Pequeño (-) Gordo (+) Delgado (-) Muy frito (+) Poco frito (-) El Elexperimento experimento Prueba 6 pimientos de cada tipo y la variable respuesta es la media Observaciones A B C AB AC BC ABC Y - - - + + + - 1 + - - - - + + 2.6 - + - - + - + 0.5 + + - + - - - 1.6 - - + + - - + 0.5 + - + - + - - 1.85 - + + - - + - 0.33 + + + + + + + 0.66 Estimación Estimación Pareto Chart for Var_1 A:Factor_A B:Factor_B C:Factor_C AB AC ABC BC 0 0,2 0,4 0,6 0,8 1 1,2 Effect Main Effects Plot for Var_1 1,7 1,5 Var_1 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 1,3 1,1 0,9 0,7 0,5 -1.0 1.0 Factor_A -1.0 1.0 Factor_B -1.0 1.0 Factor_C Significatividad Significatividadde delos losefectos efectos Half-Normal Plot for Var_1 Standard deviations 1,8 1,5 1,2 0,9 0,6 0,3 0 0 2 4 6 8 10 Standardized effects Significativos AyB percentage Normal Probability Plot for Var_1 99,9 99 95 80 50 20 5 1 0,1 -6 -3 0 3 Standardized effects 6 9 Son Sonsignificativos significativosAAyyBB A Tamaño: Grande Pequeño B Forma: Gordo Delgado (+) (-) (+) (-) A:Factor_A = 1,095 B:Factor_B = -0,715 ⎛ Cˆ ⎞ ⎛ Aˆ B ⎞ ⎛ ˆ ⎞ ⎛ ˆ⎞ ⎛ ˆ ⎞ ⎛ Aˆ ⎞ ⎛ Bˆ ⎞ ⎟ x1 x2 + ⎜ AC ⎟ x1 x3 + ⎜ BC ⎟ x2 x3 + ⎜ ABC ⎟ x1 x2 x3 yˆ = y + ⎜⎜ ⎟⎟ x1 + ⎜⎜ ⎟⎟ x2 + ⎜⎜ ⎟⎟ x3 + ⎜⎜ ⎟ ⎜ 2 ⎟ ⎜ 2 ⎟ ⎜ 2 ⎟ ⎝2⎠ ⎝2⎠ ⎝ 2 ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝2⎠ ⎛ 1.1 ⎞ ⎛ − 0.7 ⎞ yˆ = 1.13 + ⎜ ⎟ x1 + ⎜ ⎟ x2 2 2 ⎝ ⎠ ⎝ ⎠ Y el máximo picor es para A(+) y B(-) GRANDE Y DELGADO 44y 2kk Diseños 2 Diseños 2 y 2 • Diseño 24: – Estudia cuatro factores A, B, C y D – Utiliza 16 observaciones. – Las observaciones que hay que tomar son: 2244 Diseño Diseño Factores Num A B C D 1 - - - - 2 + - - - 3 - + - - 4 + + - - 5 - - + - 6 + - + - 7 - + + - 8 + + + - 9 - - - + 10 + - - + 11 - + - + 12 + + - + 13 - - + + 14 + - + + 15 - + + + 16 = 24 + + + + Estimación Estimaciónmediante medianteelelalgoritmo algoritmode designos signos Efectos Efectossignificativos: significativos:Normal NormalPlot PlotooMEDA MEDA Tasa Tasade defiltración filtración(Montgomery) (Montgomery) • Se fabrica un producto químico en un recipiente a presión. Se quiere incrementar la velocidad de filtración del producto. Los cuatro factores son: • • • • A: Temperatura B: Presión C: Concentración de los reactivos D: Rapidez de mezclado • El ingeniero del proceso quiere aumentar la velocidad de filtración y, si es posible, utilizar el nivel (-) de C (Concentración de formaldehído). Actualmente la velocidad de filtración es de 75gal/min. • 2244Ejemplo Ejemplo Diseño Diseño Factores Num A B C D Velocidad 1 - - - - 45 2 + - - - 71 3 - + - - 48 4 + + - - 65 5 - - + - 68 6 + - + - 60 7 - + + - 80 8 + + + - 65 9 - - - + 43 10 + - - + 100 11 - + - + 45 12 + + - + 104 13 - - + + 75 14 + - + + 86 15 - + + + 70 16 = 24 + + + + 96 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 A:Factor_A AC AD D:Factor_D C:Factor_C ABD B:Factor_B BCD BC ABC ACD ABCD CD BD AB No significativos 0 4 Significativos 8 12 Effect 16 20 24 percentage Normal Plot for Velocidad 99,9 99 95 80 50 20 5 1 0,1 -19 -9 1 11 21 31 Standardized effects Standard deviations Half Normal Plot for Velocidad 2,4 2 1,6 1,2 0,8 0,4 0 0 4 8 12 16 Standardized effects A, C, C, D, D, AD AD yy CD CD A, 20 24 MEDA MEDA Ordenamos Ordenamoslas lasinteracciones interacciones -18.13, -18.13,-2.63, -2.63,-1.63, -1.63,……2.38, ……2.38,4.13, 4.13,16.63 16.63 A,C,D,AC,AD A,C,D,AC,AD Mediana=0.13 Mediana=0.13 Desviaciones Desviacionesaalalamediana medianaen envalor valorabsoluto: absoluto: 18.26, 18.26,2.76, 2.76,1.76, 1.76,……, ……,2.25, 2.25,4, 4,16,50 16,50 Mediana Medianade deesas esasdesviaciones: desviaciones:MEDA=1.76 MEDA=1.76 MEDA/0.675=2.61 MEDA/0.675=2.61 Efectos mayores que 5.22 serán significativos El Elmodelo modeloestimado estimadoes: es: A,C,D,AC A,C,D,ACyyAD AD yˆ = 70.06 + (21.6 / 2) x1 + (9.87 / 2) x3 + (14.6 / 2) x4 + (16.6 / 2) x1 x4 (−18.1 / 2) x1 x3 Para Para A(+) A(+) C(-) C(-) D(+) D(+) Valor Valormáximo máximo yˆ = 100.65 kk Resumen de diseños 2 Resumen de diseños 2 2k = K Factores a dos niveles. = n observaciones. Pasos en el análisis. 1. 2. 3. 4. 5. Se definen la variable respuesta y los factores. Se aleatoriza la toma de datos Se rellena la tabla de datos Se calculan los efectos mediante el algoritmo de signos Se decide qué efectos son significativos mediante el normal plot (o half normal plot) o la MEDA. LOS RESULTADOS NO SIEMPRE SON COINCIDENTES Diseños Diseñoscon conmuchos muchosfactores. factores. 25 = 5 Factores a dos niveles. = 32 observaciones. = 5 Factores, 10 interacciones de segundo orden. = 16 interacciones de orden superior 26 = 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. Factores Num A B C D E 1 - - - - - 2 + - - - - 3 - + - - - 4 + + - - - 5 - - + - - 6 + - + - - 7 - + + - - 8 + + + - - 9 - - - + - 10 + - - + - 11 - + - + - 12 + + - + - 13 - - + + - 14 + - + + - 15 - + + + - 16 + + + + - 17 - - - - + 18 + - - - + 19 - + - - + 20 + + - - + 21 - - + - + 22 + - + - + 23 - + + - + 24 + + + - + 25 - - - + + 26 + - - + + 27 - + - + + 28 + + - + + 29 - - + + + 30 + - + + + 31 - + + + + + + + + + 32 = 25 Fracciones Factoriales Vamos Vamos aa disminuir disminuir el el número número de de observaciones observaciones 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Observaciones A B C AB AC BC ABC Y + - - - - + + a - + - - + - + b - - + + - - + c + + + + + + + abc 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Observaciones A B C AB AC BC ABC Y + - - - - + + a - + - - + - + b - - + + - - + c + + + + + + + abc C y AB son iguales 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Observaciones A B C AB AC BC ABC Y + - - - - + + a - + - - + - + b - - + + - - + c + + + + + + + abc C y AB son iguales A y BC son iguales 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Observaciones A B C AB AC BC ABC Y + - - - - + + a - + - - + - + b - - + + - - + c + + + + + + + abc C y AB son iguales A y BC son iguales B y AC son iguales ABC siempre es positivo 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc  8 = 1/4(-o + a - b + ab - c + ac - bc + abc) B̂C 8 = 1/4( +o + a - b - ab - c - ac + bc + abc) Observaciones A B C AB AC BC ABC Y + - - - - + + a - + - - + - + b - - + + - - + c + + + + + + + abc 1 Aˆ 4 = (a − b − c + abc) = Aˆ 8 + Bˆ C8 2  8 + B̂C 8 = 1/4(a - b - c + abc) Lo que obtenemos en el diseño pequeño es la suma de los efectos A y BC. Lógico porque la columna de signos de A y de BC son iguales en el diseño pequeño Lo que estiman los signos de A en el diseño pequeño son dos cosas: A+BC 2233estudiamos estudiamos33factores factorescon con88observaciones observaciones Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Observaciones A B C AB AC BC ABC Y + - - - - + + a - + - - + - + b - - + + - - + c + + + + + + + abc C y AB son iguales A y BC son iguales Las columnas iguales implican que lo se estima es la suma de ellas ¿Cuáles son las columnas iguales? Cómo Cómoreducir reducirobservaciones observaciones Diseños Diseñosfraciionales fraciionales Elegiremos algunas algunas observaciones observaciones del del diseño diseño •• Elegiremos completo. completo. ¿Qué observaciones? observaciones? Criterio: Criterio: •• ¿Qué Que podamos podamos seguir seguir estimando estimando los los factores factores Que Tiene que que haber haber igual igual número número de de (+) (+) yy de de (-) (-) Tiene En Engeneral general Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc En Engeneral general Observaciones A B C AB AC BC ABC Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc D Asignamos al Factor D los signos de la interacción ABC Tabla de signos En Engeneral general Observaciones A B C AB AC BC D Y - - - + + + - o + - - - - + + a - + - - + - + b D A B C D Y - - - - o + - - + ad - + - + bd + + - - ab D tiene los mismos signos que ABC. Aplicando los signos a esa columna estimamos D+ABC + + - + - - - ab - - + + cd - - + + - - + c + - + - ac + - + - + - - ac - + + - bc - + + - - + - bc + + + + abcd + + + + + + + abc Tabla de signos En Engeneral general Observaciones A B C AB AC BC D Y - - - + + + - o + - - - - + + a - + - - + - + b D A B C D Y - - - - o + - - + ad - + - + bd + + - - ab ¿Cómo saber qué columnas de signos son iguales? + + - + - - - ab - - + + cd - - + + - - + c + - + - ac + - + - + - - ac - + + - bc - + + - - + - bc + + + + abcd + + + + + + + abc Estructura Estructurade deALIAS ALIAS 1. 2. 3. Denominaremos a cada columna por su nombre A,B….. A.A=I donde I es una columna de “unos” A.I=A Cualquier columna de signos por la columna de “unos” es ella misma 4. Asignación del nuevo factor: D=ABC Indica a qué columna signos ha sido asignado el factor D Estructura Estructurade deALIAS ALIAS Ecuación generatriz de la fracción: D=ABC D.D=D.ABC I=ABCD Estructura Estructurade deALIAS ALIAS Con la ecuación generatriz obtenemos la estructura de alias o efectos confundidos: I=ABCD La ecuación generatriz multiplicada por cada columna del diseño da las columnas iguales: Estructura Estructurade deALIAS ALIAS A.I=A.ABCD A=BCD Observaciones A B C AB AC BC ABC Y B.I=B.ABCD B=ACD C.I=C.ABCD C=ABD D - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Diseño D=ABC I=ABCD 4-1 2 AB.I=AB.ABCD AB=CD AC.I=AC.ABCD AC=BD BC.I=BC.ABCD BC=AD ABC.I=ABC.ABCD ABC=D Analizad Analizadeste estediseño…. diseño…. A.I=A.ABD A=BD Observaciones A B C AB D=AB I=ABD AC BC ABC Y B.I=B.ABD B=AD C.I=C.ABD C=ABCD D - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Diseño AB.I=AB.ABD AB=D AC.I=AC.ABD AC=BCD 4-1 2 BC.I=BC.ABD BC=ACD ABC.I=ABC.ABD ABC=CD ¿Cuál es mejor y por qué? Resolución Resolución Es el orden de la interacción de menor rango confundida con un efecto principal O es el número de letras de la palabra de la ecuación generatriz. Resolución IV Resolución III ¿Cuál es mejor y por qué? Análisis Análisisde delalafracción fracción Observaciones A B C AB AC BC ABC Y D 1. 2. 3. - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc 4. 5. Escribir la tabla de signos Determinar la estructura de ALIAS Tomar datos aleatorizando el orden Estimar los efectos mediante el algoritmo de signos Ver significatividad de los efectos 4 Vamos Vamosaaresolver resolverelelexperimento experimentode delalavelocidad velocidadde defiltración. filtración.Era Eraun un224=16 =16 observaciones. observaciones. Factores Num A B C D Velocidad 1 - - - - 45 2 + - - - 71 3 - + - - 48 4 + + - - 65 5 - - + - 68 6 + - + - 60 7 - + + - 80 8 + + + - 65 9 - - - + 43 10 + - - + 100 11 - + - + 45 12 + + - + 104 13 - - + + 75 14 + - + + 86 15 - + + + 70 16 = 24 + + + + 96 Salían Salíansignificativos significativos A,C,D,AC,AD A,C,D,AC,AD Ejemplo Ejemplo A,C,D,AC,AD A,C,D,AC,AD Observaciones A B C AB AC BC ABC Y D=ABC Ecuación generatriz: I=ABCD Estructura de Alias: D - - - + + + - 45 + - - - - + + 100 - + - - + - + 45 + + - + - - - 65 - - + + - - + 75 + - + - + - - 60 - + + - - + - 80 + + + + + + + 96 A=BCD B=ACD C=ABD AB=CD AC=BD BC=AD ABC=D RESOLUCIÓN=IV Modelo 24-1IV Ejemplo Ejemplo A,C,D,AC,AD A,C,D,AC,AD Observaciones A B C AB AC BC ABC Y D - - - + + + - 45 + - - - - + + 100 - + - - + - + 45 + + - + - - - 65 - - + + - - + 75 + - + - + - - 60 - + + - - + - 80 + + + + + + + 96 ¿Cuáles son significativos? • • • • • • • • 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 Significatividad Significatividadde delos losefectos efectos Pareto Chart for Var_1 Half-Normal Plot for Var_1 Standard deviations AD+BC A:Factor_A AC+BD D:Factor_D C:Factor_C B:Factor_B AB+CD 0 4 8 12 Effect 16 20 2 1,6 1,2 0,8 0,4 0 0 4 8 12 Standardized effects A,C,D,AC,AD A,C,D,AC,AD 16 20 Otro Otroejemplo ejemplo Minutos Minutosempleados empleadospara pararecorrer recorreruna una distancia fija en bici distancia fija en bici A=Rueda A=Ruedacarreras carreras(+) (+)menos menosdeportiva deportiva(-) (-) B=Plato B=Platogrande grande(+) (+)pequeño pequeño(-) (-) C=Dinamo Con(+) Sin(-) C=Dinamo Con(+) Sin(-) D=Alza D=Alzaen enelelmanillar manillarCon(+) Con(+)sin(-) sin(-) Observaciones A B C AB AC BC ABC Y D - - - + + + - + - - - - + + - + - - + - + + + - + - - - - - + + - - + + - + - + - - - + + - - + - + + + + + + + 69 52 60 83 71 50 59 88 D=ABC Ecuación generatriz: I=ABCD Estructura de Alias: A=BCD B=ACD C=ABD AB=CD AC=BD BC=AD ABC=D RESOLUCIÓN=IV Modelo 24-1IV Ejemplo Ejemplo Minutos Minutosempleados empleadospara pararecorrer recorreruna una distancia fija en bici distancia fija en bici A=Rueda A=Ruedacarreras carreras(+) (+)menos menosdeportiva deportiva(-) (-) B=Plato B=Platogrande grande(+) (+)pequeño pequeño(-) (-) C=Dinamo Con(+) Sin(-) C=Dinamo Con(+) Sin(-) D=Alza D=Alzaen enelelmanillar manillarCon(+) Con(+)sin(-) sin(-) Observaciones A B C AB AC BC ABC Y D - - - + + + - + - - - - + + - + - - + - + + + - + - - - - - + + - - + + - + - + - - - + + - - + - + + + + + + + 69 52 60 83 71 50 59 88 • • • • • • • • 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 Minutos Minutosempleados empleadospara pararecorrer recorreruna una distancia fija en bici distancia fija en bici A=Rueda A=Ruedacarreras carreras(+) (+)menos menosdeportiva deportiva(-) (-) B=Plato grande (+) pequeño (-) B=Plato grande (+) pequeño (-) C=Dinamo C=DinamoCon(+) Con(+) Sin(-) Sin(-) D=Alza D=Alzaen enelelmanillar manillarCon(+) Con(+)sin(-) sin(-) Ejemplo Ejemplo Pareto Chart for Var_1 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+CD B:Factor_B A:Factor_A D:Factor_D AD+BC C:Factor_C AC+BD 0 4 8 12 16 20 24 Effect Normal Probability Plot for Var_1 percentage • • • • • • • • 99,9 99 95 80 50 20 5 1 0,1 A AB B 0 4 8 12 16 Standardized effects 20 24 Fracciones Fraccionesmayores mayores • El problema en la industria es tomar observaciones. • Es muy caro. – Con 8 observaciones podemos estudiar 3 ó 4 factores – Con 16 observaciones estudiamos 4 o 5 factores. • Necesitamos reducir más el número de observaciones Fracciones Fraccionesmayores mayores Observaciones A B C AB AC BC ABC - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Y Fracciones Fraccionesmayores mayores Observaciones A B C AB AC BC ABC Y E D - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Ecuación generatriz: 1. Asignación de factores E=AC D=BC 2. Ecuación generatriz incompleta: I=ACE=BCD 3. Ecuación generatriz completa. Si ACE y BCD son columnas con signos + que no se pueden estimar, su producto también lo será. 4. Hay que obtener los productos de las fatores de la Ecuación Generatriz: ACE.BCD=ABDE I=ACE=BCD=ABDE Ecuación generatriz completa Modelo 25-2III Estructura Estructurade dealias alias Observaciones A B C AB AC BC ABC Y E D - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc Obtenemos la ecuación generatriz completa I=ACE=BCD=ABDE Se obtiene lo que estima cada columna multiplicando la ecuación 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 25-2III Una Unavez vezestimados estimadoslos losefectos efectos • Para saber si son significativos: – MEDA con todas las columnas porque ahora la mayoría tienen efectos principales e interacciones – Normal o half normal plot Ejemplo Ejemplo • Tiempo de maduración de tomates cogidos de la mata cuando empiezan a ponerse rojos: – A Temperatura de la cámara: 20ºC (+) 10ºC (-) – B Cajas con recipiente individual: Si (+) No (-) – C: Envoltorio: Plástico (+) Viruta de madera (-) – D: Variedad: Murcia (+) Holandesa (-) – E:Tratamiento: Con bolsa de producto (+) Sin bolsa de producto (-) Observaciones A B C AB AC BC ABC D E Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc 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 A B C AB AC BC ABC D E - - - + + + - + - - - - + + - + - - + - + + + - + - - - - - + + - - + + - + - + - - - + + - - + - + + + + + + + Y 18 0 37 13 28 10 27 28 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 A:Factor_A+BD+CE B:Factor_B+AD BE+CD E:Factor_E+AC C:Factor_C+AE BC+DE D:Factor_D+AB 0 3 6 9 12 15 Effect Standard deviations Half-Normal Plot for Var_1 2 1,6 1,2 0,8 0,4 0 0 3 6 9 12 15 Standardized effects AyB 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 Diseños Diseñosmuy muyfraccionados fraccionados Observaciones A B C AB AC BC ABC D E F Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc 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 I=ABD=ACE=BCF=BCDE=ACDF= ABEF=DEF Modelo 26-3III Diseños Diseñossaturados saturados I=ABD+ACE+BCF+ABCG+AFG+ABEF+ACDF+ADEG+BEG+CDG+DEF+ BCDE+BDFG+CEFG+ABCDEFG Modelo 26-4III Observaciones A B C AB AC BC ABC D E F G Y - - - + + + - o + - - - - + + a - + - - + - + b + + - + - - - ab - - + + - - + c + - + - + - - ac - + + - - + - bc + + + + + + + abc 1 2 3 4 5 6 7 A+BD+CE+FG B+AD+CF+EG C+AE+BF+DG D+AB+CG+EF E+AC+BG+DF F+AG+BC+DE G+AF+BE+CD Diseño Diseñode deproductos productosrobustos robustos Idea Ideade deTaguchi Taguchi Ejemplo: Queremos diseñar una base para una pizza precocinada. Objetivo: Obtener la combinación de los factores Harina, Sal y Levadura que da la masa más sabrosa Resolución: 1. 2. 3. Definir los niveles de los factores: (-) y (+) Definir la variable a medir: “SABOR” Definir cómo la medimos: Con un conjunto de catadores que valoran 0---Muy mala hasta 10--- Muy buena Diseño Diseñode deproductos productosrobustos robustos Idea Ideade deTaguchi Taguchi Definimos el diseño: Tres factores 23 Aleatorizamos el orden de recogida de los datos H S L Sabor - - - 5.3 + - - 7.0 - + - 4.9 + + - 6.9 - - + 2.8 + - + 5.1 - + + 3 + + + 6.2 H L SL HL HS S 0 0,4 0,8 1,2 1,6 2 2,4 Effect percentage Normal Probability Plot for Var_1 99,9 99 95 80 50 20 5 1 0,1 -12 -7 -2 3 Standardized effects 8 13 18 H=2.3 H=2.3 L=-1.75 L=-1.75 Un Unbase basede depizza pizzacon conHH(+) (+)yyL(-) L(-) Problema Problema La pizza debe meterse en horno precalentado a 200ºC durante 15 minutos Posibilidad muy real de que el cliente no cumpla las instrucciones al pie de la letra. Diseño Diseñode deproductos productosrobustos robustos Idea Ideade deTaguchi Taguchi • 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 Diseñar productos o procesos que sólo funcionan bien si TODO se hace correctamente hace que la mayoría de las veces El producto sea MALO Diseño Diseñode deproductos productosrobustos robustos Idea Ideade deTaguchi Taguchi • Vamos a cruzar el diseño 23 con los factores de ruido: Dos factores (temperatura y tiempo: diseño 22 ) Temp Tiempo - - + - - + + + Temp: (-) 180ºC (+) 220ºC Tiempo: (-) 10 min (+) 20 min Diseño Diseño Factores Diseño H S L Ruido: Tem: 0 (200ºC) Tiempo 0 (15 min) Tem: + + + + - 5.3 3.4 7.0 + + + + + + + + - + - + - + + 5 4.1 3.8 3.7 5.1 6.7 2.9 4.9 1.1 4.1 5.4 1.3 6.9 3.8 5.8 5.4 4.0 2.8 2.1 3.2 1.7 1.8 5.1 3.1 5.3 5.4 2.7 3 1.3 2.1 3.1 1.5 6.2 5.5 6 5.9 5.7 Media Desviación Tiem - 4.3 5.1 3.4 5.2 0.7 1.6 1.8 1.2 2.3 4.3 2.2 5.9 0.6 1.2 0.7 0.2 Diseño Diseño Factores Diseño H S L Ruido: Tem: 0 (200ºC) Tiempo 0 (15 min) Tem: + + + + - 5.3 3.4 7.0 + + + + + + + + - + - + - + + 5 4.1 3.8 3.7 5.1 6.7 2.9 4.9 1.1 4.1 5.4 1.3 6.9 3.8 5.8 5.4 4.0 2.8 2.1 3.2 1.7 1.8 5.1 3.1 5.3 5.4 2.7 3 1.3 2.1 3.1 1.5 6.2 5.5 6 5.9 5.7 Media Desviación Tiem - 4.3 5.1 3.4 5.2 0.7 1.6 1.8 1.2 2.3 4.3 2.2 5.9 0.6 1.2 0.7 0.2