Mtb15 Dise o Experimentos

Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov.
2007
MINTAB 15 MÓDULO 7. DISEÑO DE EXPERIMENTOS
7.1 Cartas Multivari

7.2 Diseño de experimentos factoriales completos
7.3 Diseño de experimentos factoriales completos de dos niveles
7.4 Diseño de experimentos fraccionales (1/2) de dos niveles
7.5 Aplicaciones
MÓDULO 7. DISEÑO DE EXPERIMENTOS

7.1 Cartas Multivari
Las cartas Multivari permiten observar en una sola carta el

comportamiento de varias fuentes de variación. Para la teoría se
anexa un archivo Cartas Multivari.doc.
Carta Multivari con tres fuentes de variación
Ejemplo: Una empresa produce ejes para rotores eléctricos con

diámetros de 0.250 ± 0.001 mm, sin embargo el Cp es de 0.8
lo que significa que el proceso tiene una variabilidad excesiva.
La variabilidad considerada al tomar los datos se estima que proviene

de las siguientes fuentes:
** Diferencia de diámetros en los extremos del eje izquierdo y derecho.
** Diferencia de diámetro máximo y mínimo en una misma posición

que implica falta de redondez
** Variación de una pieza a otra producidas en forma consecutiva
** Variación a lo largo del tiempo (largo plazo)
Las cartas Multivari nos permiten visualizar estas fuentes de variación:
Los datos del archivo ROTOR.MTW anexos indican lo siguiente:

Hora: Hora de toma de muestra
Eje : Número de eje
Posición: indica si se trata de diámetro mínimo o máximo medido
Diametro: Valor del diámetro
Stat > Quality tools > Multi Vari Chart

Response Diametro
Factor 1 Posición Factor 2 Eje Factor 3 Hora
OK
Multi-Vari Chart for Diametro by Posicion - Hora

1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
Como se puede observar las variabilidades en orden de importancia son:
Página 1 de 57
Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
*** Por el paso del tiempo ** Falta de redondez * Entre partes
Se pueden eliminar las líneas de conexión con Options y eliminando la marca

en Connect Means for Factor 1
Multi-Vari Chart for Diametro by Posicion - Hora

1 2 3 1 2 3
08:00 09:00 10:00 11:00 12:00 Posicion
2.510 Max Der
Max Izq
Min Der
Min Izq
2.505
Diametro
2.500
2.495
2.490
1 2 3 1 2 3 1 2 3
Eje
Panel variable: Hora
El aspecto de la carta Multivari depende del orden en que se ingresen los factores
El tercer factor va en el eje horizontal por tanto aquí es donde conviene introducir el tiempo
El último factor introducido es el que divide a la carta en dos partes.
Carta Multivari con cuatro fuentes de variación
Se puede descomponer en dos columnas la columna "Posición", creando las columnas

"Redondez" donde se indica si el diámetro medido es máximo o mínimo, y la columna
"Inclinación" donde se indica si corresponde a la izquierda o a la derecha.
Para crear la columna "Inclinación" se tiene:
Calc > Make Patterned Data > Text Values

Store Patterned Data in Inclinación
Test Values Izq Der
List each value 2
List the whole sequence 15
Para crear la columna "Redondez" se tiene:
Calc > Make Patterned Data > Text Values

Store Patterned Data in Redondez
Test Values Min Max
List each value 1
List the whole sequence 30
y se corre de nuevo la carta Multivari
Stat > Quality tools > Multi Vari Chart

Response Diametro
Factor 1 Eje Factor 2 Redondez Factor 3 Hora Factor 4 Inclinación
OK
Multi-Vari Chart for Diametro by Eje - Inclinacion

Max Min Max Min
Der, 08:00 Der, 09:00 Der, 10:00 Der, 11:00 Der, 12:00 Eje
2.510
1
2.505 2
3
2.500
2.495
Diametro
2.490
Izq, 08:00 Izq, 09:00 Izq, 10:00 Izq, 11:00 Izq, 12:00
2.510
2.505
2.500
2.495
2.490
Max Min Max Min Max Min

Redondez Página 2 de 57
Panel variables: Inclinacion, Hora
2.500
2.495
2.490
Max Min Max Min Max Min

Redondez
Panel variables: Inclinacion, Hora
7.2 Diseño de experimentos factoriales completos de más de dos niveles
Ver el archivo Diseño de experimentos.doc para la teoría.
Se estudia el rendimiento de un proceso químico (Y), donde se piensa que los factores
que mayor influencia tienen son la temperatura y la presión (X1, X2).
Se diseña un experimento factorial completo con dos réplicas y tomando tres niveles
en cada factor como se muestra en la tabla de rendimientos.
Hacer los análisis de la significancia de cada factor a un 5% de significancia.
PRESION (psig)
200 215 230
TEMP. 90.4 90.7 90.2
150 90.2 90.6 90.4
90.1 90.5 89.9
160 90.3 90.6 90.1
90.5 90.8 90.4
170 90.7 90.9 90.1
PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO
Stat > DOE > Factorial > Create Factorial Design

Type of Design: General Full Factorial Design
Number of factors 2
Designs: Factor A Name = Temp Levels = 3

Factor B Name = Presion Levels = 3
Number of Replicates 2
Options Seleccionar randomize runs OK
Factors Introducir los niveles para TEMP. 200 215 230

RESIÓN 150 160 170
OK
NOTA: Si se introducen los nombres y valores reales de los factores

en lugar de 1, 2 y 3 aparecen en la tabla los niveles reales.
PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA

COMBINACION DE FACTORES DESPUÉS QUE MINITAB GENERO EL DISEÑO O ARREGLO
1. Ver diseño con Stat > DOE > Display Design

2. Seleccionar Standard order for design Uncoded Units Copiar columna de datos
3. OK
NOTA: Coded units muestra 1, 2 y 3
StdOrder RunOrder PtType Blocks Temp Presion Rendimiento
1 10 1 1 200 150 90.4
2 12 1 1 200 160 90.1
3 3 1 1 200 170 90.5
4 9 1 1 215 150 90.7
5 6 1 1 215 160 90.5
6 15 1 1 215 170 90.8
7 8 1 1 230 150 90.2
8 13 1 1 230 160 89.9
9 2 1 1 230 170 90.4
10 14 1 1 200 150 90.2
11 1 1 1 200 160 90.3
12 7 1 1 200 170 90.7
13 4 1 1 215 150 90.6
Página 3 de 57
14 11 1 1 215 160 90.6

15 18 1 1 215 170 90.9
16 16 1 1 230 150 90.4
17 5 1 1 230 160 90.1
18 17 1 1 230 170 90.1
PASO 3. ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO
Stat > DOE > Factorial > Analyze Factorial Design
Response Seleccionar la columna de Rendimiento

Terms Pasar todos los términos a Selected con >> OK
Graphs Residuals for Plots Estandardized

Seleccionar Residual plots: Normal y vs fits OK
Results ANOVA table, Covariate, Unusual observations

Seleccionar todos los términos con >> OK
OK
CONCLUSIONES EN RESIDUALES
Residual Plots for Rendimiento

Normal Probability Plot Versus Fits
99 2
Standardized Residual
90 1
Percent
50 0
Gráfica Normal de residuales
deben aproximarse a la línea 10 -1
recta 1 -2
-2 -1 0 1 2 90.0 90.2 90.4 90.6 90.8
Standardized Residual Fitted Value
Histogram Versus Order

2
4.8
1
3.6
Frequency
2.4 0
1.2 -1
0.0 -2
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2 4 6 8 10 12 14 16 18
Standardized Residual Observation Order
Residuales vs Y estimada
Cálculo de residuales deben ser aleatorios
Y(i,j) estimada= Promedio de valores en cada celda (i,j)
Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada
Multilevel Factorial Design

Factors: 2 Replicates: 2
Base runs: 9 Total runs: 18
Base blocks: 1 Total blocks: 1
Number of levels: 3, 3
General Linear Model: Rendimiento versus Temp, Presion
Factor Type Levels Values
Temp fixed 3 200, 215, 230
Presion fixed 3 150, 160, 170
Analysis of Variance for Rendimiento, using Adjusted SS for Tests

Significativos a nivel de 0.05
Source DF Seq SS Adj SS Adj MS F P
Temp 2 0.76778 0.76778 0.38389 21.59 0.000
Presion 2 0.30111 0.30111 0.15056 8.47 0.009
Temp*Presion 4 0.06889 0.06889 0.01722 0.97 0.470
Error 9 0.16000 0.16000 0.01778
Total 17 1.29778
No significativo a nivel 0.05
S = 0.133333 RSq = 87.67% RSq(adj) = 76.71%
PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES

CONDICIONES DE OPERACIÓN
Las gráficas factoriales se obtienen de los promedios del rendimiento en cada nivel de cada factor
Página 4 de 57
Least Squares Means for Rendimiento
Temp Mean SE Mean
200 90.37 0.05443
215 90.68 0.05443
230 90.18 0.05443
Presion
150 90.42 0.05443
160 90.25 0.05443
170 90.57 0.05443
Temp*Presion
200 150 90.30 0.09428
200 160 90.20 0.09428
200 170 90.60 0.09428
215 150 90.65 0.09428
215 160 90.55 0.09428
215 170 90.85 0.09428
230 150 90.30 0.09428
230 160 90.00 0.09428
230 170 90.25 0.09428
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main effects e Interaction Plots

Setup para ambas: En Response seleccionar Rendimiento
y con >> seleccionar todos los factores OK
Seleccionar Data Means OK
De aquí se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interacción

es significativa, los mejores niveles se seleccionan de las gráficas de interacciones, de otra
forma se seleccionan de las gráficas de efectos de los factores principales.
Main Effects Plot for Rendimiento

Data Means
Temp Presion
90.7
90.6 Para maximizar el

rendimiento se selecciona:
90.5
Presión = 170 psig
Mean
Temperatura = 215ºC
90.4
90.3
90.2
200 215 230 150 160 170
Interaction Plot for Rendimiento

Data Means
90.9 Esta
Tempgráfica no es utilizada
200
90.8 debido
215 a que la interacción
90.7
no fue
230 significativa
90.6
90.5
Mean
90.4
90.3
90.2
90.1
90.0
150 160 170

Temp.Presion
Página 5 de 57
90.1
90.0
150 160 170

Temp.Presion
Minitab 15 PASO 5. DISEÑO ÓPTIMO

Se usa para seleccionar puntos de diseño con base en algun criterio para obtener un diseño óptimo
que es un subconjunto del disño factorial completo. Se usa el diseño óptimo para:
- Seleccionar un conjunto de puntos de diseño "óptimo"
- Aumentar (agregar puntos a) un diseño actual
- Mejorar la Opimitalidad - D de un diseño actual
- Evaluar y comparar diseños
Para obtener el mejor diseño aumentando o disminuyendo los puntos originales en el diseño,
que corresponden a las corridas experimentales individuales. Se pueden usar dos criterios para
obtener el diseño óptimo: Optimalidad - D y optimalidad basada en la distancia.
La optimalidad D minimiza la varianza en los coeficientes de la regresión del modelo del diseño,
proporcionando el mejor estimado de los efectos. Si se especifica el modelo, Minitab selecciona
los puntos de diseño que satisfacen este criterio desde un conjunto de candidatos de puntos.
La optimalidad con base en la distancia dispersa uniformemente los puntos de diseño sobre el espacio
de diseño. Este método se usa cuando no es posible o deseable seleccionar un modelo previo.
Por ejemplo, un constructor de casas verdes, quiere usar el DOE para encontrar la combinación
ópitma de temperatura, iluminación, suelo, y agua que maximize el crecimiento de plantas colgantes.
Para esto crea un diseño de superficie de respuesta con cuatro factores y dos bloques (casas juntas)
genera un diseño con 30 puntos (30 combianciones de niveles). Sin embargo para ahorrar dinero
decide reducir el diseño original a 20 puntos, usando la optimalidad - D como criterio.
Los métodos anteriores se pueden utilizar para identificar un diseño óptimo factorial, de superficie de
respuesta, o de mezclas. Si se usan estos criterios para reducir o para aumentar un diseño depende
de los recursos disponibles, tales como tiempo, equipo, personal y dinero.
Por ejemplo, del caso anterior:

Si por alguna razón no se pudieran hacer todos los experimentos y de los 18 solo se pueden hacer 12:
1. Stat > DOE > Select Optimal Design

2. Number of points in the optimal design 12
3. Select Optimal Design
4. OK
StdOrder RunOrder PtType Blocks Temp Presion Rendimiento

1 3 1 1 200 150 90.4
1 3 1 1 200 150 90.2
2 10 1 1 200 160 90.1
2 10 1 1 200 160 90.3
3 14 1 1 200 170 90.5
4 7 1 1 215 150 90.7
4 7 1 1 215 150 90.6
5 12 1 1 215 160 90.5
6 13 1 1 215 170 90.8
7 8 1 1 230 150 90.2
8 16 1 1 230 160 89.9
9 11 1 1 230 170 90.4
Analysis of Variance for Rendimiento, using Adjusted SS for Tests
Temp 2 0.46000 0.40743 0.20372 13.58 0.031
Presion 2 0.21225 0.22074 0.11037 7.36 0.070
Temp*Presion 4 0.01941 0.01941 0.00485 0.32 0.848
Error 3 0.04500 0.04500 0.01500
Total 11 0.73667
S = 0.122474 RSq = 93.89% RSq(adj) = 77.60%

Data Means
Temp Presion Página 6 de 57

90.7
90.6

Data Means
Se seleccionan niveles
Temp Presion
90.7 similares para los factores
como en el diseño
90.6 factorial completo
Mean 90.5
90.4
90.3
90.2
90.1
200 215 230 150 160 170
Interaction Plot for Rendimiento

Data Means
Temp
90.8
200
Esta gráfica no se utiliza
215
230
90.6
90.4
Mean
90.2
90.0
150 160 170

Presion
Aumentar / Mejorar el diseño

En forma adicional a las columnas otiginales del diseño, se puede agregar otra columna que indique
cuantas veces se incluirá un punto de diseño en el diseño inicial, y si un punto debe ser protegido u
omitido del diseño final.
Columna indicadora del diseño

Hay dos formas de definir el diseño original: usar todos los renglones que se generan del diseño; o
usar una columna para "proteger" los puntos de diseño durante el proceso de optimización. Minitab no
descarta este punto de diseño en el diseño final.
La columna de indicadores puede tener números negativos y positivos.
- La magnitud de los indicadores determina el número de réplicar del punto correspondiente al diseño
original, que se incluiran en el diseño final
- El signo del indicador indica si el punto se protegerá durante el proceso de optimización o no.
Un signo positivo indica que el punto puede ser excluido del diseño, un signo negativo indica que
el punto no puede ser excluido del diseño.
Columna de evaluación
De forma adicional se puede agregar una columna adicional para evaluación del diseño, con dígitos
positivos, indicando cuantas veces se incluye un punto de diseño en la evaluación.
7.3 Diseño de experimentos factoriales completos de dos niveles (2K)
Ejemplo: En un proceso de fabricación de Mofles se desea mejorar el proceso

de soldadura en un componente de acero inoxidable. Para lo cual se realiza un
diseño de 2 factores y 3 niveles.
Factor Nivel bajo Nivel Alto

A. Caudal de gas (l/min.) 8 12
B. Intensidad de Corriente 230 240
C. Vel. de Cadena (m/min.) 0.6 1
Como respuesta se toma la calidad del componente en una escala de 0 a 30

entre mayor sea mejor calidad
Paso 1. Generar diseño
Página 7 de 57
Seleccionar 2-Level factorial (default generators); Number of factors 3

Designs: Seleccionar Full Factorial Replicates 1
Factors: Caudal 8 12 Intensidad 230 240 Vel. 0.6 1

Options: Quitar bandera de Random
OK
Puede colocar la matriz del diseño en orden aleatorio o estándar con

Stat > DOE > Display Design: Estándar order for design
Para cambiar de unidades sin codificar a unidades codificadas:

Stat > DOE > Display Design: Coded o Uncoded Units
Paso 2. Introducir los datos en el diseño:
StdOrder Caudal Intensidad Velocidad Y

1 8 230 0.6 10
2 12 230 0.6 26.5
3 8 240 0.6 15
4 12 240 0.6 17.5
5 8 230 1 11.5
6 12 230 1 26
7 8 240 1 17.5
8 12 240 1 20
Paso 3. Analizar el diseño

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
Residual for Plots Standardized
Seleccionar Normal Plot y Residuals vs Fits
Results Seleccionar todos los términos con >>
OK OK
Los resultados se muestran a continuación. Como es una sola réplica no hay residuos
La ecuación del modelo se puede formar a partir de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units
Term Coef
Constant 893.750 Pareto Chart of the Effects
(response is Y, Alpha = .05)
Caudal 102.625
5.646
Corriente 3.75000 F actor Name
A C audal
A
Velocidad 186.250 B C orriente
C V elocidad
Caudal*Corriente 0.425000 AB
Caudal*Velocidad 30.0000 C
Corriente*Velocidad 0.750000
Term
B
Caudal*Corriente*Velocidad 0.125000
BC
ABC
Y = -893.750 + 102.625 Caudal +
AC
- 0.425 Caudal*Corriente
0 1 2 3 4 5 6 7 8 9
Effect
Lenth's PSE = 1.5
Las gráficas donde se indica cuales factores son significativos son:
Son significativos A y AB
Normal Probability Plot of the Effects

99
Página
Effect Ty pe8 de 57
Not Significant
95 Significant
90 A F actor N ame
A C audal
80 B C orriente
70 C V elocidad
t
99
Effect Ty pe
Not Significant
95 Significant
90 A F actor N ame
A C audal
80 B C orriente
70 C V elocidad
Percent
60
50
40
30
20
10 AB
5
1
-5.0 -2.5 0.0 2.5 5.0 7.5 10.0
Effect
Lenth's PSE = 1.5
Los efectos se pueden guardar en una columna y después graficarlos para que sean claros:
Stat > DOE > Factorial > Analize Factorial Design ..... Storage: Effects
Graph Dot Plot: Simple Effe1
EFFE1
9
-1
1.5
-6.5
-0.5
1
0.5
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Interaction Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
Main Effects Plot (data means) for Y

Caudal Corrient e
22
El único factor
20
significativo es A
18
16
Mean of Y
14
8 12 230 240
Velocidad
22
20
18
16
14
0.6 1.0
Interaction Plot (data means) for Y

28 Caudal
La interacción significativa
26
8 es AB
12
24
Los mejores resultados
22 se obtienen con:
20 Corriente = 230
Mean
18
Caudal = 12
16
14
12
10
230 240
Corriente
Página 9 de 57
14
12
10
230 240
Corriente
Cube Plot (data means) for Y

El cubo proporciona los
17.5 20.0
valores de las respuestas
en las diferentes
combinaciones de los
15.0 17.5
240 factores
Corriente 11.5 26.0

1
Velocidad Es el mejor resultado

10.0 26.5
230 0.6
8 12
Caudal
La experimentación podría continuar en esta dirección
Paso 5. Obtener las gráficas de contornos y de superficie de respuesta
Stat > DOE > Contour and Surface Plots

Seleccionar Contour Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Surface response Plot: Setup: Response Y; Pasar Intensidad, Caudal y Vel. Con >>
Seleccionar Cube Plot: SetUp >> Response Y; Pasar Intensidad, Caudal y Vel. Con >>
OK
Contour Plot of Y vs Intensidad, Caudal Surface Plot of Y vs Intensidad, Caudal
240.0 Hold Values

Y Velocidad 0.6
< 12
12 - 15
238.5
15 - 18
18 - 21
21 - 24
237.0
> 24
Intensidad
Hold Values 25
235.5 Velocidad 0.6
20
Y
234.0
15
240
10
232.5 235
8 Intensidad
10 230
Caudal 12
231.0
8 9 10 11 12
Caudal
Paso 6. Obtener una ampliación de la respuesta en la zona de Y = 21 a 24
Stat > DOE > Factorial > Overlaid Contour Plot

Seleccionar en Response Y
Seleccionar en Settings Hold Extra factors in Low setting
Probar con High y Middle settings
Seleccionar en Contours Low 21 High 26
OK
Overlaid Contour Plot of Y

240.0
Y
21
26
238.5
Hold Values
Velocidad 0.6
237.0
Intensidad
235.5
234.0
232.5
231.0
8 9 10 11 12
Caudal
Paso 7. Obtener una respuesta optimizada
Página 10 de 57
Stat > DOE > Factorial > Response Optimizer

Seleccionar en Response Y
Seleccionar en Options Caudal 10 Intensidad 235 Velocidad 0.8
Seleccionar en Goal Maximize Lower 21 Target 26
OK
Seleccionar y mover las líneas de cada factor hasta obtener el máximo rendimiento:
CORRIDA EN MINITAB TOMANDO DE UN DISEÑO DE EXPERIMENTOS 2K (6.5)

Se usa un Router para hacer los barrenos de loc. de una placa de circuito impreso. La vibración es
fuente principal de variación. La vibración de la placa a ser cortada depende del tamaño de los barrenos
(A1 = 1/16" y A2 = 1/8") y de la velocidad de corte (B1 = 40 RPMs y B2 = 90 RPMs).
La variable de respuesta se mide en tres acelerómetros A,Y,Z en cada uno de los circuitos impresos.
Los resultados se muestran a continuación.
Notación de Douglas Montgomery Niveles

Combinación Codificados
A B Trat. A B
- - (1) -1 -1
+ - a 1 -1
- + b -1 1
+ + ab 1 1
Respuesta Vibración
Niveles reales Réplica
A B I II III IV
0.063 40 18.2 18.9 12.9 14.4
0.125 40 27.2 24.0 22.4 22.5
0.063 90 15.9 14.5 15.1 14.2
0.125 90 41.0 43.9 36.3 39.9
Type of Design: Two Level Factorial (default generators)
Number of Factors 2
Designs Full Factorial
Number of Center points 0
Number of replicates: 4
Number of Blocks 1 OK
Página 11 de 57
Factors
Factor Name Type Low High
A Diametro Numeric 0.063 0.125
B Velocidad Numeric 40 90 OK

Para ver los datos enorden estándar

1. Stat > DOE > Display Design
2. Seleccionar Standar order for design Uncoded units
3. OK
StdOrder RunOrder CenterPt Blocks Diametro Velocidad Resp

1 11 1 1 0.063 40 18.2
2 9 1 1 0.125 40 27.2
3 12 1 1 0.063 90 15.9
4 13 1 1 0.125 90 41.0
5 16 1 1 0.063 40 18.9
6 2 1 1 0.125 40 24.0
7 10 1 1 0.063 90 14.5
8 1 1 1 0.125 90 43.9
9 5 1 1 0.063 40 12.9
10 15 1 1 0.125 40 22.4
11 8 1 1 0.063 90 15.1
12 7 1 1 0.125 90 36.3
13 4 1 1 0.063 40 14.4
14 3 1 1 0.125 40 22.5
15 6 1 1 0.063 90 14.2
16 14 1 1 0.125 90 39.9
Análisis de la variabilidad de cada combinación de niveles de factores:

1 Con los datos de este ejemplo.
2 Stat > DOE > Factorial > Preprocess Responses for Analyze Variability.
3 En Standard deviation to use for analysis, seleccionar Compute for replicates in each response column.
4 En Response, en el primer renglón, poner Rendimiento.
5 En Store Std Dev, en el primer renglón, poner DesvRend para nombrar la columna donde se guardará la desviación estándar.
6 En Store Counts, en el primer renglón, poner Num para registrar el número de réplicas. Click OK.
Los resultados son los siguientes:
Diametro Velocidad Resp DesvRend Num

0.063 40 18.2 2.90860791 4
0.125 40 27.2 2.23960562 4
0.063 90 15.9 0.75 4
0.125 90 41.0 3.14152299 4
0.063 40 18.9 * *
Ahora se analizan los factores que intervienen en la variabilidad del rendimiento:
Paso 1. Análisis de la variabilidad utilizando el método de mínimos cuadrados

1 Stat > DOE > Factorial > Analyze Variability.
2 En Response (standard deviations), seleccionar DesvRend
3 Click Terms.
4 En Include terms from the model up through order, seleccionar A B de la lista. Click OK.
5 Click Graphs. En Effects Plots, Seleccionar Normal, Half Normal, y Pareto. Click OK en cada cuadro de diálogo.
Los resultados se muestran a continuación:
Analysis of Variability: DesvRend versus Diametro, Velocidad
Regression Estimated Effects and Coefficients for Ln of DesvRend (coded units)
Ratio
Ratio
Term Effect Effect Coef SE Coef T P
Constant 0.6828 0.4234 1.61 0.353
Página 12 de 57
Diametro 0.5855 1.7959 0.2928 0.4234 0.69 0.615
Velocidad 0.5085 0.6014 0.2542 0.4234 0.60 0.656
RSq = 45.61% RSq(adj) = 0.00%
Analysis of Variance for Ln of DesvRend
Main Effects 2 2.57323 2.57323 1.2866 0.42 0.738
Residual Error 1 3.06893 3.06893 3.0689
Total 3 5.64216
Regression Estimated Coefficients for Ln of DesvRend (uncoded units)
Term Coef
Constant 0.456062 Pareto Chart of the Standardized Effects
Diametro 9.44367 (Response is ln of DesvRend, Alpha = 0.05)
Velocidad 0.0101695 12.71
Fitted Means for DesvRend
Diametro
Mean SE Mean
Diametro
Term
0.063 1.4770 0.8845
0.125 2.6525 1.5884 Velocidad
Velocidad
40 2.5523 1.5284
90 1.5350 0.9192
0 2 4 6 8 10 12 14
Standardized Effect
Alias Structure
I
Diametro
Velocidad Conclusión: Ningún factor es significativo en la variabilidad
En este punto, se debe reducir el modelo por el método de mínimos cuadrados para determinar que
términos se retienen en el modelo. En este caso solo como ejemplo se toman los dos factores
aunque ninguno fue significativo. Este es solo uno de los diversos modelos reducidos a utilizar.
Una vez seleccionado el modelo reducido se corre con el método ML para tener una mayor precisión.
Paso 2. Análisis de la variabilidad utilizando el método de máxima verosimilitud
MLE Estimated Effects and Coefficients for Ln of DesvRend (coded units)
Ratio
Term Effect Effect Coef SE Coef Z P
Constant 0.8440 0.2041 4.13 0.000
Diametro 0.5855 1.7959 0.2928 0.2041 1.43 0.152
Velocidad 0.5085 0.6014 0.2542 0.2041 1.25 0.213
Unusual Observations for Ln of DesvRend
St Ln
St Ln
Obs StdOrder Ln DesvRend Ln Fit SE Ln Fit Ln Resid Resid
2 2 0.80630 1.39098 0.35355 0.58468 2.86 R
3 3 0.28768 0.29700 0.35355 0.58468 2.86 R
R denotes an observation with a large standardized residual.
MLE Estimated Coefficients for Ln of DesvRend (uncoded units)
Term Coef
Constant 0.617305
Diametro 9.44367 Pareto Chart of the Standardized Effects
(Response is ln of DesvRend, Alpha = 0.05)
Velocidad 0.0101695
1.960
Fitted Means for DesvRend
Mean SE Mean Diametro
Diametro
Term
0.063 1.7354 0.5010
0.125 3.1166 0.8997
Velocidad Velocidad
40 2.9989 0.8657
0.0 0.5 1.0 1.5 2.0

Página 13 de 57
Standardized Effect
Mintab V15 Velocidad Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
90 1.8035 0.5206
0.0 0.5 1.0 1.5 2.0
Alias Structure Standardized Effect
I
Diametro
Velocidad
Los resultados indican que:

- El diámetro tiene un efecto de 0.5. La tasa de efecto indica que la desviación estándar
se incrementa a una tasa de 1.79 cuando el diámentro cambia de bajo a alto.
- La velocidad tiene un efecto de -0.5. La tasa de efecto indica que la desviación estándar
se reduce a una tasa de 0.6014 cuando la velocidad cambia de baja a alta.
La gráfica de residuales se muestra a continuación:
Residual Plots for Ln of DesvRend

Versus Fits Histogram
Standardized Ln Residual
2.0
1
0 Frequency 1.5
-1 1.0
-2 0.5
-3 0.0
1 2 3 4 -3 -2 -1 0 1
Fitted Value Standardized Ln Residual
Versus Order
Standardized Ln Residual
-1
-2
-3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Observation Order
No se muestran efectos anormales.
PASO 3 ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO
Response Seleccionar la columna de las respuestas Vibración
Terms Pasar todos los términos a Selected terms con >> OK
Graphs Seleccionar Effects Plots Normal Half Normal y

Pareto Seleccionar Alfa = 0.05
Seleccionar Residual for Plots Standardized

Seleccionar Residual plots: Normal y vs fits o Four in
oneOK
Results Seleccionar Unusual observations in addition to the

above
Seleccionar en Display of alias table Default

interactions
Seleccionar todos los términos a Selected terms con

>> OK
Prediction Seleccionar los niveles de los factores Diam y Vel.

0.100 y 50
Los resultados se muestran a continuación
OK
a) CONCLUSIONES EN RESIDUALES
Página 14 de 57
Los residuales vs Valores de Y estimados Residuales vs Y estimada

(fits) deben distribuirse de manera aleatoria deben ser aleatorios
por arriba y debajo de la linea central y apegarse a la linea de regresión
indicando que son independientes de la respuesta indicando que se distribuyen en forma
normal y el modelo es válido
Residual Plots for Resp

Normal Probability Plot Versus Fits
99 2
90 1
Percent
50 0
-1
10
1 -2
-2 -1 0 1 2 20 30 40
Standardized Residual Fitted Value
Histogram Versus Order

4 2
3 1
Frequency
2 0
1 -1
0 -2
-2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Standardized Residual Observation Order
Los valores de los residuales se calculan comos sigue:
Y(i,j) estimada con la ecauación de regresión para cada combianción de niveles i, j.
Residuales o error e(i,j) = Y(i,j) real observada - Y (i,j) estimada
La tabla de residuales calculada se muestra a continuación:
Obs StdOrder Vibración Fit SE Fit Residual St Resid

1 1 18.2000 16.1000 1.2224 2.1000 0.99
2 2 27.2000 24.0250 1.2224 3.1750 1.50
3 3 15.9000 14.9250 1.2224 0.9750 0.46
4 4 41.0000 40.2750 1.2224 0.7250 0.34
5 5 18.9000 16.1000 1.2224 2.8000 1.32
6 6 24.0000 24.0250 1.2224 -0.0250 -0.01
7 7 14.5000 14.9250 1.2224 -0.4250 -0.20
8 8 43.9000 40.2750 1.2224 3.6250 1.71
9 9 12.9000 16.1000 1.2224 -3.2000 -1.51
10 10 22.4000 24.0250 1.2224 -1.6250 -0.77
11 11 15.1000 14.9250 1.2224 0.1750 0.08
12 12 36.3000 40.2750 1.2224 -3.9750 -1.88
13 13 14.4000 16.1000 1.2224 -1.7000 -0.80
14 14 22.5000 24.0250 1.2224 -1.5250 -0.72
15 15 14.2000 14.9250 1.2224 -0.7250 -0.34
16 16 39.9000 40.2750 1.2224 -0.3750 -0.18
CONCLUSIONES EN LA TABLA DE ANOVA
Analysis of Variance for Vibración (coded units)

Main Effects 2 1334.48 1334.48 667.241 111.64 0.000
2-Way Interactions 1 303.63 303.63 303.631 50.80 0.000
Residual Error 12 71.72 71.72 5.977
Página 15 de 57
Pure Error 12 71.72 71.72 5.977

Total 15 1709.83
CONCLUSIONES EN LOS EFECTOS ESTIMADOS Y COEFICIENTES USANDO

VALORES REALES DE LOS NIVELES
Se obtienen los resultados siguientes:
Estimated Coefficients for Vibración using data in uncoded units
Term Coef
Constant 23.0550
Diametro -96.2400
Velocidad -0.372000
Diametro*Velocidad 5.57600
La ecuación de Regresión del modelo se forma considerando unicamente los factores

e interacciones que tienen influencia en la respuesta o sea que son significativos
en este caso todos fueron significativos y la ecuación de regresión es la siguiente:
Yest = 23.0550 - 96.24*Diametro - 0.372*Velocidad + 5.576*Diametro*velocidad
Esta ecuación es válida en valores no codificados de los niveles es decir para A entre 1/16 y 1/8
y B entre 40 y 90, cualquier valor entre estos rangos.
Las gráficas de Efectos principales indican los factores significativos observando los que salen
de la recta normal e incluso se indican sus nombres como sigue (en este caso A, B y AB):
Normal Plot of the Standardized Effects Half Normal Plot of the Standardized Effects
(response is Resp, Alpha = .05) (response is Resp, Alpha = .05)
Effect Type Effect Ty pe
1.0E+02 Not Significant 1.0E+02 Not Significant
Significant Significant
99.9999
F actor N ame F actor N ame
A D iametro 1.0E+02
A D iametro
99.99 B V elocidad B V elocidad
99.98
Percent
Percent
99
95
80 A 98
95
50 AB
85
80 A
20 B
50 AB
5
20 B
1 0
0 4 8 12 16 0 2 4 6 8 10 12 14
Standardized Effect A bsolute Standardized Effect
La gráfica de Pareto de efectos principales muestra cuales son significativos

observando los que exceden la línea roja de nivel alfa (en este caso A, B y AB).
Pareto Chart of the Standardized Effects

(response is Resp, Alpha = .05)
2.18
F actor N ame
A D iametro
B V elocidad
A
Term
AB
Página 16 de 57
0 2 4 6 8 10 12 14
Standardized Effect
B
0 2 4 6 8 10 12 14
Standardized Effect
Predicción de la respuesta:
Predicted Response for New Design Points Using Model for Resp
Diametro 0.90 Velocidad 50
Point Fit SE Fit 95% CI 95% PI
1 169.9000 18.5456 (129.4926, 210.3074) (129.1430, 210.6570) XX
PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES

CONDICIONES DE OPERACIÓN
a) PROMEDIOS DE LAS RESPUESTAS EN CADA NIVEL DE FACTORES E INTERACCIÓN
Los promedios de la vibración considerando cada uno de los niveles de los factores obtenidos
en el análisis del experimento son:
Para el caso de niveles reales no codificados en (A = 1/16, 1/8 y B = 40 y 90 rpm):

Least Squares Means for Vibración
Mean SE Mean
Diametro
0.0625 15.51 0.8644
0.1250 32.15 0.8644
Velocidad
40 20.06 0.8644
90 27.60 0.8644
Diametro*Velocidad
0.0625 40 16.10 1.2224
0.1250 40 24.03 1.2224
0.0625 90 14.93 1.2224
0.1250 90 40.28 1.2224
b) OBTENCIÓN DE LAS GRÁFICAS FACTORIALES
Las instrucciones son las siguientes:
Stat > DOE > Factorial > Factorial Plots
Seleccionar Main effects, Interaction Plots y Cube Plot
Realizar el Setup para cada una de estas:
Seleccionar columna Respuesta vibración
y con >> seleccionar todos los factores a Selected

OK
Seleccionar Data Means OK
La gráficas se muestran a continuación:
La gráfica de Cubo sólo muestra el arreglo experimental en forma gráfica:
Cube Plot (data means) for Vibración
14.925 Página 17 de 57
40.275
90
Cube Plot (data means) for Vibración
14.925 40.275
90
Velocidad
16.100 24.025
40
0.063 0.125
Diametro
Se seleccionan los mejores niveles de acuerdo al resultado deseado.
Si la interacción ES significativa, los mejores niveles se seleccionan de gráficas de interacciones
Interaction Plot for Vibración

Data Means
Diametro
40 0.063
0.125
35
30
Mean
25
20
15
40 90
Velocidad
En este caso como buscamos una respuesta de menor es mejor para el caso de la vibración
seleccionamos de los cuatro puntos que forman la interacción de A y B, el que
proporcione la menor repuesta, en este cVelocidad Alta
Diametro Bajo
Si la interacción NO es significativa, los mejores niveles se seleccionan de las gráficas

de los factores principales (Main effects): - Lo cual en este caso no aplica.
Main Effects Plot for Vibración

Data Means
Diametro Velocidad
32.5
30.0
27.5
Mean
25.0
22.5
20.0
17.5
15.0
0.063 0.125 40 90
Página 18 de 57
PASO 5. OBTENCIÓN DE LAS GRÁFICAS DE CONTORNOS Y DE SUPERFICIE DE RESPUESTA
Las instrucciones son las siguientes:
Stat > DOE > Factorial > Contour / Surface Plots
Seleccionar Contour y Surface Plots
Realizar el Setup para cada una de estas:
Seleccionar columna Response vibración
Seleccionar Uncoded units (valores reales) o

Codificados
OK
La gráfica de contornos indica la combianción de niveles para A y B manteniendo la Y resp. Constante.

Sirve para indicar hacia donde se debe seguir experimentando si se quiere mejorar la respuesta,
trazando una recta casi perpendicular a los contornos:
Contour Plot of Vibración vs Velocidad, Diametro

90
Vibración
< 15
15 – 20
20 – 25
80
25 – 30
30 – 35
35 – 40
> 40
70
Velocidad
60
50
40
0.07 0.08 0.09 0.10 0.11 0.12
Diametro
La gráfica de Superficie de respuesta nos indica el comportamiento del proceso es decir

como varia la respuesta Y = vibración en función de variaciones con Diametro y Velocidad
Surface Plot of Vibración vs Velocidad, Diametro
40
Vibración 30
20
80
60 Velocidad
0.06
0.08
0.10 40
0.12
Diametro
Página 19 de 57
Optimizador
1. Stat > DOE > Factorial > Response optimizer

2. Seleccionar como response Vibración
3. Seleccionar Options Diamentro 0.065 Velocidad 50
4. Set up Vibración Minimize Target 10 Upper 40
5. OK
Respuesta óptima en Diámetro 0.125 y Velocida 90
7.4 Diseño de experimentos fraccionales (1/4) de dos niveles:
Ejemplo: Para mejorar la adherencia en un proceso de etiquetado se realiza el siguiente experimento:

Factor Nivel Bajo Nivel Alto
A. Tipo de cola X Y
B. Temperatura 30 40
C. Cantidad 2 3
D. Temp.sec. 80 90
E. Presión 1 1.5
Al principio se realizó un diseño fraccional de dos niveles y cinco factores (25-2), en cada
condición se midió la fuerza de adhesión en 100 botellas y se tomó como respuesta el promedio.
Paso 1. Generar el diseño

Seleccionar 2-Level factorial (default values); Number of factors 5
Designs: Seleccionar 1/4 fraction
Factors: Nombre de cada factor y sus niveles bajo y alto
Options: Quitar bandera de Random
OK OK
Paso 2. Introducir los datos en el diseño
Cola Temp Cola Cant cola Temp Secado Presion

A 30 2 90 1.5
B 30 2 80 1
A 40 2 80 1.5
B 40 2 90 1
A 30 3 90 1
B 30 3 80 1.5
A 40 3 80 1
B 40 3 90 1.5
Tabla de confusiones (los efectos de los factores principales se confunden con interacciones)
Página 20 de 57
I + ABD + ACE + BCDE

A + BD + CE + ABCDE
B + AD + CDE + ABCE
C + AE + BDE + ABCD
D + AB + BCE + ACDE
E + AC + BCD + ABDE
BC + DE + ABE + ACD
BE + CD + ABC + ADE
Paso 3. Analizar el diseño

Response Y
Graphs: Seleccionar Normal Pareto Alpha = 0.05
OK OK
La ecuación del modelo se puede obtener de los siguientes coeficientes:
Estimated Coefficients for Y using data in uncoded units
Term CoefEcuación de regresión
Constant 36.0000
Cola 2.00000 Y = -36 - 2*Cola + 0.6 Temp Cola + 0.45 Temp secado
Temp Cola 0.600000
Cantidad 0.500000
Temp secado 0.450000
Presion 5.00000
Temp Cola*Cantidad 1.58579E16
Temp Cola*Presion 0.200000
Los factores significativos se observan de las gráficas siguientes
Pareto Chart of the Effects

2.823
F actor N ame
A C ola
D
B Temp C ola Son significativos los
C C antidad
A D Temp secado factores A, B, D
E Presion
B
Term
BE
BC
0 1 2 3 4 5
Effect
Lenth's PSE = 0.75

99
Effect Ty pe
Not Significant
95 Significant
90 D F actor N ame
A C ola
80 B Temp C ola
B
70 C C antidad
Percent
60 D Temp secado
E P resion
50
40
30
20
10 A
Página 21 de 57
5
1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
80 B Temp C ola
B
Mintab V15 70 Módulo 7.
C Diseño
C antidad de experimentos P. Reyes / Nov. 2007
Percent
60 D Temp secado
E P resion
50
40
30
Son significativos los
20
factores A, B, D
10 A
5
1
-4 -3 -2 -1 0 1 2 3 4 5
Effect
Lenth's PSE = 0.75
Paso 4. Obtener las gráficas factoriales para seleccionar los mejores niveles de operación
Stat > DOE > Factorial Plots

Seleccionar Main Effects Plot: Setup: Response Y; A, B, D
Seleccionar Cube Plot: SetUp >>
OK
Main Effects Plot (data means) for Y Se maximiza la respuesta

Cola Temp Cola en las condiciones
24 siguientes:
23 Cola = X
22 Temp Cola = 40
21 Temp Sec = 90
Mean of Y
20
X Y 30 40
Temp secado
24
23
22
21
20
80 90
Cube Plot (data means) for Y
24.0
23.5
40
Después de este
experimento de filtración
Temp Cola 24.5 se puede hacer otro más
90
completo sólo con los
Temp secado
16.0
30 80
factores A, B, D
X Y
Cola
7.5 Diseño de experimentos de superficies de respuesta
DISEÑO CENTRAL COMPUESTO DE SUPERFICIE DE RESPUESTA

Un modelo de primer orden es el siguiente:
y=β 0 +β 1 x1 +β 2 x 2 +...β k xk +ε
Su gráfica de contornos son líneas rectas que nos permiten seguir
experimentando en la trayectoria de ascenso rápido, perpendicular a los contornos
Página 22 de 57
Incremento Niveles codificados Niveles reales Respuesta
Orig 8 3.3 75 173 70.

.+8 6 4
Orig 9 3.7 80 175 77.
.+9 8 6
Orig 10 4.2 85 177
.+10 0
80.3
Orig 11 4.6 90 179 76.
.+11 2 2
Orig 12 5.0 95 181 75.
.+12 4 1
Trayectoria de ascenso rápido
En este punto ya no funciona el

modelo lineal anterior, se requiere uno cuadrático
Respuesta
Pasos
Experimentales
Si en ANOVA se indica que un modelo cuadrático es mejor que

uno lineal, el modelo a aplicar es:
k k k−1 k
Y =β 0 + ∑ β i X i + ∑ β ii X 2i + ∑ ∑ β ij X i X j +ε
i=1 i=1 i=1 j=2
El modelo a utilizar en lugar de un rectángulo del diseño lineal, es el

diseño central compuesto con puntos axiales como se muestra abajo:
Página 23 de 57
Puntos axiales en 1.414
Diseño lineal normal
Réplicas en (0,0)
para el error puro
Ejemplo de diseño central compuesto:
Variables Proceso Variables Rendimient

reales del codificadas o
Corrida Tiempo Temp.(ºF) X1 X2 Y2
(min.)
1 80 170 -1 -1 76.5
2 80 180 -1 1 77.0
3 90 170 1 -1 78.0
4 90 180 1 1 79.5
5 85 175 0 0 79.9
6 85 175 0 0 80.3
7 85 175 0 0 80.0
8 85 175 0 0 79.7
9 85 175 0 0 79.8
10 92.07 175 1.414 0 78.4
11 77.93 175 -1.414 0 75.6
12 85 182.07 0 1.41 78.5
13 85 167.93 0 4 77.0
-1.414
Corrida en Minitab:
Paso 1. Crear el diseño de exp. Central Compuesto (CCD)
Página 24 de 57
Stat> DOE > Surface Response > Create Response Surface Design
En Type of Designs seleccionar Central Composite

Number of factors 2
En Designs seleccionar Full Runs 13 Center points 5 Axial 1.414

Number of center points seleccionar Default Value of Alfa Default
Replicates 1
En Factors seleccionar Nombre de los factores y niveles de los mismos
En Options seleccionar NO Randomize runs y Store Design in Worksheet
En Results seleccionar Summary table and Design Table

OK Design Table
Run Blk A B
Central Composite Design 1 1 -1.00000 -1.00000
Factors: 2 Replicates: 1 2 1 1.00000 -1.00000
Base runs: 13 Total runs: 13 3 1 -1.00000 1.00000
Base blocks: 1 Total blocks: 1 4 1 1.00000 1.00000
5 1 -1.41421 0.00000
Two-level factorial: Full factorial 6 1 1.41421 0.00000
7 1 0.00000 -1.41421
Cube points: 4 8 1 0.00000 1.41421
Center points in cube: 5 9 1 0.00000 0.00000
Axial points: 4 10 1 0.00000 0.00000
Center points in axial: 0 11 1 0.00000 0.00000
12 1 0.00000 0.00000
Alpha: 1.41421 13 1 0.00000 0.00000
Paso 2. Cargar los datos de respuesta de los experimentos
StdOrder RunOrder PtType A B Rendim. Viscocidad

1 1 1 -1 -1 76.5 62
2 2 1 1 -1 78.0 66
3 3 1 -1 1 77.0 57
4 4 1 1 1 79.5 59
5 5 -1 -1.41421 0 75.6 71
6 6 -1 1.41421 0 78.4 68
7 7 -1 0 -1.41421 77.0 57
8 8 -1 0 1.41421 78.5 58
9 9 0 0 0 79.9 72
10 10 0 0 0 80.3 69
11 11 0 0 0 80.0 68
12 12 0 0 0 79.7 70
13 13 0 0 0 79.8 71
Paso 3. Analizar el Diseño de superficie de respuesta CCD
Stat> DOE > Surface Response > Analyze Surface Response Design
En Response seleccionar Rendimiento y Coded Units
En Graphs seleccionar Residual Plots o Normal Plot

OK
La gráfica normal Normal

de residuos es la siguiente:
Probability Plot of the Residuals
(response is Rendim)
99
El modelo es
95 adecuado
90
80
70
Percent
60
50
40
30
20
10
5 Página 25 de 57
1
-0.50 -0.25 0.00 0.25 0.50
Residual
50
Per
40
30
20
10
1
-0.50 -0.25 0.00 0.25 0.50
Residual
Los resultados del análisis son:
Response Surface Regression: Rendim versus A, B
The analysis was done using coded units.
Estimated Regression Coefficients for Rendim
Term Coef SE Coef T P

Constant 79.9400 0.11896 671.997 0.000
A 0.9950 0.09405 10.580 0.00SON SIGNIFICATIVOS
B 0.5152 0.09405 5.478 0.001
A*A -1.3762 0.10085 -13.646 0.000
B*B -1.0013 0.10085 -9.928 0.000
A*B 0.2500 0.13300 1.880 0.102
S = 0.2660 R-Sq = 98.3% R-Sq(adj) = 97.0%
La ecuación de regresión es:

Y = 79.94 + 0.995*A + 0.5152*B - 1.3762*A*B - 1.0013*B*B
Analysis of Variance for Rendim

Regression 5 28.2478 28.2478 5.64956 79.85 0.000
Linear 2 10.0430 10.0430 5.02148 70.97 0.000
Square 2 17.9548 17.9548 8.97741 126.88 0.000
Interaction 1 0.2500 0.2500 0.25000 3.53 0.102
Residual Error 7 0.4953 0.4953 0.07076
Lack-of-Fit 3 0.2833 0.2833 0.09443 1.78 0.290
Pure Error 4 0.2120 0.2120 0.05300
Total 12 28.7431
Con el error Lack of Fit se observa que el modelo lineal

no es adecuado, se reuqiere el modelo cuadrático
Paso 4. Analizar gráficas de superficie de respuesta y contornos

Stat> DOE > Surface Response > Contour/Response Plots
Seleccionar Contour y Surface plots
En Setup de cada una simplemente entrar y salir

OK
Surface Plot of Rendim vs B, A
80
78
Rendim
76
Página 26 de 57
74 1
0 B
-1 -1
0
A 1
Mintab V15 80
Módulo 7. Diseño de experimentos P. Reyes / Nov. 2007
78
Rendim
76
74 1
0 B
-1 0 -1
A 1
Punto óptimo
A=0, B=0.5
Contour Plot of Rendim vs B, A

Rendim
< 74
74 - 75
1.0
75 - 76
76 - 77
77 - 78
0.5 78 - 79
79 - 80
> 80
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0

A
Se puede ampliar esta respuesta con:
Stat> DOE > Surface Response > Overlaid Contour Plot
Seleccionar Variable de respuesta con >
En Contours establecer el Low 78 y High 84 de la respuesta

OK
Overlaid Contour Plot of Rendim

Rendim
78
84
1.0
0.5
0.0
B
-0.5
-1.0
-1.0 -0.5 0.0 0.5 1.0

A
Paso 5. Optimización de las respuestas
Stat> DOE > Surface Response > Response Optimizer
Seleccionar Variable de respuesta Rendim con >
Página 27 de 57
En Setup poner los valores para la estimación Lower 75 Target 80 Upper 90
En Options indicar los Starting Values de los niveles de los factores 0, 0

OK
Puntos óptimos
Optimal A B
Hi 1.4142 1.4142
D Cur [0.0] [0.1781]
1.0000 Lo -1.4142 -1.4142
Rendim
Targ: 80.0
y = 80.0000
d = 1.0000
El cálculo manual se realiza como sigue:
 x1 
x 
x   2
... 
 
 xk 
 
 ˆ1 
 
 ˆ   0.995
b   2   
...   0.515
 ˆ 
 k
 ˆ11 , ˆ12 / 2,..., ˆ1k / 2

 
 ˆ / 2, ˆ22 , ....ˆ2 k / 2
  1.376, 0.1250 
B   12    0.1250, 1.001 
   
 matriz.simetrica , ˆ
  kk
1 1 1  0.7345, 0.0917   0.995   0.389 

xs   B b   0.515   0.306 
2 2 0.0917,  1.006    
ˆ 1
ˆs  0 
y xs b
2
Y = 79.94 + 0.995*A + 0.515B –1.376 A*A – 1.001 B*B + 0.25AB
Con las ecuaciones de la página siguiente el punto máximo óptimo queda

en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada Yest = 80.21
Contour Plot of Y
75
Página 28 de 57 76
1
77
78
79
Contour Plot of Y
75
76
1
77
78
79
80
0
-1
-1 0 1
A
Surface Plot of Y
80.5
79.5
78.5
77.5
Y 76.5
75.5
74.5 1.5
1.0
73.5 0.5
-1.5 -0.5
0.0
B
-1.0 -0.5 -1.0
0.0 0.5 -1.5
A 1.0 1.5
7.6 Diseño de experimentos de Taguchi
CORRIDA EN MINITAB DEL DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI
Taguchi ha desarrollado una serie de arreglos para experimentos con factores a dos niveles,
los más utilizados y difundidos según el número de factores a analizar son:
Si el número de factores que Nº de condiciones

se desean analizar es Arreglo a utilizar a probar
Entre 1 y 3 L4 4
Entre 4 y 7 L8 8
Entre 8 y 11 L12 12
Entre 12 y 15 L16 16
Entre 16 y 31 L32 32
Entre 32 y 63 L64 64
Taguchi sugiere utilizar un estadístico que proporcione información acerca de la media y de la variancia
denominado Relación Señal a Ruido (SNR), como la variable de respuesta.
se consideran tres tipos principales:
1. Menor es mejor (Smaller is better - s)

2. Mayor es mejor Larger is better - l)
3. Nominal es mejor - (Target is better - t)
Página 29 de 57
Las fórmulas para cada esquema son las siguientes

n 2
SNRt =−10 log s 2
n 2
1 / Yi ¿
Yi SNRl=−10 log ∑
SNRs=−10 log ∑ i=1 n
i=1 n ¿
Donde la SNR se expresa en decibeles y debe ser maximizada
Ejemplo: Optimización de un proceso de soldadura de tarjetas de circuito impreso
Una vez insertados los componentes en una placa de circuito impreso, esta se pasa a
una máquina de soldar donde por un transportador pasa por un baño de flux para eliminar oxido,
se precalienta para reducir la torcedura y se solda. Se diseña un experimento para determinar
las condiciones que dan el número mínimo de defectos de soldadura por millón de uniones.
Los factores de control y niveles se muestran a continuación:
Factor Descripción (-1) (+1)

A Temperatura de soldado ºF 480 510
B Velocidad del transportador (ft/min) 7.2 10.
C Densidad del flux remover oxido 0.9 1.0
D Temperatura de precalentado ºF 150 200
E Altura de ola de soldadura(pulg.) 0.5 0.6
El arreglo de los factores de control
se denomina Arreglo interno fraccional 25-2
Además se tienen otros factores denominados factores de ruido que no se pueden

o no se quieren controlar como el tipo de producto. También se pueden considerar factores de ruido
las tolerancias de algunos de los factores críticos en este proceso, en este caso la temperatura
de la soldadura varia entre ±5ºF y la velocidad del
transportador entre ± 0.2 ft/min. Esta variabilidad también tiene influencia en la respuesta.
Factor Descripción (-1) (+1)

F Temperatura de soldadura (ºF) -5 5
G Velocidad del transportador (ft/min) -0.2 +0.2
H Tipo de producto en la placa 2 1
El arreglo de los factores de ruido
se denomina Arreglo externo fraccional 23-1
El arreglo cruzado de ambos y los valores de las respuestas se muestran a continuación:

En este caso se busca la respuesta Menor es mejor para los defectos de soldadura.
F -1
Arreglo interno G -1
H -1
Experimento A B C D E
1 -1 -1 -1 -1 -1 186
2 -1 -1 1 1 1 328
3 -1 1 -1 -1 1 234
4 -1 1 1 1 -1 295
5 1 -1 -1 1 -1 47
6 1 -1 1 -1 1 185
7 1 1 -1 1 1 136
8 1 1 1 -1 -1 194
=-10*LOG10(SUMA.CUADRADOS(J69:M69)/4)
Página 30 de 57
1 1 -1
1 -1 1
-1 1 1
Experimento SNR
1 187 105 104 -39.37
2 326 247 322 -44.30
3 159 231 157 -41.36
Continuación 4 216 204 293 -43.38
5 125 127 42 -27.42
6 261 264 264 -39.32
7 136 132 136 -36.65
8 197 193 275 -39.74
Stat > DOE > Taguchi > Create Taguchi Design
2 Level Design
Number of factors 5
Designs L8 2**5
OK
Factors (para cambiar nombre de factores y niveles)
Seleccionar To allow estimation of selected interactions e

Interactions
Seleccionar Selected terms AB con >
Factor Name Level values Column Levels

A Temp sold 1 2 1 2
B Vel. transp. 1 2 2 2
C Densidad flux 1 2 3 2
D Temp precal 1 2 4 2
E Altura de ola 1 2 5 2
OK
Options
Seleccionar Store design in worksheet OK

A B Etc. -F-G-H FG-H F-GH -FGH

-1 -1 -- 186 187.0 105 104
-1 -1 -- 328 326.0 247 322
-1 1 -- 234 159.0 231 157
-1 1 -- 295 216.0 204 293
1 -1 -- 47 125.0 127 42
1 -1 -- 185 261.0 264 264
1 1 -- 136 136.0 132 136
Página 31 de 57
1 1 -- 194 197.0 193 275
PASO 3 ANALIZAR MODELO DE DISEÑO DE EXPERIMENTOS FRACCIONAL DE TAGUCHI
Stat > DOE > Taguchi > Analyze Taguchi Design
Response Data are in - Seleccionar las cuatro columnas de

respuestas C6 - C9
Graphs Seleccionar Signal to noise ratios , means, Display

interac. plots Matrix
Analysis Seleccionar Signal to noise ratios y Means para

Response tables y Fit Model
Terms Seleccionar A, B, C, D , E y AB
Options Seleccionar Smaller is better
Analysis Graphs Seleccionar Standardized Residual for plots

y Normal
OK
Los resultados se muestran a continuación
a) Gráfica normal de residuos
Normal Probability Plot of the Residuals

(response is Means)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-3 -2 -1 0 1 2 3
Indica que le modelo es adecuado
b) Coeficientes y ANOVA para Relaciones Señal a Ruido
Taguchi Analysis: -F-G-H, FG-H, F-GH, -FGH versus A, B, C, D, E
Linear Model Analysis: SN ratios versus A, B, C, D, E
Estimated Model Coefficients for SN ratios

Constant -45.5183 0.02112 -2154.926 0.000
A -1 -1.3480 0.02112 -63.819 0.010
Página 32 de 57
B -1 0.3503 0.02112 16.583 0.038

C -1 2.6000 0.02112 123.089 0.005
D -1 -0.5119 0.02112 -24.233 0.026
E -1 1.0188 0.02112 48.230 0.013
A*B -1 -1 -0.1589 0.02112 -7.520 0.084
S = 0.05974 R-Sq = 100.0% R-Sq(adj) = 100.0%
Para SNR los cinco factores son

Analysis of Variance for SN ratios significativos a una alfa del 5%

A 1 14.5378 14.5378 14.5378 4072.88 0.010
B 1 0.9815 0.9815 0.9815 274.99 0.038
C 1 54.0796 54.0796 54.0796 15150.84 0.005
D 1 2.0961 2.0961 2.0961 587.23 0.026
E 1 8.3030 8.3030 8.3030 2326.15 0.013
A*B 1 0.2019 0.2019 0.2019 56.56 0.084
Residual Error 1 0.0036 0.0036 0.0036
Total 7 80.2035 Para SNR los cinco factores son
significativos a una alfa del 5%
c) Coeficientes y ANOVA para las medias de los factores
Linear Model Analysis: Means versus A, B, C, D, E
Estimated Model Coefficients for Means

Constant 197.125 3.125 63.080 0.010
A -1 27.500 3.125 8.800 0.072
B -1 -2.125 3.125 -0.680 0.620
C -1 -56.875 3.125 -18.200 0.035
D -1 2.625 3.125 0.840 0.555
E -1 -22.750 3.125 -7.280 0.087
A*B -1 -1 3.125 3.125 1.000 0.500
S = 8.839 R-Sq = 99.8% R-Sq(adj) = 98.5%

Solo son significativos a un nivel alfa del 5%
Analysis of Variance for Means el factor C y al 10% A, C, E.

A 1 6050.0 6050.0 6050.0 77.44 0.072
B 1 36.1 36.1 36.1 0.46 0.620
C 1 25878.1 25878.1 25878.1 331.24 0.035
D 1 55.1 55.1 55.1 0.71 0.555
E 1 4140.5 4140.5 4140.5 53.00 0.087
A*B 1 78.1 78.1 78.1 1.00 0.500
Residual Error 1 78.1 78.1 78.1
Total 7 36316.1
Significativos C para 0.05 y A, C y E
para 0.1
Response Table for Signal to Noise Ratios

Smaller is better
Level A B C D E
1 -46.87 -45.17 -42.92 -46.03 -44.50
2 -44.17 -45.87 -48.12 ¿
Delta 2.70 0.70 5.20 1.02 2.04
Rank 2 5 1 4 3
d) Las respuestas promedio y gráficas factoriales para relación Señal a Ruido son:
Página 33 de 57
Factores A, C y E
son significativos
Main Effects Plot (data means) for SN ratios

A B C Opción mayor es mejor:
A= 2
-44
C=1
E=1
-46
Mean of SN ratios
-48
-1 1 -1 1 -1 1
D E
-44
-46
-48
-1 1 -1 1
Signal-to-noise: Smaller is better
Interaction Plot (data means) for SN ratios

-1 1
A
-44 -1
1
-45
A
-46
Interacciones no
-47 significativas
B
-44 -1
1
-45
B
-46
-47
-1 1
Signal-to-noise: Smaller is better
d) Las respuestas promedio y gráficas factoriales para los factores principales son:
Main Effects Plot (data means) for Means

A B C
250 Factores A, C y E
225
son significativos
200
175
Mean of Means
150
-1 1 -1 1 -1 1
D E
250
225
200
175
150
-1 1 -1 1
Interaction Plot (data means) for Means

-1 1
A
220 -1
1
200
A Interacciones no
180
Página 34 de
16057
B
220 -1
1
200
B
1
200
A
180
significativas
160
B
220 -1
1
200
B
180
160
-1 1
Nota. Si se presenta conflicto entre los niveles que minimizan la variabilidad o que maximizan la
relación señal a ruido y los que ajustan la media a mayo o menor es mejor, seleccionar los primeros.
Minitab 15 Ejemplo de fabricación de bolas de Golf
Se fabrican bolas de golf con un nuevo diseño para maximizar la distancia de vuelo.
Se han identificado cuatro factores de control, cada uno con dos niveles:
- Material del nucleo (líquido y tungsteno)
- Diámetro del nucleo (118 y 156)
- Número de vueltas (392 y 422)
- Espesor del recubrimiento (0.03 y 0.06)
Se desea probar la interacción entre el material del nucleo y su diámetro.
Como respuesta se mide la distancia en dos clubes de golf como factor de ruido.
Como se quiere maximizar la respuesta se selecciona la relación señal a ruido Mayor es mejor.
1 File > Open worksheet GOLFBALL.MTW. Contiene el diseño y los datos de distancia de respuesta.
Material Diameter Dimples Thickness Driver Iron

Liquid 118 392 0.03 247.5 234.3
Liquid 118 422 0.06 224.4 214.5
Liquid 156 392 0.03 59.4 49.5
Liquid 156 422 0.06 75.9 72.6
Tungsten 118 392 0.06 155.1 148.5
Tungsten 118 422 0.03 39.6 29.7
Tungsten 156 392 0.06 92.4 82.5
Tungsten 156 422 0.03 21.9 18.6
2 Stat > DOE > Taguchi > Analyze Taguchi Design.

3 En Response data are in, seleccionar Driver and Iron
(clubes)
4 Click Analysis.
5 En Fit linear model for, seleccionar Signal-to-noise ratios and Means. Click OK.
6 Click Terms.
7 Mover los términos AB a Selected Terms con > o con doble click. Click OK.
8 Click Options.
9 En Signal to Noise Ratio, seleccionar Larger is better. Click OK en cada cuadro de diálogo
Taguchi Analysis: Driver, Iron versus Material, Diameter, Dimples, Thickness
Linear Model Analysis: SN ratios versus Material, Diameter, Dimples, Thickness
Constant 38.181 0.4523 84.418 0.000
Material Liquid 3.436 0.4523 7.596 0.017
Diameter 118 3.967 0.4523 8.772 0.013
Dimples 392 2.982 0.4523 6.593 0.022
Thicknes 0.03 3.479 0.4523 7.692 0.016
Material*Diameter Liquid 118 1.640 0.4523 3.625 0.068
S = 1.279 RSq = 99.2% RSq(adj) = 97Todos son significativos
Analysis of Variance for SN ratios al 10% de nivel de alfa
Material 1 94.427 94.427 94.427 57.70 0.017
Diameter 1 125.917 125.917 125.917 76.94 0.013
Dimples 1 71.133 71.133 71.133 43.47 0.022
Página 35 de 57
Thickness 1 96.828 96.828 96.828 59.17 0.016
Material*Diameter 1 21.504 21.504 21.504 13.14 0.068
Residual Error 2 3.273 3.273 1.637
Total 7 413.083
Linear Model Analysis: Means versus Material, Diameter, Dimples, Thickness
Estimated Model Coefficients for Means
Constant 110.40 8.098 13.634 0.005
Material Liquid 36.86 8.098 4.552 0.045
Diameter 118 51.30 8.098 6.3 Efecto mayor
Dimples 392 23.25 8.098 2.8 Son significativos al 10%
Thicknes 0.03 22.84 8.098 2.820 0.106
Material*Diameter Liquid 118 31.61 8.098 3.904 0.060
S = 22.90 RSq = 97.9% RSq(adj) = 92.6%
Analysis of Variance for Means
Material 1 10871 10871 10870.8 20.72 0.045
Diameter 1 21054 21054 21053.5 40.13 0.024
Dimples 1 4325 4325 4324.5 8.24 0.103
Thickness 1 4172 4172 4172.4 7.95 0.106
Material*Diameter 1 7995 7995 7994.8 15.24 0.060
Residual Error 2 1049 1049 524.6
Total 7 49465
Normal Probability Plot

Response Table for Signal to Noise Ratios (response is SN ratios)
Larger is better 99
95
Level Material Diameter Dimples Thickness 90
80
1 41.62 42.15 41.16 34.70 70
Percent
60
2 34.75 34.21 35.20 41.66 50
40
Delta 6.87 7.93 5.96 6.96 30
20
Rank 3 1 4 2 10
Response Table for Means 1
-3 -2 -1 0 1 2 3
Level Material Diameter Dimples Thickness Standardized Residual
1 147.26 161.70 133.65 87.56
2 73.54 59.10 87.15 13Los residuos siguen una distribución
Delta 73.72 102.60 46.50 4normal por lo que el modelo es adecuado.
Rank 2 1 3 4
Un análisis gráfico de las respuestas de S/Ns y medias se muestra a continuación:
118
392
0.06
Página 36 de 57
Con base en estos resultados, los mejores niveles son:
Material Liquid
Diameter 118
Dimples 392
Thickness 0.06
Con estos dtos se puede predecir la respuesta en relación señal a ruido y respuesta para ciertos
niveles seleccionados de los factores, utilizando el modelo del experimento de Taguchi, como sigue:
1. Examinar las tablas de respuesta y las gráficas de efectos principales para identificar los factores
que tienen el mayor efecto en la relación S/N o desviación estándar.
2. Seleccionar varias combinaciones de ajuste de los otros factores
3. Con los resultados de predicción, determinar que combinación de ajuste de factores se acerca a la
media deseada si reducir de manera siginifcativa la relación S/N.
4. Realizar un experimento piloto con los niveles seleccionados para determianr que tan bien predice
el modelo los resultados observados.
Si hay interacciones mínimas o si se consideraron adecuadamente por las predicciones, los resultados
observados serán cercanos a la predicción, y se ha producido un producto robusto. De otra forma
puede ser que algunas interacciones o factores de ruido no considerados, y se debe hacer más
investigación.
Para la predicción se puede decidir que factores e interacciones incluir, para mejorar la predicción.
1 File > Open worksheet GOLFBALL2.MTW. Ya incluye el disño y los datos de respuesta.
2 Stat > DOE > Taguchi > Predict Taguchi Results.
3 Quitar la selección de Standard deviation y Natural log of standard deviation.
4 Click Terms. Incluir los términos A, B, C, D, y AB en el cuadro Selected Terms. Click OK.
5 Click Levels.
6 En Method of specifying new factor levels, seleccionar Select levels from a list.
7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.
Factor Level
Material Liquid
Diameter 118
Dimples 392
Thickness 0.06
7 Click OK en cada cuadro de diálogo
Predicted values
S/N Ratio Mean StDev Ln(StDev)
53.6844 276.262 8.75045 2.26309
Factor levels for predictions
Material Diameter Dimples Thickness
Liquid 118 392 0.06
Minitab 15 Ejemplo de diseño dinámico - Diseños experimentales en cada nivel de la variable dinámica
Se hace un diseño experimental con tres factores: sensor, dispositivo de salida y relevador. Cada
uno con dos niveles. El factor de ruido es el valor real del producto que se mide y la respuesta es
la medición, se han identificado dos condiciones de ruido.
1 File > Open worksheet SENSOR.MTW. El diseño y las respuestas ya están en este archivo.
Sensor Output Relay Signal Noise1 Noise2

1 1 1 1.25 1.303 1.312
Página 37 de 57
1 1 1 25 25.057 25.072
1 1 1 250 250.207 250.441
1 1 2 1.25 1.286 1.292
1 1 2 25 25.048 25.075
1 1 2 250 250.257 250.039
1 2 1 1.25 1.286 1.291
1 2 1 25 25.047 25.075
1 2 1 250 250.213 250.013
1 2 2 1.25 1.296 1.296
1 2 2 25 25.057 25.086
1 2 2 250 250.219 250.35
2 1 1 1.25 1.287 1.29
2 1 1 25 25.049 25.061
2 1 1 250 250.217 250.6
2 1 2 1.25 1.285 1.286
2 1 2 25 25.044 25.065
2 1 2 250 250.2 250.538
2 2 1 1.25 1.288 1.288
2 2 1 25 25.049 25.069
2 2 1 250 250.217 250.585
2 2 2 1.25 1.283 1.288
2 2 2 25 25.044 25.055
2 2 2 250 250.2 250.553
2 Stat > DOE > Taguchi > Analyze Taguchi Design.

3 En Response data are in, seleccionar Noise1 and Noise2.
4 Click Graphs. En Generate plots of main effects and selected interactions for,
seleccionar Standard deviations. (seleccioanr Signal to Noise ratios y Slopes )
5 Seleccionar Display scatterplots with fitted lines. Click OK.
6 Click Analysis. En Display response tables for,
seleccionar Standard deviations. (seleccioanr Signal to Noise ratios y Slopes )
7 En Fit linear model for, seleccionar Signal to Noise ratios, Slopes, and Standard deviations
8 Click OK en cada cuadro de diálogo.
Linear Model Analysis: SN ratios versus Sensor, Output, Relay
Constant 20.6879 0.3017 68.560 0.000
Sensor 1 2.0050 0.3017 6.645 0.003 Sensor es significativo
Output 1 0.4724 0.3017 1.566 0.192 a un 0.1 de significancia
Relay 1 0.5370 0.3017 1.780 0.150
S = 0.8535 RSq = 92.6% RSq(adj) = 87.0%
Analysis of Variance for SN ratios
Sensor 1 32.162 32.162 32.1616 44.15 0.003
Output 1 1.785 1.785 1.7855 2.45 0.192
Relay 1 2.307 2.307 2.3071 3.17 0.150
Residual Error 4 2.914 2.914 0.7284
Total 7 39.168
Linear Model Analysis: Slopes versus Sensor, Output, Relay
Estimated Model Coefficients for Slopes
Constant 1.00122 0.000125 8039.325 0.000
Relay 1 0.00003 0.000125 0.274 0.798
S = 0.0003523 RSq = 65.2% RSq(adj) = 39.1%
Analysis of Variance for Slopes
Sensor 1 0.000001 0.000001 0.000001 7.33 0.054
Output 1 0.000000 0.000000 0.000000 0.09 0.783
Página 38 de 57
Relay 1 0.000000 0.000000 0.000000 0.07 0.798
Residual Error 4 0.000000 0.000000 0.000000
Total 7 0.000001
Linear Model Analysis: StDevs versus Sensor, Output, Relay
Estimated Model Coefficients for StDevs
Constant 0.095414 0.002341 40.753 0.000
Relay 1 0.005262 0.002341 2.247 0.088 El Relevador solo es
S = 0.006622 RSq = 95.8% RSq(adj) = 92.6% significativo en este modelo
Analysis of Variance for StDevs
Sensor 1 0.003616 0.003616 0.003616 82.46 0.001
Output 1 0.000122 0.000122 0.000122 2.78 0.171
Relay 1 0.000221 0.000221 0.000221 5.05 0.088
Residual Error 4 0.000175 0.000175 0.000044
Total 7 0.004135
Response Table for Signal to No El valor del estadístico Delta es la diferencia de

Dynamic Response las respuestas promedio en los dos niveles, es decir
Level Sensor Output Relay el impacto que el factor tiene en la respuesta.
1 22.69 20.22 20.15
Normal Probability Plot
2 18.68 21.16 21.22 (response is SN ratios)
Delta 4.01 0.9 El sensor 99
Rank 1 tiene la mayor 95
Delta - Rango 1 90
80
Response Table for Slopes 70
Percent
60
Level Sensor Output Relay 50
40
1 1.001 1.001 1.001 30
20
2 1.002 1.001 1.001 10
Delta 0.001 0.000 0.000 5
Rank 1 2 3 1
-3 -2 -1 0 1 2 3
Response Table for Standard Deviations
Level Sensor Output RelaDe la gráfica de residuos se observa que el modelo es
1 0.07415 0.09932 0.1006adecuado
2 0.11668 0.09151 0.09015
Delta 0.04252 0.00781 0.01052
Rank 1 3 2
Los resultados gráficos de las respuestas S/N, media y desviación estándar son los siguientes:
Página 39 de 57
Como se desea reducir la variación en el sistema de medición, se seleccionan los niveles con los
valores más altos de relacióin S/N y menores en desviación estándar.
En este caso se seleccionar el nivel 1 del sesnsor y el nivel 2 del relevador.

Se debe correr un experimento para confirmar los cálculos.
Se puede predecir la respuesta media con estos niveles seleccioandos:
1 File > Open worksheet SENSOR.MTW. Ya incluye el disño y los datos de respuesta.
2 Stat > DOE > Taguchi > Predict Taguchi Results.
3 Seleccionar Standard deviation y Natural log of standard deviation.
4 Click Terms. Incluir los términos Sensor, Output, Relay en el cuadro Selected Terms. Click OK.
5 Click Levels.
6 En Method of specifying new factor levels, seleccionar Select levels from a list.
7 En Levels, click en los renglones y seleccionar los niveles de los factores mostrados en la tabla.
Factor Nivel
Sensor 1
Output 2
Relay 2
La respuesta predicha es:
Predicted values
S/N Ratio Slope StDev Ln(StDev)
23.7024 1.00082 0.0649857 2.72803
Factor levels for predictions
Sensor Output Relay
1 2 2
7.7 Diseño de experimentos de mezclas

REPRESENTACIÓN TRIANGULAR - MEZCLAS DE 3 COMPONENTES
El sistema triangular permite visualizar la relación en una mezcla de tres componentes.

El sistema muestra la proporción de X1, X2 y X3 con un mínimo de cero y un máximo de Uno.
Los vértices del triángulo representan mezclas puras (un solo componente con los otros en 0).
Página 40 de 57
Cualquier punto sobre los lados del triángulo representan mezclas binarias donde uno de los
componentes es ausente, como por ejemplo:
El centroide es un punto donde hay

las mismas proporciones de los 3
componentes en proporción de 1/3.
Las mezclas trisección en los lados tienen 1/3 de un componente y 2/3 del otro componente.
Estos `puntos dividen a cada lado en tres partes iguales,
Página 41 de 57
Las mezclas completas estan en el interior del espacio de diseño donde todos los
componentes estan presentes en alguna proporción.
DETERMINACIÓN DEL DISEÑO PARA CORRIDA EN MINITAB
Minitab proporciona diseños: Simplex centroid, Simplex Lattice y Extreme Vertices.

Para seleccionar un diseño es necesario:
- Identificar los componentes, variables de proceso cantidades de mezcla que son de interés.
- Determinar el modelo que se quiere ajustar
- Asegurar la cobertura adecuada de la región de interés en la superficie de respuesta.
- Determinar el impacto de otras consideraciones sobre el diseño (costo, tiempo, etc.).
Los diagramas indicados abajo muestran algunos diseños que se pueden crear,
se pueden generar diseños hasta de grado 10.
Página 42 de 57
Suponiendo que quieres estudiar la proporción de 3 ingredientes en una solución de

desodorante que afecta la aceptación del producto en base al aroma.
Sus aceites componentes son:Neroli, Rose y Tangerine.
1 Stat > DOE > Mixture > Create Mixture Design.
2 En Type of Design, seleccionar Simplex centroid.
3 En Number of components, seleccionar 3.
4 Click Designs. seleccionar Augment the design with axial points. Click OK.
5 Click Components. en Name, poner Neroli, Rose, y Tangerine en renglones 1 a 3. Click OK.
6 Click Results. Seleccionar Detailed description and design table.
7 Click OK en cada cuadro de diálogo.
Los resultados del diseño son los siguientes:
Simplex Centroid Design
Components: 3 Design points: 10

Process variables: 0 Design degree: 3
Mixture total: 1.00000
Number of Boundaries for Each Dimension
Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Number of Design Points for Each Type
Point Type 1 2 3 0 -1
Distinct 3 3 0 1 3
Replicates 1 1 0 1 1
Total number 3 3 0 1 3
Bounds of Mixture Components
Amount Proportion Pseudocomponent

Comp Lower Upper Lower Upper Lower Upper
A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
Design Table
X1 X2 X3
Run Type A B C
Página 43 de 57
1 1 1.0000 0.0000 0.0000

2 1 0.0000 1.0000 0.0000
3 1 0.0000 0.0000 1.0000
4 2 0.5000 0.5000 0.0000
5 2 0.5000 0.0000 0.5000
6 2 0.0000 0.5000 0.5000
7 0 0.3333 0.3333 0.3333
8 -1 0.6667 0.1667 0.1667
9 -1 0.1667 0.6667 0.1667
10 -1 0.1667 0.1667 0.6667
StdOrd RunOrder PtType Neroli Rose Tangerine Respuesta

1 1 1 1 0 0
2 2 1 0 1 0
3 3 1 0 0 1
4 4 2 0.5 0.5 0
5 5 2 0.5 0 0.5
6 6 2 0 0.5 0.5
7 7 0 0.33333 0.33333 0.33333
8 8 -1 0.66667 0.16667 0.16667
9 9 -1 0.16667 0.66667 0.16667
10 10 -1 0.16667 0.16667 0.66667
DISEÑO DE EXPERIMENTOS DE MEZCLAS
Los factores independientes son proporciones de diferentes componentes de una mezcla
Cuando las proporciones tienen la restricción de sumar la unidad se pueden utilizar

modelos de estructura Simplex o Simplex con centroide
Cuando además algunos componentes tienen la restricción adicional de tener un valor

máximo o mínimo los modelos a utilizar son los de Vértices extremos
X1 X2 X3 Rendimiento
0 0 1
0 0.333 0.667
0 0.667 0.333
0 1 0
0.333 0 0.667
0.333 0.333 0.333
0.333 0.667 0
0.667 0 0.333
0.667 0.333 0
1 0 0
X2
Las ecuaciones de restricción del modelo lineal son:
(q  m  1)!
Puntos 
m !(q  1)!
X1  X 2  X 3  1 Página 44 de 57
q
E (Y )    i X i
(q  m  1)!
Puntos 
m !(q  1)!
X1  X 2  X 3  1
q
E (Y )    i X i
i 1
Ejemplo de diseño Simplex Lattice:

Se tienen q = 3 componentes y m=2 niveles, X1=polietileno, X2=Poliestireno,
X3=polipropileno mezclados para formar fibras, de las cuales se mide la elongación
en dos réplicas.
X1 X2 X3 Rendimiento
0 0 1 16.8 16.0 2 replicas
0 0.5 0.5 10.0 9.7 11.8 3 Réplicas
0 1 0 8.8 10.0 2 replicas
0.5 0 0.5 17.7 16.4 16.6 3 replicas
0.5 0.5 0 15.0 14.8 16.1 3 replicas
1 0 0 11.0 12.4 2 replicas
X2
Corrida en Minitab
Paso 1. Generar el diseño de experimentos de mezclas.
Stat > DOE > Mixture > Create Mixture Design
Seleccionar Simplex Lattice No of components 3
En Designs:
Degree of Lattice 2
Seleccionar augment design with center points

Seleccionar augment design with axial points
Seleccionar No of replicates of the selected type of points
Replicas en los vértices 1 Vertex 2

Réplicas en los lados 2 Double Blend 3
En Options quitar Randomize runs

Seleccionar Store Design in Worksheet
En Results seleccionar Detailed description and detailed table

OK
El diseño del experimento detallado se muestra a continuación:
Simplex Lattice Design

Process variables: 0 Lattice degree: 2
Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Distinct 3 3 0 0 0
Página 45 de 57

A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
Paso 2. Cargar los datos resultado de los experimentos en la columna de respuestas

de los 3 componentes X1, X2 y X3
Design Table (randomized)
Experimento PtType Blocks A B C Elongación

1 1 1 1 0 0 11
2 2 1 0.5 0.5 0 15
3 2 1 0.5 0 0.5 17.7
4 1 1 0 1 0 8.8
5 2 1 0 0.5 0.5 10
6 1 1 0 0 1 16
7 1 1 1 0 0 12.4
8 1 1 0 1 0 10
9 1 1 0 0 1 16.8
10 2 1 0.5 0.5 0 14.8
11 2 1 0.5 0.5 0 16.1
12 2 1 0.5 0 0.5 16.4
13 2 1 0.5 0 0.5 16.6
14 2 1 0 0.5 0.5 9.7
15 2 1 0 0.5 0.5 11.8
Paso 3. Obtener la gráfica del diseño triangular del modelo Simplex Lattice
Stat > DOE > Mixture > Simplex Design Plot OK
Point Labels Seleccionar Replicates OK
Simplex Design Plot in Proportions
A
1
2
3 3
0 0
2 3 2
1 0 1
B C
Paso 4. Análisis del modelo Simplex Lattice
Stat > DOE > Mixture > Analyze mixture design
Página 46 de 57
Responses – Elongation OK
En Graphs > Residual Plots Seleccionar Normal Plot – ver adecuación del modelo
OK
Gráfica de residuos
Normal Probability Plot of the Residuals

(response is Elongación)
99
95
90
80
70
Percent
60
50
40
30
20
10
1
-2 -1 0 1 2
Residual
Análisis del diseño.
Simplex Design Plot in Amounts
Regression for Mixtures: Elongación versus A, B, C
Estimated Regression Coefficients for Elongación (component proportions)
Term Coef SE Coef T P VICoeficientes

A 11.700 0.6037 * * 1.75 b1
B 9.400 0.6037 * * 1.75 b2
C 16.400 0.6037 * * 1.75 b3
A*B 19.000 2.6082 7.28 0.000 1.75Factores e interacciones
A*C 11.400 2.6082 4.37 0.002 1.75sinérgicas
B*C -9.600 2.6082 -3.68 0.005 1.75Interacción antagónica
La ecuación de regresión es:

Y = 11.7*A + 9.4*B + 16.4*C + 19*A*B + 11*A*C -9.6*B*C
Como b3 > b1 > b2 se concluye que el componente 3 produce la mayor elongación
Como b12 y b13 son positivos la mezcla de componentes 1 y 2

así como 1 y 3 aumenta la elongación
Como b23 es negativo la mezcla de los componentes 2 y 3 tiene

efectos antagónicos en la mezcla
S = 0.853750 PRESS = 18.295

R-Sq = 95.14% R-Sq(pred) = 86.43% R-Sq(adj) = 92.43%
Variación explicada por la regresión
Analysis of Variance for Elongación (component proportions)

Regression 5 128.296 128.2960 25.6592 35.20 0.000
Linear 2 57.629 50.9200 25.4600 34.93 0.000
Quadratic 3 70.667 70.6669 23.5556 32.32 0.000
Residual Error 9 6.560 6.5600 0.7289
Total 14 134.856
Página 47 de 57
Paso 5. Gráfica de la respuesta Elongación vs cada componente de la mezcla
Stat > DOE > Mixture > Response Trace Plot

Response -- Elongation
OK
Cox Response Trace Plot

Component
17
A
B
16 C
15
Fitted Elongación
14
13
12
11
10
9
-0.50 -0.25 0.00 0.25 0.50 0.75
deviation from reference blend in proportion
Mixture Surface Plot of Elongación

(component amounts)
Paso 6. Gráfica de la superficie de respuesta y contornos
Stat > DOE > Mixture > Contour plot

Setup OK
16
14
Elongación
12 A
1.00
10 0.00
0.00
B
1.00 0.00
1.00
C
Mixture Contour Plot of Elongación

(component amounts)
A
1
Elongació
< 10
10 - 12
12 - 14
14 - 16
> 16
0 0
Combinación para
respuesta máxima
1 0 1
B C
Para el caso de hacer un zoom en la respuesta se tiene:
Stat > DOE > Mixture > Overlaid Contour plot

Response --Elongation contours
Low Limit 12 High Limit 14

OK Overlaid Contour Plot of Elongación
(component amounts)
A Página 48 de 57
1
Elongación
12
14
Overlaid Contour Plot of Elongación

(component amounts)
A
1
Elongación
12
14
0 0
1 0 1
B C
Paso 7. Optimizador de respuesta
Stat > DOE > Mixture > Response optimizer

Indicar en Response – Elongation
En Setup indicar los valores de la respuesta óptima:
Lower 10
Target 15
Upper 20
En Options indicar los valores iniciales de las variables
A = 0.3
B = 0.3
C = 0.4 La suma debe dar la Unidad OK
Ejemplo de diseño Simplex Centroid
Stat > DOE > Mixture > Create Mixture Design

Seleccionar Simplex Centroid
Seleccionar 3 Components
Designs seleccionar Augment Axial Points
Seleccionar No Replicates for the selected different types of points:
1 Vertex 2
2 Double Blend 1
0 Center points 2
-1 Axial point 1
OK
Experimento
1 A B C RENDIMIENTO
2 1 0 0 24.5
3 0 1 0 24.8
4 0 0 1 22.7
5 0.5 0.5 0 25.1
6 0.5 0 0.5 24.3
7 0 0.5 0.5 23.5
8 0.33333 0.33333 0.33333 24.8
9 0.66667 0.16667 0.16667 24.2
Página 49 de 57
10 0.16667 0.66667 0.16667 23.9

11 0.16667 0.16667 0.66667 23.7
12 1 0 0 25.1
13 0 1 0 23.9
14 0 0 1 23.6
15 0.33333 0.33333 0.33333 24.1
A
1
0 0
1 0 1
B C

Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Distinct 3 3 0 1 3

A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000

Point Type 1 2 0
Dimension 0 1 2
Number 3 3 1
Página 50 de 57
Distinct 3 3 0 1 3

A 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
B 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
C 0.0000 1.0000 0.0000 1.0000 0.0000 1.0000
Regression for Mixtures: RENDIMIENTO versus A, B, C
Estimated Regression Coefficients for RENDIMIENTO (component proportions)
Term Coef SE Coef T P VIF

A 24.744 0.3225 * * 1.548
B 24.311 0.3225 * * 1.548
C 23.178 0.3225 * * 1.548
A*B 1.514 1.8168 0.83 0.429 1.718
A*C 1.114 1.8168 0.61 0.557 1.718
B*C -1.086 1.8168 -0.60 0.566 1.718
S = 0.465276 PRESS = 5.27297

R-Sq = 70.91% R-Sq(pred) = 11.44% R-Sq(adj) = 52.74%
Analysis of Variance for RENDIMIENTO (component proportions)

Regression 5 4.2224 4.2224 0.84449 3.90 0.043
Linear 2 3.9247 2.7487 1.37433 6.35 0.022
Quadratic 3 0.2978 0.2978 0.09925 0.46 0.719
Residual Error 8 1.7319 1.7319 0.21648
Lack-of-Fit 4 0.4969 0.4969 0.12421 0.40 0.800
Pure Error 4 1.2350 1.2350 0.30875
Total 13 5.9543
Mixture Surface Plot of RENDIMIENTO

(component amounts)
25.0
24.5
RENDIMIENTO 24.0
A
1.00
23.5
0.00
0.00
B
1.00 0.00
1.00
C
Página 51 de 57
Mixture Contour Plot of RENDIMIENTO

(component amounts)
A
1
RENDIMIENTO
< 23.2
23.2 - 23.6
23.6 - 24.0
24.0 - 24.4
24.4 - 24.8
> 24.8
0 0
1 0 1
B C
Con 23.5 y 24.5
Overlaid Contour Plot of RENDIMIENTO

(component amounts)
A
1
RENDIMIENTO
23.5
24.5
0 0
1 0 1
B C
Estimate in
23.5 24 25
Components
0.3 0.3 0.4
Optimal [ ]:A [ ]:B [ ]:C

Hi 1.0000 1.0 1.0
D Cur [0.30] [0.1889] [0.5111]
0.97319 Lo 0.0 0.0 0.0
RENDIMIE
Targ: 24.0
y = 24.0134
d = 0.97319
Página 52 de 57
Opciones adicionales del diseño de experimentos de mezclas:
1. Límites inferior o superior en algunos componentes, por restricciones del proceso:
La presencia de restricciones inferior y superior en los componentes, crea una condición de

zona de factibilidad, se utilizan los diseños de vértices extremos para cubrir el espacio de diseño.
Diseño con restricción de límite superior Diseño con restricciones de límite inferior
Las líneas grises representan las restricciones inferior y superior de los componentes. El área
sombreada representa el espacio de diseño.. Los puntos se colocan en los vértices
extremos del espacio de diseño.
2. Experimento con cantidades de la mezcla - Diseño de vértices extremos

En este experimento, se asume que la respuesta depende de las proporciones del componente
y la cantidad de la mezcla. Por ejemplo, la cantidad aplicada y las proporciones de los ingredientes
de un invernadero afectan al crecimiento de las plantas. Cuando un experimento de mezclas
se realiza en dos o más niveles de la cantidad total de mezcla, se denomina
experimento - cantidad - mezcla.
Components seleccionar Multiple totals (1-5), poner 20 y 40
Diseño Simplex Lattice con 3 componentes:
Página 53 de 57
RunOrder A B C Amount
1 17 2 1 20
2 5 14 1 20
3 5 2 13 20
4 9 6 5 20
5 13 4 3 20
6 7 10 3 20
7 7 4 9 20
8 34 4 2 40
9 10 28 2 40
10 10 4 26 40
11 18 12 10 40
12 26 8 6 40
13 14 20 6 40
14 14 8 18 40
3. Experimentos de mezclas con variables de proceso - Diseño de vertices extremos
Las variables de proceso son factores en un experimento que no son parte de la mezcla, pero que
pueden afectar las propiedades de la mezcla. Por ejemplo las propiedades adhesivas de una pintura
puede depender de la temperatura a la que se aplica.
Se permiten hasta 7 factores con dos niveles en el diseño de mezclas. Las variables del proceso
se pueden incluir como diseño factorial completo o fraccional. El diseño de mexclas se genera con
cada una de las combinaciones de los niveles de variables de proceso o en una fracción de las mismas
- Especificar tipo de diseño Full / Fraction

y el nivel de la fracción deseada
- Nombrar las variables del proceso

- Poner los niveles bajo y alto para las
variables del proceso
Solo se puede con proporciones de componentes como sigue:
4. DOE de mezclas con límites restrictivos y restricciones lineales - vértices extremos

Linear contraints - especifica la restricción en términos de una programación simplex
Por ejemplo, se quiere agregar una restricción lineal en la siguiente situación de humedad de
ingredientes (huevos, leche, aceite) en una mezcla de pastel de modo que en conjunto no sea
menor a 40% ni mayor a 60% de la mezcla total. Si se permiten cantidades iguales de estos
ingredientes, se deben usar los valores siguientes para la restricción lineal: valor bajo de 0.4,
valor superior de 0.6, y los coeficientes de los componentes son 1. Para el caso de una mezcla
de cuatro componentes, se puede tener:
Página 54 de 57
Página 55 de 57
ARCHIVO ROTOR.MTW
Contiene datos de diámetros de ejes tomados durante
un periodo de tiempo.
Hora Eje Posicion Diametro

8:00 1 Max Izq 2.509
8:00 1 Min Izq 2.502
8:00 1 Max Der 2.506
8:00 1 Min Der 2.5
8:00 2 Max Izq 2.51
8:00 2 Min Izq 2.504
8:00 2 Max Der 2.506
8:00 2 Min Der 2.5
8:00 3 Max Izq 2.508
8:00 3 Min Izq 2.502
8:00 3 Max Der 2.506
8:00 3 Min Der 2.498
9:00 1 Max Izq 2.506
9:00 1 Min Izq 2.5
9:00 1 Max Der 2.5
9:00 1 Min Der 2.497
9:00 2 Max Izq 2.504
9:00 2 Min Izq 2.5
9:00 2 Max Der 2.5
9:00 2 Min Der 2.498
9:00 3 Max Izq 2.506
9:00 3 Min Izq 2.5
9:00 3 Max Der 2.5
9:00 3 Min Der 2.499
10:00 1 Max Izq 2.498
10:00 1 Min Izq 2.496
10:00 1 Max Der 2.491
10:00 1 Min Der 2.488
10:00 2 Max Izq 2.496
10:00 2 Min Izq 2.493
10:00 2 Max Der 2.492
10:00 2 Min Der 2.49
10:00 3 Max Izq 2.498
10:00 3 Min Izq 2.496
10:00 3 Max Der 2.496
10:00 3 Min Der 2.49
11:00 1 Max Izq 2.51
11:00 1 Min Izq 2.505
11:00 1 Max Der 2.504
11:00 1 Min Der 2.5
11:00 2 Max Izq 2.509
11:00 2 Min Izq 2.505
11:00 2 Max Der 2.503
11:00 2 Min Der 2.5
11:00 3 Max Izq 2.51
11:00 3 Min Izq 2.506
11:00 3 Max Der 2.506
11:00 3 Min Der 2.502
12:00 1 Max Izq 2.508
12:00 1 Min Izq 2.504
12:00 1 Max Der 2.502
12:00 1 Min Der 2.5
12:00 2 Max Izq 2.506
12:00 2 Min Izq 2.5
12:00 2 Max Der 2.5
12:00 2 Min Der 2.496
12:00 3 Max Izq 2.506
12:00 3 Min Izq 2.502
12:00 3 Max Der 2.5
12:00 3 Min Der 2.497

Mtb15 Dise o Experimentos

Загружено:

Сведения о документе

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

Mtb15 Dise o Experimentos

Загружено:

Авторское право:

Доступные форматы

Mintab V15 Módulo 7. Diseño de experimentos P. Reyes / Nov.

MINTAB 15 MÓDULO 7. DISEÑO DE EXPERIMENTOS

7.1 Cartas Multivari

MÓDULO 7. DISEÑO DE EXPERIMENTOS

Las cartas Multivari permiten observar en una sola carta el

Carta Multivari con tres fuentes de variación

Ejemplo: Una empresa produce ejes para rotores eléctricos con

La variabilidad considerada al tomar los datos se estima que proviene

** Diferencia de diámetros en los extremos del eje izquierdo y derecho.

** Diferencia de diámetro máximo y mínimo en una misma posición

** Variación de una pieza a otra producidas en forma consecutiva

** Variación a lo largo del tiempo (largo plazo)

Las cartas Multivari nos permiten visualizar estas fuentes de variación:

Los datos del archivo ROTOR.MTW anexos indican lo siguiente:

Stat > Quality tools > Multi Vari Chart

Multi-Vari Chart for Diametro by Posicion - Hora

Como se puede observar las variabilidades en orden de importancia son:

*** Por el paso del tiempo ** Falta de redondez * Entre partes

Se pueden eliminar las líneas de conexión con Options y eliminando la marca

Multi-Vari Chart for Diametro by Posicion - Hora

Carta Multivari con cuatro fuentes de variación

Se puede descomponer en dos columnas la columna "Posición", creando las columnas

Para crear la columna "Inclinación" se tiene:

Calc > Make Patterned Data > Text Values

Para crear la columna "Redondez" se tiene:

Calc > Make Patterned Data > Text Values

y se corre de nuevo la carta Multivari

Stat > Quality tools > Multi Vari Chart

Multi-Vari Chart for Diametro by Eje - Inclinacion

Max Min Max Min Max Min

Max Min Max Min Max Min

7.2 Diseño de experimentos factoriales completos de más de dos niveles

Ver el archivo Diseño de experimentos.doc para la teoría.

Hacer los análisis de la significancia de cada factor a un 5% de significancia.

PASO 1. GENERAR EL DISEÑO FACTORIAL DE ACUERDO AL EXPERIMENTO

Stat > DOE > Factorial > Create Factorial Design

Designs: Factor A Name = Temp Levels = 3

Options Seleccionar randomize runs OK

Factors Introducir los niveles para TEMP. 200 215 230

NOTA: Si se introducen los nombres y valores reales de los factores

PASO 2. CARGA DE DATOS DE LA COLUMNA DE RESPUESTA CORRESPONDIENTE A CADA

1. Ver diseño con Stat > DOE > Display Design

14 11 1 1 215 160 90.6

PASO 3. ANALIZAR EL MODELO DEL DISEÑO DE EXPERIMENTOS FACTORIAL COMPLETO

Stat > DOE > Factorial > Analyze Factorial Design

Response Seleccionar la columna de Rendimiento

Graphs Residuals for Plots Estandardized

Results ANOVA table, Covariate, Unusual observations

Residual Plots for Rendimiento

Histogram Versus Order

Multilevel Factorial Design

Analysis of Variance for Rendimiento, using Adjusted SS for Tests

PASO 4. OBTENER LAS GRÁFICAS FACTORIALES PARA IDENTIFICAR LAS MEJORES

Stat > DOE > Factorial > Factorial Plots

Seleccionar Main effects e Interaction Plots

Seleccionar Data Means OK

De aquí se seleccionan los mejores niveles de acuerdo al resultado deseado. Si la interacción

Main Effects Plot for Rendimiento

90.6 Para maximizar el

200 215 230 150 160 170

Interaction Plot for Rendimiento

150 160 170

150 160 170

Minitab 15 PASO 5. DISEÑO ÓPTIMO

* Por el paso del tiempo Falta de redondez * Entre partes