GB7-Ismael Villarreal-Unidad 5-Analisis de Resultados

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA
INGENIERIA INDUSTRIAL
INGENIERIA DE CALIDAD
CATEDRATICO: JOSE ALBERTO RAMIREZ COYOLT
ALUMNOS: ISMAEL VILLARREAL MENDOZA
UNIDAD: V ANALISIS DE RESULTADOS SEMESTRE: 7 SECCION: B
FECHA: 08/DICIEMBRE/2013
CARRETERA A PRESA LA AMISTAD KM. 9 C.P. 26280 CD. ACUA, COAHUILA TEL: (877)773 1800 FAX: EXT 107 www.tecnologicodeacuna.edu.mx
5.1 Anlisis de Tablas de Frecuencia Uno de los mtodos para analizar datos es la tabulacin cruzada. Por ejemplo, un investigador mdico puede tabular las frecuencias de los diferentes sntomas por edades y sexo; un investigador educativo puede tabular el nmero de estudiantes que abandonan sus estudios por edad, sexo y grupo tnico; un economista puede tabular el nmero de negocios que fallan por industria, regin, etc.; un investigador de mercado puede tabular las preferencias de los consumidores por producto, edad y sexo. En todos estos casos, los resultados principales de inters pueden ser sumarizados en una tabla de frecuencia mltiple; o sea, en una tabla cruzada de dos o ms factores. TABLAS DE FRECUENCIA DE 2 CAMINOS (TWO -WAYS). Vamos a empezar con la ms simple tabulacin cruzada, la tabla de 2 X 2. Supongamos que estamos interesados en la relacin que hay entre la edad y las canos en la gente. Tomamos una muestra de 100 personas y determinamos quin tiene y quin no tiene canas. Tambin tomamos la edad aproximada de los sujetos. Este es el resultado del estudio:
Mientras interpretamos los resultados de este pequeo estudio, vamos a introducirnos en la terminologa que nos permitir generalizar en tablas ms complejas ms fcilmente. Diseo de variables y variables de respuesta. En la regresin mltiple o en el anlisis de varianza hay una distincin comn entre las variables dependientes e independientes. Las variables dependientes son aquellas que tratamos de explicar, y podemos clasificar los f actores en una tabla de 2 X 2; por ejemplo, el color del pelo es una variable dependiente. Las variables de respuesta son aquellas que varan en la respuesta a las variables designadas; por ejemplo, el color del pelo puede ser considerado una variable de respuesta y la edad es considerando una variable de diseo.

Ajuste marginal de frecuencias. Nos podemos preguntar cul de las frecuencias parece no tener relacin con las variables (hiptesis nula). Para no ir en detalles, intuitivamente podemos esperar que las frecuencias en cada celda podran proporcionalmente reflejar las frecuencias marginales (Totales); por ejemplo, considere la siguiente tabla:
En esta tabla, las proporciones de las frecuencias marginales estn reflejadas en cada celda individual 27/33 =18/22 = 45/55 y 27/18 = 33/22 = 60/40. Dadas las frecuencias marginales, stas son las celdas de frecuencia que podramos esperar si no existiera relacin entre la edad y el cabello canoso. Si comparamos esta tabla con Ia anterior, podremos ver que la tabla anterior refleja una relacin entre dos variables. Hay ms casos esperados de que la persona tengo canas antes de los cuarenta, y hay ms casos de personas de ms de cuarenta aos que tienen canas. TABLAS DE FRECUENCIA MULTIPLE. El razonamiento presentado en las tablas de 2 X 2 puede ser generalizado a tablas ms complejas. Supongamos que tenemos una tercera variable en nuestro estudio; por ejemplo, queremos ver si el estrs tiene que ver con las canas en las personas. Como estamos interesados en este nueva variable, la vamos a considerar como variable de diseo. (con esto, la variable de estrs se convierte en una variable de respuesta y la variable del color del cabello sera una variable de diseo). La tabla resultante seria una tabla de frecuencia de 3 caminos. Modelos de ajuste. Podemos aplicar el razonamiento anterior para analizar esta tabla. Especficamente podemos ajustar diferentes modelos que reflejen diferentes hiptesis acerca de los datos. Como antes, las frecuencias esperadas en este caso reflejan sus respectivas frecuencias marginales. Si alguna desviacin significante ocurriera, se reflejara en este modelo.

Efectos de interdiccin. Otro modelo concebible puede ser que la edad est relacionada con el color del cabello, y que el estrs es relacionado con el color del cabello tambin; pero, estos dos factores no interactan en su efecto. En este caso, podramos necesitar simultneamente de dos tablas, una es la tabla de 2 X 2 de la edad por color del cabello cruzada con los niveles de estrs, y otra tabla del estrs por color del cabello cruzada con los niveles de la edad. Si este modelo no se ajusta los datos, tenemos que incluir que la edad, el estrs y el color del cabello estn interrelacionados. De otra forma, podremos concluir que la edad y el estrs interactan con sus efectos en el cabello canoso. 5.2 Arreglos ortogonales Esta experimentacin busca encontrar cul es el mejor material, la mejor presin, la mejor temperatura, la mejor formulacin qumica, o el tiempo de ciclo ms apto, etc. Todo con el propsito de lograr la longitud, la amplitud, o la durabilidad que se desea, tomando el costo que implica. QU ES EL ARREGLO ORTOGONAL? El arreglo ortogonal es una herramienta ingenieril que simplifica y en algunos casos elimina gran parte de los esfuerzos de diseo estadstico. Es una forma de examinar simultneamente muchos factores a bajo costo. El Dr. Taguchi recomienda el uso de arreglos ortogonales para hacer matrices que contengan los controles y los factores de ruido en el diseo de experimentos. Ha simplificado el uso de este tipo de diseo al incorporar los arreglos ortogonales y las grficas lineales, finalmente, en contraste con los enfoques tradicionales como equivalentes de ruido: mientras las interacciones sean relativamente suaves, el analista de los efectos principales nos proporcionar las condiciones ptimas y una buena reproductibilidad en un experimento. Los arreglos ortogonales son herramientas que permiten al ingeniero evaluar qu tan robustos son los diseos del proceso y del producto con respecto a los factores de ruido. RESUMEN El mtodo del Dr. Taguchi para el diseo de experimentos utiliza tcnicas que implican bajos costos y que son aplicables a los problemas y requerimientos de la industria moderna. El propsito que se tiene en el diseo del producto es encontrar aquella combinacin de factores que nos proporcione el desempeo ms estable y confiable al precio de manufactura ms bajo.

DR. GENICHI TAGUCHI El sistema de ingeniera de calidad del Dr. Genichi Taguchi, es uno de los ms grandes logros en ingeniera del siglo XX. El trabajo de la filosofa del Dr. Taguchi comenz a formarse en los inicios de la dcada de los 50's cuando fue reclutado para ayudar a mejorar el sistema telefnico japons que haba sido diseado para la Segunda Guerra Mundial. Taguchi emple experimentos de diseo usando especialmente una tabla conocida como "arreglos ortogonales" para tratar los procesos de diseo. Los arreglos ortogonales son un conjunto especial de cuadros en latn, construidos por Taguchi para planear los experimentos del diseo del producto. El anlisis del arreglo ortogonal de Taguchi es usado para producir los mejores parmetros para el diseo ptimo del proceso, con el mnimo nmero de experimentos (pruebas). Los resultados obtenidos para los arreglos ortogonales son analizados para obtener los siguientes objetivos: A) Estimar la contribucin de los factores individuales que influyen en la calidad en la etapa del diseo del producto. B) Ganar la mejor condicin para un proceso o un producto, as que las caractersticas en una buena calidad puedan ser sostenidas. ARREGLOS ORTOGONALES Y SU VENTAJA La ventaja de los arreglos ortogonales es que pueden ser aplicados al diseo experimental involucrando un gran nmero de factores. DESVENTAJAS La desventaja del arreglo ortogonal es que puede ser nicamente aplicado en la etapa inicial del diseo del sistema del producto o proceso. Un arreglo ortogonal permite asegurar que el efecto de "B" en "A1" es el mismo efecto de "B" en "A2". As se podr estar seguro de que se est haciendo comparaciones entre efectos de niveles de un factor. ARREGLO ORTOGONAL QUE REPRESENTA La(b)C DONDE: L = Indica que es un arreglo ortogonal a = Nmero de corridas experimentales b = Nmero de niveles para cada factor c = Nmero de columnas o factores de un arreglo ortogonal.
5.3 Anlisis de Atributos Clasificados El primer paso es formar categoras acumulados a partir de las categoras iniciales de modo que la categora acumulada uno sea igual a la categora inicial uno, la categora acumulada dos sea igual a las categoras iniciales uno ms dos. (I) = (1) (II)= (1) + (2) (III)=(1) + (2) + (3). Para ilustrar los pasos se utilizar un estudio que se realiz para conocer los parmetros ptimos de una mquina moldeadora al estar utilizando compuesto de un nuevo proveedor. El aspecto visual se dividi en las categoras iniciales: 1=Incompleto 2=Partido/Crudo 3=Deforme 4=Bien De modo que las categoras acumuladas son: (I)=1 (II)=(1) + (2) (III)=(1) +(2) + (3) (IV)=(1) +(2) + (3) + (4) El experimento consisti en cuatro factores a tres niveles cada uno y con diez repeticiones, siendo los factores:

A = Temperatura B = Tiempo de Ciclo C = Tiempo de Inyeccin D = Presin Se utiliz un arreglo ortogonal L9, en donde se obtuvieron los resultados que se muestran en la siguiente tabla, misma en la que se pueden observar los clculos para obtener los valores de las categoras acumuladas en la combinacin nmero seis: (I)= (=) (II)= (0) + (3) (III)=(0) + (3) + (1) (IV) = (0) +(3) + (1) + (6)
Tambin se puede ver que en la frecuencia acumulada de la Clase IV durante todo el experimento es la misma, por lo que no se podr extraer ninguna informacin de esta columna. Es por lo que se realizar en el anlisis acumulativo calcular la suma de cuadrados de la clase I, Clase II y Clase III. De cualquier forma esas sumas de cuadrados no pueden sumarse sencillamente, puesto que las bases de las tres clases son diferentes. En la distribucin binomial la fraccin de defectuosos es p, y su varianza correspondiente es p (1 - p), esto indica que cuando la media de la fraccin defectuosa cambia, la varianza cambia tambin. Debido a esta dependencia de la varianza sobre la fraccin defectuosa, la suma de los cuadrados de la Clase I, Clase II y Clase III tiene diferentes bases. Con el objetivo de normalizar esas bases, la suma de cuadrados de cada clase se divide entre su varianza; solamente as se pueden sumar las clases.

El segundo paso es conocer la proporcin que tiene cada categora acumulada: PI= 25 PII= 49 PIII= 65 PIV= 90 90 90 90 90
A cada categora se le asigna un peso segn la frmula: Wj = 1/(Pjx(1-PJ)), As que para el ejemplo que se tiene: WI = 1/25/90x (1-25/90)) = 4.985 WII = 1/49/90x(1-49/90)) = 4.032 WIII = 1/(65/90x(1-65/90)) = 4.985 Para cada categora se calcula el factor de correccin como Suma de Cuadrados de Factores. Se obtienen mediante la suma de cuadrados de cada clase multiplicada por su peso, segn frmula. Ssa = (Ssa clase I) x WI + (SSA clase II) x WII + (Ssa clase III) x WIII SS total = (nmero total de datos) x (nmero de categoras menos uno) Para un ejemplo se tiene que: De la misma manera se obtiene la suma de cuadrados para B, C y D. La suma de cuadrados total es: SS total = 90 X (4 - i) = 270 Grado de Libertad. Los grados de libertad son calculados en base a los grados de un factor para variables multiplicados por el nmero de categoras acumulado menos uno. En este ejemplo los cuatro factores son de tres niveles por lo que cada uno tiene: 2 x(4-1) =6 grados de libertad. Los grados de libertad totales, se calculan >multiplicando el nmero de datos menos uno por el nmero de datos menos uno por el nmero de datos menos uno por el nmero de categoras analizadas menos uno. El error se puede obtener restndole a la suma total la suma de cuadrados de cada factor: SS error = 270 - 104.24 - 9.94 - 42.96 - 29.53 = 83.22

En este caso SS error = 270 - 104.34 - 9.94 - 42.96 - 29.53 = 83.22 Y los grados de libertad, restando los grados de libertad de cada factor de los grados de libertad de la tabla de ANOVA. g.I error = 267 - 6 - 6 - 6 - 6 = 243 Varianza en la Tabla ANOVA. Se define la varianza o cuadrado medio como la suma de cuadrados divididos entre los grados de libertad: Cuadrado Medio de a = 104.34/6 = 17.39 Con el objeto de expresar esta variacin como un porcentaje, todava se requiere restarle a cada suma de cuadrados una cantidad de error generada por los diferencias entre cada resultado en cada nivel; para esto se utiliza la siguiente frmula: SS a' = SS a - (grados de libertad a) x V error, SS e' = SS e +(grados de libertad de los factores) x V error. En el ejemplo: SS a' = 104.34 - (6) (0.34) = 102.30 SS e' = 83.22 + (24) (0.34) = 91.38 El porcentaje de contribucin es la proporcin de la suma de cuadrados corregidas de un factor con respecto a la suma de cuadrados total:

Todos los procedimientos (prueba de t, de F y el establecimiento de los lmites de confianza), utilizan la suma de cuadrados residual, la que es llamada la suma de cuadrados de error. Esta cantidad pudo ser encontrada calculando para cada observacin un valor, predicho por la solucin de los mnimos cuadrados. Se puede luego obtener la suma de cuadrados de las diferencias entre los valores observados y los valores predichos. Este mtodo es lento y la suma de cuadrados del error se calcula mucho ms rpido siguiendo la tcnica conocida como anlisis de varianza. En el modelo original, cada observacin se representa como la suma de cuatro componentes debidas, respectivamente, a la media general, efecto del tratamiento, al efecto ambiental y al efecto residual. De la misma forma, el anlisis de la varianza divide la suma de cuadrados de las observaciones encuentro componentes, una atribuible a la media general, una de las diferencias entre la estimacin de los efectos de los tratamientos y una a los efectos ambientales, que el experimento es capaz de medir y, por ltimo, una que es la residual a la suma de cuadrados de los errores. En la mayor parte de los casos, se calcula la suma de cuadrados original y los tres primeros componentes, obteniendo la suma de los cuadrados del error, por substraccin. El anlisis de varianza ofrece mucho ms que un mtodo corto para obtener la suma de cuadrados del error. La suma de cuadrados debida a los tratamientos, es la cantidad necesaria para la prueba F de la hiptesis de que no existen diferencias entre los efectos de los tratamientos. Con una pequea extensin, el anlisis tambin de la suma de cuadrados requerida para probar la igualdad de los efectos de un subgrupo de los tratamientos. La componente debida a los efectos ambientales permite estimar en cuanto aumenta la exactitud del experimento, eliminando estos efectos de las estimaciones de las medias de los tratamientos. 5.4Anlisis de experimentos con factores de ruido
FACTORES DE RUIDO.
Los factores de ruido son aquellos que no se pueden controlar o que resulta muy caro controlarlos. Los factores de ruido causan variabilidad y prdida de calidad. Por esto es necesario disear un sistema el cual sea insensible a los factores de ruido. El diseador debe identificar la mayor cantidad posible de factores de ruido y usar su buen juicio en base a sus conocimientos para decidir cules son los ms importantes a considerar en su anlisis.

METODO DE EL DISEO ROBUSTO DE EL DR. TAGUCHI.
Es un eficiente sistema que ayuda a obtener una combinacin ptima de diseo de parmetros para que el producto sea funcional y ayude a obtener un alto nivel de desempeo y que sea robusto a los factores de ruido. Existen 8 pasos para hacer un ciclo de diseo robusto.
En los primeros 5 pasos se planea el experimento. En el paso nmero 6 se conduce el experimento.
En los pasos 7 y 8 los resultados del experimento son analizados y verificados.
Ejemplo de la optimizacin de un diseo por costo de un sistema intercambiador de calor.

1. Identificar la funcin principal. La funcin principal del sistema enfriador de aire comprimido se muestra en la fig.
La funcin principal del sistema es enfriar la temperatura del aire de 95 c a 10 c entre dos etapas de compresin. Primero entra al sistema el aire por el preenfriador y luego pasa a la unidad de refrigeracin. El agua pasa a travs del condensador de la unidad de refrigeracin y luego a el preenfriador y finalmente entra a el radiador donde se expulsa el radiador a travs de l.

El flujo del aire est dado por 1.2 kg/s y el flujo del agua est dado por 2.3 kg/s Se busca disear el sistema para un costo mnimo total, donde el costo es la suma de todos los costos en dlares de la unidad de refrigeracin, el preenfriador y el radiador. Las ecuaciones paramtricas de costo (xi) para la unidad de refrigeracin, el preenfriador y el radiador en trminos de temperaturas de salida (ti) estn dadas como sigue:
X1 = 1.2 a (T3 - 10) X1 = costo ($) de la unidad de refrigeracin. a = parmetro de costo para el refrigerante. T3= temperatura de salida del aire del preenfriador.. X2=1.2 B (95 - T3)/(T3-T1) X2 = costo ($) del preenfriador. B = parmetro de costo del preenfriador. T3 = temperatura de salida del aire del preenfriador. T1 = temperatura de salida del agua de la unidad de refrigeracin. 95 = temperatura del aire en la entrada al sistema. X3=9.637 c (T2 - 24) X3 = costo ($) del radiador. C = parmetro de costo del radiador. T2 = temperatura del agua en la entrada del radiador. 24 = temperatura del agua despus de pasar por el radiador. A = 48 B = 50 C = 25 para (T3 >T1)

Parmetros de costo determinados por el diseador. 2. Identificar los factores de ruido
Existen varios factores de ruido en un proceso de enfriamiento de aire. Para este caso los ingenieros han determinado los 3 factores de ruido ms importantes.
N1 = parmetro de costo de la unidad de refrigeracin. Se ha estimado un costo original de 48 y se considera un costo muy alto arriba de 56.
N2 = temperatura de salida del radiador. Esta temperatura puede variar dependiendo de los factores ambientales. Se ha estimado una temperatura de 24 c pero se considera muy alta a 27C.
N3 = temperatura del aire a la entrada del sistema. Esta temperatura vara dependiendo de las condiciones de operacin, se ha estimado inicialmente de 95 c pero se considera muy alta arriba de 100 c. 3. Identificar la caracterstica de calidad que va a ser observaba y el >objetivo. El costo va a ser tomado como la caracterstica de calidad y la funcin objetivo ser optimizar el costo total del sistema. MIN CT= X1 + X2 + X3
El objetivo ahora es encontrar cul diseo minimiza el costo total considerando la incertidumbre de los factores de ruido citados.

4. Identificar los factores de control y los niveles alternativos.
Para el caso del ejemplo, tres niveles alternativos fueron identificados para ser estudiados para el control del diseo de los parmetros, El nivel dos muestra los valores iniciales de los factores de control. (tabla a). Los niveles de los parmetros de prueba (tabla a) se refieren a cuntos valores de prueba van a ser analizados (uno de estos niveles debe tomar los valores de las condiciones iniciales de operacin).
T1= 28 C
T2= 39 C
T3= 38 C
Como siguiente paso los ingenieros de diseo y los analistas de costo desean un estudio de niveles alternativos de los parmetros de control considerando ahora la incertidumbre debido a los factores de ruido. En un diseo robusto, generalmente, dos o tres niveles son considerados para cada factor.
Se ha decidido estudiar los tres factores de ruido con 2 niveles. Estos valores se muestran en la tabla 9. El nivel uno representa los valores iniciales de los factores de ruido. Diseo de la matriz de experimentos y definicin de los datos para analizar. El objetivo ahora es determinar los niveles ptimos de los factores de control para que el sistema sea robusto a los factores de ruido.
Construccin de arreglos ortogonales.
Primero se determinan segn la metodologa de Taguchi los grados de libertad para determinar el nmero mnimo de experimentos requerido.
El diseador ha calculado el factor grados de libertad igual a 7, esto nos indica que se necesita un nmero mnimo de 7 experimentos para encontrar los valores ptimos.

Con esto se determina que se puede utilizar un arreglo ortogonal estndar L9 para los factores de control y usando la misma metodologa se utiliza un arreglo ortogonal estndar L4 para los factores de control.
6. Conducir la matriz de experimentos. Para nuestro ejemplo, la matriz de experimentos dada es conducida usando un sistema apropiado de ecuaciones matemticas de costo. La propuesta (vi,j) es el costo total en dlares para ese caso. Esta es calculada para cada combinacin de las matrices de experimentos de factores de control y factores de ruido.

Ecuacin matemtica de costo (ejemplo): CT = Xl + X2 + X3 CT = 1.2(48)(35-10) + 1.2(50)(95-35)1(35-25) + 9.637(25)(36 -24)=4691 CT = 1.2(48)(35-10)+1.2(50)(100-35)1(35-25)+9637(25)(36-27)=3998
Control/Noise N1 48 N2 24 N3 95 48 27 100
1 56 24 100
2 56 27 95
7. Anlisis de datos papa determinar los niveles ptimos de los factores de control. El mtodo de Taguchi utiliza la relacin que existe entre seal y ruido incluyendo la variacin de la respuesta. La relacin que se utilizara en nuestro ejemplo sera que la ms pequea relacin es la mejor, dado que nuestro objetivo es minimizar el costo. Esta relacin seal /ruido est dada por la siguiente ecuacin:
S/N = -10 LOG{1/4[(4691^2 +3998^2+4691^2+4208^2)]}= -73.03
Control matrix
(a) signal to noise ratio
(b) response table

Los promedios de la relacin seal/ruido de la tabla de respuesta nos da los resultados ptimos. Maximizando la relacin s/n es equivalente a minimizar la caracterstica de calidad. Como resultado del anlisis tenemos los niveles ptimos de los parmetros de control siguientes:
Tl 1 25
T2 2 36
T3 3 38
parmetros de prueba niveles valores ptimos de control.
Con estos valores el ct = $4551.00 con una desviacin estndar de 445.5 y una seal de ruido de - 73.19 con esto se ahorra $806.00 un 15% contra los valores iniciales propuestos antes del experimento.
T1 2 28
T2 2 39
T3 2 38
parmetros de prueba niveles valores iniciales propuestos
Ct = $5,357.00 con una desviacin estndar de 445.6 y una seal de Ruido = -74.6

GB7-Ismael Villarreal-Unidad 5-Analisis de Resultados

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

GB7-Ismael Villarreal-Unidad 5-Analisis de Resultados

Загружено:

Авторское право:

Доступные форматы

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

CATEDRATICO: JOSE ALBERTO RAMIREZ COYOLT

ALUMNOS: ISMAEL VILLARREAL MENDOZA

UNIDAD: V ANALISIS DE RESULTADOS SEMESTRE: 7 SECCION: B

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

En los primeros 5 pasos se planea el experimento. En el paso nmero 6 se conduce el experimento.

En los pasos 7 y 8 los resultados del experimento son analizados y verificados.

Ejemplo de la optimizacin de un diseo por costo de un sistema intercambiador de calor.

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

Construccin de arreglos ortogonales.

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

S/N = -10 LOG{1/4[(4691^2 +3998^2+4691^2+4208^2)]}= -73.03

(a) signal to noise ratio

(b) response table

INSTITUTO TECNOLOGICO SUPERIOR DE CIUDAD ACUA

parmetros de prueba niveles valores ptimos de control.

parmetros de prueba niveles valores iniciales propuestos

Вам также может понравиться