INSTITUTO TECNOLÓGICO NACIONAL DE MÉXICO CAMPUS-LOS REYES
“INGENIERÍA DE CALIDAD” UNIDAD 2
Profesor: Ing. Eduardo Pulido Toro
Alumnas: Xuma Lizbeth Sebastian Olivares Carmen Iden Quiroz Vidales Marcela Guadalupe Palafox Méndez Diana Alejandra Pacheco Aguilar
IIND-82DA LOS REYES, MICHOACAN A 04 DE ABRIL DEL 2019
INTRODUCCIÓN En estadística, un experimento factorial completo es un experimento cuyo diseño consta de dos o más factores, cada uno de los cuales, con distintos valores o niveles, de los cuales sus unidades experimentales cubren todas las posibles combinaciones de esos niveles en todos los factores. Este tipo de experimentos permiten el estudio del efecto de cada factor sobre la variable respuesta, así como el efecto de las interacciones entre factores sobre dicha variable.
Por ejemplo, con dos factores y dos niveles en cada factor, un experimento factorial tendría en total cuatro combinaciones de tratamiento, y se le denominaría diseño factorial de 2×2, cabe mencionar que en este experimento se ejecutara este tipo de diseño factorial.
Así mismo si el número de combinaciones en un diseño factorial completo es demasiado alto para su procesamiento, puede optarse por un diseño factorial fraccional, en el que se omitan algunas de las combinaciones posibles, en este tipo de decisiones puede influir el tiempo que se tiene para realizar dicho experimento o los recursos con los que se cuentan, entre otros factores. Acontinuacion se muestra el desarrollo de un diseño factorial 2x2, el cual se realiza para determinar cuáles son los factores que influye para que exista un aumento de la productividad en una línea de producción, cabe mencionar que los factores a estudiar es el método utilizado para la elaboración de la pieza y la velocidad de la banda.
Metodología utilizada para la elaboración de un diseño factorial 1. Identificar los factores que pueden influir en la variable respuesta y proponer un Modelo. 2. Realizar el experimento, tomando las observaciones necesarias. 3. Estimar los parámetros del modelo 4. Contrastar si los factores influyen en la respuesta 5. Si los factores influyen en la respuesta, detectar dónde radican las diferencias 6. Si algún factor no influye, simplificar el modelo y repetir los pasos anteriores 7. Realizar la diagnosis del modelo mediante el análisis de los residuos
Experimento 1. Se determinaron que los factores que pueden influir en la respuesta, es el método de elaboración de la pieza y la velocidad de la banda de producción. 2. Se utilizó el método de producción en línea y el método de producción en celda, al igual que las velocidades de 55 y 35. 3. Se realizaron las corridas en Minitab correspondientes al diseño factorial 2x2, con los factores mencionados. 4. Se estableció que el número de piezas producidas se contarían por minuto de acuerdo a las corridas establecidas. 5. Se determinó el número de operarios que eran necesarios para desarrollar el experimento y se les explico en qué consistía. 6. Posteriormente se llevó a cabo el experimento en la banda transportadora que se encuentra en el taller pesado del Tecnológico de Los Reyes, Michoacán. En la cual se realizaron las diferentes corridas de los factores estudiados, de las cuales fueron: Corrida 1: método producción en línea con una velocidad de 35. Corrida 2: método producción en línea con una velocidad de 55. Corrida 3: método de producción en celda con una velocidad de 35.
Corrida 4: método de producción en celda con una velocidad de 55.
Descripción del método de producción en línea: cada operario realiza una parte de la pieza.
Operario 1. Elaboración de pieza con 5 legos.
Operario 2. Elaboración de pieza con 3 legos y ensamble con pieza de 5 legos.
Operario 3. Elaboración de pieza con 2 legos y ensamble con pieza de 8 legos.
Descripción del método de producción en celda: cada operario realiza la pieza completa.
Operario 1. Elaboración de pieza completa con 10 legos.
Operario 2. Elaboración de pieza completa con 10 legos.
Operario 3. Elaboración de pieza completa con 10 legos.
7. Se realizó el tomo de datos para posteriormente ingresarlos a minitab, después se llevó a cabo el análisis de los datos. 8. Por último, se desarrollaron las conclusiones del experimento obtenidas del análisis de los datos.
Diseño factorial completo Resumen del diseño Factores:
2
Corridas:
20
Diseño de la base:
2, 4
Réplicas:
5
Bloques: 1 Puntos centrales (total): 0 Todos los términos están libres de estructuras alias.
Regresión factorial: Respuesta vs. Velocidad, Método Análisis de Varianza Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
Modelo
2
34.0000
17.0000
32.11
0.000
Lineal
2
34.0000
17.0000
32.11
0.000
Velocidad
1
0.2000
0.2000
0.38
0.547
Método
1
33.8000
33.8000
63.84
0.000
17
9.0000
0.5294
1
1.8000
1.8000
4.00
0.063
16
7.2000
0.4500
19
43.0000
Error Falta de ajuste Error puro Total
Se observa que el valor p, en el factor de velocidad es mayor a 0.05 lo que significa que no es importante y no sería necesario tenerlo en el modelo de regresión. Por el contrario, el valor p del método es menor a 0.5 por lo que se considera un valor importante y necesario de mantener en el modelo.
Resumen del modelo S 0.727607
R-cuad.
R-cuad. (ajustado)
R-cuad. (pred)
79.07%
76.61%
71.03%
El R-cuadrada muestra que se tiene un 79.07 de seguridad en el experimento el 20.93% faltan no puede ser explicado por el experimento debido a distintos factores.
Coeficientes codificados
Término
Coef
EE del coef.
Valor T
Valor p
10.500
0.163
64.54
0.000
Efecto
Constante
FIV
Velocidad
0.200
0.100
0.163
0.61
0.547
1.00
Método
2.600
1.300
0.163
7.99
0.000
1.00
Ecuación de regresión en unidades no codificadas Respuesta
=
6.150 + 0.0100 Velocidad + 2.600 Método
Esta es la ecuación para realizar predicciones de valores futuros que se quieren obtener y realizar validaciones.
Estructura de alias Factor
Nombre
A
Velocidad
B
Método
Alias I A B
Como se puede observar no se generaron alias entre los factores, lo que significa que en el modelo de regresión se puede apreciar de manera notoria cual es la variable que afecta más a la variable de respuesta.
Ajustes y diagnósticos para observaciones poco comunes Obs
Respuesta
Ajuste
Resid
Resid est.
6
10.000
11.700
-1.700
-2.53
R
Residuo grande R
Gráfica de los efectos para Respuesta
El gráfico normal muestra cual es el factor con más significancia, este se presenta de color rojo y menciona que es el método.
Pareto de los efectos para Respuesta
El gráfico presenta que el factor B es el que ocasiona que se propicien los efectos en el Optimización de respuesta: Respuesta experimento.
Parámetros Respuesta
Meta
Respuesta
Máximo
Inferior
Objetivo
8
13
Superior
Ponderación
Importancia
1
1
Solución Solución 1
Velocidad
Método
Respuesta Ajuste
55
2
11.9
Deseabilidad compuesta 0.78
Predicción de respuesta múltiple Variable
Valor de configuración
Velocidad
55
Método
2
Respuesta
Ajuste
EE de ajuste
Respuesta
11.900
0.282
IC de 95%
IP de 95%
(11.305, 12.495)
(10.254, 13.546)
Gráfica de optimización
El gráfico y los datos antes presentados muestra cual será la media para obtener la validación al igual que brinda cual será el método y la velocidad que darán mayor maximización al experimento realizado.
T de una muestra: Validación
Estadísticas descriptivas
N
Media
Desv.Est.
Error estándar de la media
5
12.600
0.894
0.400
IC de 95% para μ (11.489, 13.711)
μ: media de Validación
Prueba Hipótesis nula
H₀: μ = 11.9
Hipótesis alterna
H₁: μ ≠ 11.9
Valor T
Valor p
1.75
0.155
Se tomaron 5 muestras con una media esperada de 12.600 y se estimaba que estas se localizaran entre los rangos 11.489 y 13. 11, y al observar el valor p en la prueba de validación se puede notar que es mayor a 0.05 lo que significa que la variación no es significativa, por tanto, se puede concluir que el modelo está funcionando bien y se acepta.
Gráficas factoriales para Respuesta
Gráfica de efectos principales para Respuesta
El gráfico presenta que no hay mucha importancia en la velocidad en ninguno de los dos cambios ya que es mínimo el aumento que se presenta al cambiarla, pero se recomienda más la velocidad 2, en cambio en el método al cambiar del 1 al 2 hay un gran cambio positivo en su aplicación.
Análisis de variabilidad: C8 vs. Velocidad, Método Método Estimación
Mínimos cuadrados
Filas no utilizadas
16
Análisis de varianza para el Ln(C8)
Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
Modelo
2
0.29872
0.14936
0.11
0.908
Lineal
2
0.29872
0.14936
0.11
0.908
Velocidad
1
0.29710
0.29710
0.21
0.725
Método
1
0.00161
0.00161
0.00
0.978
Error
1
1.39513
1.39513
Total
3
1.69385
Como se puede observan en este análisis los valores de p en todos los factores evaluados dieron
Resumen del modelo para el Ln(C8) un valor mayor a 0.05, lo que significa que estos no influyen en la variabilidad del experimento.
S
R-cuad.
R-cuad. (ajustado)
1.18116
17.64%
0.00%
R-cuad. (pred) 0.00%
Como podemos observar el valor de R- cuadrada es de 17.64% un valor muy bajo y esto quiere decir que solo se tiene el 17.64 % de certeza de saber de dónde provienen las variaciones y un 82.36% de variación que no se puede explicar con los factores analizados en el experimento.
Coeficientes codificados para el Ln(C8) Término
Efecto
Efecto de relación
Constante Velocidad Método
Coef
EE del coef.
Valor T
Valor p
-0.466
0.237
-1.97
0.300
FIV
-0.219
0.803
-0.109
0.237
-0.46
0.725
1.00
0.016
1.016
0.008
0.237
0.03
0.978
1.00
Ecuación de regresión en unidades no codificadas Ln(C8)
=
0.00 - 0.0109 Velocidad + 0.016 Método
La ecuación utilizada para predecir en un futuro si estos factores pueden afectar la varianza utilizando otros valores en los factores
Estructura de alias
Factor
Nombre
A
Velocidad
B
Método
Alias I A B
Pareto de los efectos para C8
El gráfico expresa que ninguno de los dos factores está afectando la variabilidad del experimento de manera significativa.
Regresión factorial: Respuesta vs. Velocidad, Método
Análisis de Varianza Fuente
GL
SC Ajust.
MC Ajust.
Valor F
Valor p
Modelo
3
35.8000
11.9333
26.52
0.000
Lineal
2
34.0000
17.0000
37.78
0.000
Velocidad
1
0.2000
0.2000
0.44
0.514
Método
1
33.8000
33.8000
75.11
0.000
1
1.8000
1.8000
4.00
0.063
1
1.8000
1.8000
4.00
0.063
Error
16
7.2000
0.4500
Total
19
43.0000
Interacciones de 2 términos Velocidad*Metodo
El análisis muestra que el único factor que afecta es el B, el efecto A y la interacción de ambos son significativos, todo esto se muestra analizando su valor p.
Resumen del modelo R-cuad.
R-cuad. (ajustado)
R-cuad. (pred)
83.26%
80.12%
73.84%
S 0.670820
La R- cuadra permite conocer y tener certeza de donde proviene el 83.26 % de lo que sucesos y análisis el experimento, haciendo que este experimento sea viable.
Coeficientes codificados Término
Efecto
Constante
Coef
EE del coef.
Valor T
Valor p
10.500
0.150
70.00
0.000
FIV
Velocidad
0.200
0.100
0.150
0.67
0.514
1.00
Metodo
2.600
1.300
0.150
8.67
0.000
1.00
Velocidad*Metodo
0.600
0.300
0.150
2.00
0.063
1.00
Ecuación de regresión en unidades no codificadas Respuesta
=
10.20 - 0.0800 Velocidad - 0.10 Metodo + 0.0600 Velocidad*Metodo
Esta ecuación sirve para mostrar los resultados futuros que se esperan obtener, así como para obtener validaciones dentro de los experimentos.
Estructura de alias
Factor
Nombre
A
Velocidad
B
Metodo
Alias I A B AB
Ajustes y diagnósticos para observaciones poco comunes Obs
Respuesta
Ajuste
Resid
Resid est.
6
10.000
11.400
-1.400
-2.33
R
Residuo grande R
Gráfica de los efectos para Respuesta
Pareto de los efectos para Respuesta
El gráfico muestra de que manera están afectando los factores y su interacción al experimento, demostrando que el que tiene una significancia es el factor B, su interacción y el factor A no son relevantes.