4. diseño experimental para un factor

FXFC
INSTITUTO TECNOLOGICO DE PIEDRAS
NEGRAS
ESTADISTICA INFERENCIAL ll
FERNANDA XIMENA FERNANDEZ CORONA
Especialidad: Ingeniera en Gestión Empresarial
4. Diseño experimental para un factor
Docente: Rubí Valencia Velia del Pilar
01 de Diciembre de 2021

FXFC
Contenido
4. Diseño experimental para un factor...............................................................................................4
Ejemplo ..............................................................................................................................................5
4.1 Introduccion, conceptualizacion, importancia y alcance del diseño experimental en el ambito
empresarial ........................................................................................................................................6
Conceptualización. .........................................................................................................................6
Importancia....................................................................................................................................6
Alcances. ........................................................................................................................................7
Ejemplos.............................................................................................................................................7
4.2 Clasificacion de los diseños experimentales.................................................................................8
Diseño de bloques completos ............................................................................................................8
Diseños Factoriales.............................................................................................................................8
Diseño factorial 2k .............................................................................................................................8
Diseños Anidados...............................................................................................................................9
Superficies de Respuesta....................................................................................................................9
4.3 Nomenclatura y simbología en el diseño experimental .............................................................11
Nomenclatura ..................................................................................................................................11
Antes de revisar los diseños experimentales se presenta la nomenclatura que se
utilizará, para representar de una manera clara y visual la estructura de los diseños.
O indica la medida de la variable independiente antes (O1) o después (O2)
del tratamiento. El subíndice expresa la posición de la medida en el diseño.
X indica el tratamiento o variable independiente. -----, esta línea discontinua
sirve para indicar que los sujetos no han sido elegidos ni asignados al azar a los
grupos experimentales y de control. R, esta letra expresa que los sujetos han sido
elegidos al azar de la población y asignados, también, al azar a los grupos
experimentales y de control. ....................................................................................................11
Simbología de los diseños experimentales.......................................................................................12
4.4 Identificacion de los efectos de los diseños experimentales ......................................................13
Ejemplos...........................................................................................................................................13
4.5 La importancia de la aleatorización de los especímenes de prueba...........................................16
4.6 Prueba de Duncan......................................................................................................................18
Ejemplo ........................................................................................................................................20
4.7 Aplicaciones Industriales............................................................................................................23

FXFC
Industrias pesadas o de base. ..........................................................................................................23
Industrias de bienes de equipo. .......................................................................................................23
Materiales de construcción..............................................................................................................23
Producción de vehículos...................................................................................................................24
Industria aeronáutica. ......................................................................................................................24
Farmacia y química ligera.................................................................................................................24
Informática y telecomunicaciones. ..................................................................................................24
Ejemplos...........................................................................................................................................24
Bibliografia:.....................................................................................................................................26

FXFC
4. Diseño experimental para un factor
El diseño experimental es una técnica estadística que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un
diseño experimental se manipulan deliberadamente una o más variables,
vinculadas a las causas, para medir el efecto que tienen en otra variable de
interés. El diseño experimental prescribe una serie de pautas relativas qué
variables hay que manipular, de qué manera, cuántas veces hay que repetir el
experimento y en qué orden para poder establecer con un grado de
confianza predefinido la necesidad de una presunta relación de causa-efecto.
El diseño experimental encuentra aplicaciones en la industria, la agricultura,
la mercadotecnia, la medicina, la ecología, las ciencias de la conducta, etc.
constituyendo una fase esencial en el desarrollo de un estudio experimental.
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, cuyas unidades experimentales cubren todas las posibles combinaciones
de esos niveles en todo 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.
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.
El análisis de varianza sirve para verificar si hay diferencias estadísticamente
significativas entre medias cuando tenemos más de dos muestras o grupos en el
mismo planteamiento. El procedimiento para comparar estos valores está basado
en la varianza global observada en los grupos de datos numéricos a comparar.
Típicamente, el análisis de varianza se utiliza para asociar una probabilidad a la
conclusión de que la media de una población o tratamiento es distinta de la media
de otra población.

FXFC
Ejemplo
El experimento factorial más simple contiene dos niveles para cada uno de dos
factores. Suponga los deseos de un ingeniero para estudiar la energía total usada
por cada uno de dos diversos motores, A y B, funcionando en cada uno de dos
diversas 2000 o 3000 RPM de las velocidades. El experimento factorial consistiría
en cuatro elementos experimentales: viaje en automóvil A en 2000 RPM, viaje en
automóvil B en 2000 RPM, viaje en automóvil A en 3000 RPM, y viaje en
automóvil B en 3000 RPM. Cada combinación de un solo nivel seleccionado de
cada factor está presente una vez.
Este experimento es un ejemplo de 22 (o 2x2) experimento factorial, nombrado así
porque considera dos niveles (la base) para cada uno de dos factores (la energía
o el exponente), o #lniveles#factores, produciendo 22puntos factoriales =4. Los
diseños pueden implicar muchas variables independientes. Como otro ejemplo, los
efectos de tres variables entradas se pueden evaluar en ocho condiciones
experimentales demostradas como las esquinas de un cubo. Esto se puede
conducir con o sin la réplica, dependiendo de su propósito previsto y recursos
disponibles. Proporcionará los efectos de las tres variables independientes en la
variable dependiente y las interacciones posibles(en caso de haber más de 3 se
habla de un hiperespacio).

FXFC
4.1 Introduccion, conceptualizacion, importancia y alcance del
diseño experimental en el ambito empresarial
El diseño experimental suele plantearse cuando se requiere analizar una
característica cualitativa sometida a un único factor. Este único factor debe de
tener una influencia significativa sobre la característica cualitativa.
El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A.
Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la fecha
se encuentra bastante desarrollada y ampliada. Actualmente las aplicaciones son
múltiples, especialmente en la investigación de las ciencias naturales, ingeniería,
laboratorios y casi todas las ramas de las ciencias sociales.
La experimentación proporciona los datos experimentales, en contraste con los
datos de la observación; los datos de la observación se representan como su
nombre indica por observaciones de las unidades elementales de una población o
de una muestra, y no deben ser cambiados ni modificados por ningún intento de
parte de un investigador en el curso de la observación.
Conceptualización.
El diseño experimental es una técnica estadística que permite identificar y
cuantificar las causas de un efecto dentro de un estudio experimental. En un
diseño experimental se manipulan deliberadamente una o más variables,
vinculadas a las causas, para medir el efecto que tienen en otra variable de
interés.
Importancia.
El Diseño Experimental, como técnica de investigación, toma importancia en los
años 80 en donde se le da una aplicación estadística de los proyectos de Seis
Sigma buscando el famoso número de 3,4 defectos por millón de unidades
producidas.
El diseño experimental busca entonces a través de una serie de herramientas
estadísticas aplicadas metodizar los ensayos de prueba y error para encontrar la
mejor combinación de variables independientes que optimice una variable de
respuesta en unas circunstancias determinadas.
El análisis experimental se basa en la comprensión de la variación que presentan
los datos de salida de un problema. La variación siempre está presente en todos
los procesos de la naturaleza y por ende en los procesos humanos, la planeación
de un experimento permite identificar las fuentes de que la producen, clasificarlas
y tomar decisiones con respecto a ellas.

FXFC
Alcances.
El diseño experimental se distingue por el hecho de definir y controlar las variables
independientes antes de lanzarlas al mercado, intentando distintos tipos de
estímulos a los que respondan los clientes, antes de observar cómo ocurre
verdaderamente.
Puede establecer diferencias en su respuesta que pueden atribuirse a los
estímulos en cuestión, como el envoltorio o el color de un producto, y no a otros
factores, como la disponibilidad limitada del producto.
Aplicar los métodos de diseño experimental requiere juicio empresarial y un grado
de sofisticación matemática y estadística. Hoy en día, las empresas pueden
recopilar información detallada de los clientes con mayor sencillez y pueden
emplear dichos datos para crear modelos que predigan la respuesta del
consumidor con mayor rapidez y precisión.
Ejemplos.
1. El diseño experimental se distingue por el hecho de definir y controlar las
variables independientes antes de lanzarlas al mercado, intentando distintos tipos
de estímulos, a los que respondan los clientes, antes de observar como ocurre
verdaderamente.
2. Puede establecerse diferencias en su respuesta que puede atribuirse a los
estímulos en cuestión, como el envoltorio o el color de un producto, y no a otros
factores, como la disponibilidad limitada del producto.

FXFC
4.2 Clasificacion de los diseños experimentales
Diseño de bloques completos
En cualquier experimento, la variabilidad que surge de un factor perturbador puede
afectar a los resultados. Cuando el factor perturbador es conocido y controlable
puede utilizarse la técnica "diseño de bloques completos", en este tipo de diseño
de experimentos se consideran tres fuentes de variabilidad: el factor de
tratamientos, el factor de bloques y el error aleatorio, es decir, se tienen tres
posibles "culpables" de la variabilidad presente en los datos. este método
estadístico agrupa las unidades experimentales en bloques para comparar
tratamientos en un medio más homogéneo, el cual le permite eliminar de manera
sistemática el factor perturbador sobre las comparaciones estadísticas entre los
tratamientos.
Diseños Factoriales
En muchos experimentos interviene el estudio de los efectos de dos o más
factores. En general, los diseños factoriales son lo más eficientes para este tipo de
experimentos. Por diseño factorial se entiende que en cada ensayo o réplica
completa del experimento se investigan todas las combinaciones posibles de los
niveles de los factores. Por ejemplo si el factor A tiene a niveles y el factor B tiene
b niveles, cada réplica contiene todas las ab combinaciones de los tratamientos.
Cuando los factores están incluidos en un diseño factorial, es común decir que
están cruzados.
Diseño factorial 2k
Los diseños factoriales se usan ampliamente en experimentos que incluyen varios
factores cuando es necesario estudiar el efecto conjunto de los factores sobre una
respuesta. Sin embargo, hay varios casos especiales del diseño factorial general
que son importantes debido a su uso generalizado ene le trabajo de investigación
y porque constituyen las bases de otros diseños de gran valor práctico.

FXFC
Diseños Anidados
En algunos experimentos con factores múltiples, los niveles de uno de los factores
(por ejemplo, el factor B) son similares, pero no idénticos a los diferentes niveles
de otro factor (por ejemplo, A). En algunos casos el experimentador no puede
combinar todos los niveles de un factor con todos los niveles de otro, es decir, no
se pueden realizar todos los posibles tratamientos que aparecen al cruzar los
factores.
Superficies de Respuesta
El Método de superficies de respuesta es una colección de técnicas matemáticas y
estadísticas útiles en el modelo y el análisis de problemas en los que una
respuesta de interés recibe la influencia de diversas variables, donde el objetivo es
optimizar esta respuesta y, a continuación, determinar el modelo matemático que
mejor se ajusta a los datos obtenidos.
Superficie de respuesta sin curvatura

FXFC
Superficie de respuesta con curvatura

FXFC
4.3 Nomenclatura y simbología en el diseño experimental
Nomenclatura
Antes de revisar los diseños experimentales se presenta la
nomenclatura que se utilizará, para representar de una manera clara y
visual la estructura de los diseños.
O indica la medida de la variable independiente antes (O1) o
después (O2) del tratamiento. El subíndice expresa la posición de
la medida en el diseño.
X indica el tratamiento o variable independiente.
-----, esta línea discontinua sirve para indicar que los sujetos no han
sido elegidos ni asignados al azar a los grupos experimentales y
de control.
R, esta letra expresa que los sujetos han sido elegidos al azar de la
población y asignados, también, al azar a los grupos
experimentales y de control.

FXFC
Simbología de los diseños experimentales
R Asignación al azar o aleatoria.
Cuando aparece quiere decir que los sujetos han
sido asignados a un grupo de manera aleatoria
(proviene del inglés randomization, “aleatorización”).
G Grupo de sujetos o casos (G₁, grupo 1; G₂, grupo 2; etcétera).
X Tratamiento, estímulo o condición experimental
(presencia de algún nivel o modalidad de la variable independiente).
0 Una medición de los sujetos de un grupo (prueba, cuestionario, observación, etc.).
Si aparece antes del estímulo o tratamiento, se trata de una posprueba
(posterior al tratamiento).
- Ausencia del estímulo (nivel “cero” en la variable independiente).
Indica que se trata de un grupo de control o testigo.

FXFC
4.4 Identificacion de los efectos de los diseños experimentales
La experimentación forma parte natural de la mayoría de las investigaciones:
científicas e industriales.
Estos se ven afectados por la presencia de distintos factores, cuya influencia
puede estar oculta por la variabilidad
Ejemplos.
Inconvenientes de la experimentación tradicional.
• Es necesario un gran número de pruebas
• Las conclusiones obtenidas en el estudio de cada factor tienen un campo
de validez muy restringido
• No es posible estudiar la existencia de interacción entre los factores
• Es inviable, en muchos casos, por problemas de tiempo o costo
• Las técnicas de diseño de experimentos se basan en estudiar
simultáneamente los efector de todos los factores de interés, son más eficaces y
proporcionan mejores resultados con un menor coste
Definir los objetivos del experimento.
• Definir los objetivos del experimento
• Identificar todas las posibles, fuentes de valoración, incluyendo factores de
tratamiento y sus niveles, unidades experimentales
• Factores de bloque, factores de ruido y covariables
• Elegir una regla de asignación de las unidades experimentales a las
condiciones de estudio-tratamientos
• Especificar las medidas con que se trabajara la respuesta, del
procedimiento experimental y anticiparse a las posibles dificultades
• Ejecutar un experimento piloto
• Especificar el modelo
• Esquematizar los pasos del análisis
• Determinar el tamaño muestral
• Revisar las decisiones anteriores

FXFC
• Codificarlas si se considera necesario
Importancia de aleatorización.
La aleatorización consiste en que tanto la asignación del material experimental
como el orden en que se realizan las pruebas individuales o ensayos se
determinan aleatoriamente y la importancia de esta consiste en:
• Garantizar la validez de la estimación del error experimental
• Garantizar la independencia de los errores o que las observaciones sean
variables aleatorias independientes
Esto es necesario para obtener pruebas de significancia válidas y estimados de
intervalos. Eliminar el sesgo de tal manera que no desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños que pudieran
estar presentes.
Diseño.
• F interés: Un solo factor con varios niveles o tratamientos
• F técnica estadística: Analista de la varianza de un factor o via
• F objetivo: Comparar ente si varios grupos o tratamientos
• F método: Descomposición de la variabilidad total de un experimento en
componentes independientes
• ¥ Pequeñas variaciones en la cantidad de riego, en la pureza de los
insecticidas suministrados, etc.
• ¥ El nivel cultural del alumno, el grado de atención y de interés del alumno,
etc.
• ¥ La pureza de la materia prima, la habilidad de los operarios, etc.
• Teóricamente es posible dividir esta variabilidad en dos partes, la origina da
por el factor de interés y la producida por los restantes factores que entran en
juego, conocidos o no, controlables o no, que reciben el nombre de perturbación o
error experimental
• ¥ yij: variable aleatoria que representa la observación j-esima del i-esimo
tratamiento (nivel i-esimo del factor)
•

FXFC
• ¥ τi: Efecto del tratamiento i-ésimo. Es la parte de yij debida a la acción del
nivel i ésimo, que será común a todos los elementos sometidos a ese nivel del
factor.
• ¥ uij: Variables aleatorias que engloban un conjunto de factores, cada uno
de los cuales influye en la respuesta sólo en pequeña magnitud pero que de forma
conjunta debe tenerse en cuenta. Deben verificar las siguientes condiciones:
• F La media sea cero: E [uij]= 0 ∀ i, j.
• F La varianza sea constante: Var [uij]= σ2 ∀ i, j›
• F Independientes entre sí: E [uijurk]= 0i 6=rój 6=k.
• F Distribución sea normal.
• Todos los tratamientos producen el mismo efecto.
H0 : τ i = 0, ∀ i
• Frente a la alternativa: Al menos dos difieren significativamente entre sí:
H1 : τ i 6= 0por lo menos para algún i
o equivalentemente
• Todos los tratamientos tienen la misma media:
H0 : µ1 = ••• = µI = µ
• H1 : µi 6=µj por lo menos para algún par (i, j)
• ¥Modelo de efectos fijos: Xi niτ i =0
• ¥Modelo de efectos aleatorios
• ¥Modelo equilibrado o balanceado: Todas las muestras del mismo tamaño
(ni = n)
• ¥Modelo no-equilibrado o no-balanceado: Los tamaños, ni, de las mues-
tras son distintos.

FXFC
4.5 La importancia de la aleatorización de los especímenes de
prueba
La aleatorización consiste en que tanto la asignación del material experimental
como el orden en que se realizan las pruebas individuales o ensayos se
determinan aleatoriamente y la importancia de esta consiste en
:1. Garantizar la validez de la estimación del error experimental.
2. Garantizar la independencia de los errores o que las observaciones sean
variables aleatorias independientes. Esto es necesario para obtener pruebas de
significancia válidas y estimados de intervalos.
3. Eliminar el sesgo de tal manera que no se desfavorezca o discrimine a los
tratamientos y permite cancelar los efectos de factores extraños que pudieran
estar presentes.
La aleatorización hace válida la prueba, haciéndola apropiada para analizar los
datos como si la suposición de errores independientes fuera cierta. Obsérvese que
no hemos dicho que la aleatorización garantiza independencia, sino sólo que la
aleatorización nos permite proceder como si la independencia fuera un hecho.
La razón de esta distinción debe ser clara: los errores asociados con unidades
experimentales que son adyacentes en espacio o tiempo, tenderán a
correlacionarse, y todo lo que hace la aleatorización es asegurarnos que el efecto
de esta correlación, sobre cualquier comparación entre los tratamientos, se hará
tan pequeña como sea posible. Aún quedará algo de correlación, pero ninguna
cantidad de aleatorización puede eliminarla totalmente.
Es decir, en cualquier experimento, la independencia de errores completa y
verdadera es sólo ideal y nunca puede lograrse. Sin embargo, por todos
conceptos, debe buscarse tal independencia y la aleatorización es la mejor técnica
empleada para lograr el fin deseado.
Algunas veces se introduce el concepto de aleatorización como un instrumento
para “eliminar” tendencias. Para ilustrar el razonamiento en que se basa este
procedimiento Ay B debe ser parcial a favor de B, si existe un efecto de
aprendizaje. Sin embargo, si cada vez que tuvo que investigarse un nuevo

FXFC
compuesto, el analista hubo de decidir al azar cuál procedimiento usar primero, la
tendencia pudo haber sido reducida, tal vez eliminada.
Pero, podría haberse logrado algo más. Si estuviesen actuando otras tendencias,
también se podrían haber eliminado sus efectos (o al menos reducido) por medio
de aleatorización.
Es decir, asignando tratamientos al azar a las unidades experimentales, estamos
tratando de certificar que los tratamientos no serán favorecidos continuamente o
perjudicados por fuentes extrañas de variación, sobre las que no tenga control el
experimentador o sobre los cuales decida no ejercer control. En otras palabras, la
aleatorización es como un seguro; siempre es una buena idea y algunas veces es
aún mejor de lo que esperamos

FXFC
4.6 Prueba de Duncan
Se utiliza para comparar todos los pares de medias. Fue desarrollado por primera
vez por Duncan en 1951 pero posteriormente él mismo modificó su primer método
generando el que ahora se denomina Nuevo método de Rango Múltiple de Duncan.
Esta prueba no requiere de una prueba previa de F, como sucede con la DMS o sea
que aún sin ser significativa la prueba F puede llevarse a cabo.
La estadística de Prueba es denotado, por
Donde es el número de medias inclusives entre las dos medias a comparar para
diseños balanceados. Para aplicar esta prueba al nivel se debe pasar por las
siguientes etapas:
1. Determine el error estándar (desviación estandar) de cada promedio, , el cual
es dado por la expresión:
Donde el CM es obtenido de la tabla Anova
2. Con los grados de libertad del error y el nivel de significancia determinar los
valores de (intervalos o amplitudes estandarizadas significativos) utilizando las
tablas de amplitudes estandarizadas de Duncan dadas por Harter (1960) y que se
encuentran en el libro de Miller (1992). Para encontrar estos valores, se requieren
los grados de libertad del error y el valor de .
3. Determinar las amplitudes minimas significativas denotadas
por calculados por la expresión:

FXFC
4. Se ordenan de manera creciente los resultados promedios del
experimento
5. Se comparan las medias ordenadas así:comienza a
comparar en el siguiente orden:
a) El promedio más alto, con el más bajo, comparando esta diferencia con
el intervalo mínimo significativo . Si esta diferencia es no significativa entonces
todas las otras diferencias son no significantes. Si la diferencia es significativa se
continua con b)
b) Posteriormente se calcula la diferencia entre el valor más alto y el
penúltimo y se compara con el intervalo mínimo significativo
c) Este procedimiento se continúa hasta que todas las medias se han comparado
con la media más grande .
d) A continuación se compara la segunda media más grande con la más
pequeña y se compara con el intervalo mínimo significativo .

FXFC
Este proceso continúa hasta que han sido comparadas las diferencias entre todos
los posibles pares.
Si una diferencia observada es mayor que el intervalo mínimo significativo, se
concluye que la pareja de medias comparadas son significativamente diferentes.
Para evitar contradicciones, ninguna diferencia entre una pareja de medias se
considera significativamente diferentes si éstas se encuentran entre otras dos que
no difieren significativamente. A manera de ilustración se tiene:
Cuando el diseño es desbalanceado pero los tamaños de
réplicas difieren marcadamente este método puede adaptarse
utilizando en vez de en la estadística, el valor de la media armónica de los
tamaños de muestras
o alternativamente se puede reemplazar a por la media armónica de las medias
extremas, donde
y y son los tamaños de muestra correspondientes a las medias de
tratamientos menos pequeño y más grande respectivamente.
Ejemplo
Al aplicar el método de Duncan a los datos del ejemplo del algodón se tiene:
1. El error estándar de la media es

FXFC
2. Determinación de los intervalos significativos
como y Utilización la tabla VII del Apéndice de
Montgomery se tiene:
3. Los rangos mínimos significativos son:
4. Las medias ordenadas ascendentemente son:
5. Comparación de las medias

FXFC
se
compara con porque entre y hay inclusive medias.Ver numeral 4 .
Al presentar en u diagrama de líneas los resultados se tiene

FXFC
4.7 Aplicaciones Industriales
El diseño de experimentos tiene una gran variedad de aplicaciones y
puede ser aplicado a un gran número de industrias, la optimización de
recursos, la identificación de causas de variabilidad son algunos de los
objetivos del diseño de experimentos aplicados en nivel industrial.
Industrias pesadas o de base.
Química pesada. Estudio de la composición para la elaboración de
productos: Estudio de los valores más apropiados para la elaboración
de compuestos químicos que requieran diversos componentes.
Análisis del efecto de las condiciones del entorno en la elaboración del
producto como la temperatura ambiente, humedad relativa etc.
Industrias de bienes de equipo.
Maquinaria. Medida de la variabilidad de los instrumentos de medida:
Es posible aplicar el diseño de experimentos como herramienta para
determinar y mejorar los índices de capacidad de un proceso concreto
apoyándose en estudios de reproducibilidad y repetitividad. Diseño de
motores eléctricos: Estudio de las características constructivas del
motor y su influencia en variables importantes como la pérdida de flujo
y la constante de velocidad. Diseño de electrodos: Estudio de los
esfuerzos en los electrodos en función de la fuerza de aplicación y el
tamaño del electrodo. Diseño de elementos de sujeción: Análisis de la
influencia de los parámetros geométricos en la resistencia de los
remaches.
Materiales de construcción.
Estudios de corrosión. Estudios de la influencia del tiempo en la
corrosión de aceros de construcción y metales en general.
Aplicaciones en el mecanizado: estudio de la variabilidad en los
procesos de mecanizado, ayuda a la reducción de piezas defectuosas
y aumento de la capacidad de producción.

FXFC
Producción de vehículos.
Estudio de procesos de soldadura. Estudio de un proceso de
soldadura, para determinar las variables que influyen en la resistencia
de la soldadura.
Industria aeronáutica.
Optimización del proceso de anodizado y pintado. Optimizar los
procesos de anodizado y pintado para conseguir una buena protección
anticorrosión.
Industrias ligeras o de uso y consumo industriales.
Farmacia y química ligera.
Informática y telecomunicaciones.
Estudio del rendimiento de una red informática. Realizando
simulaciones es posible cuantificar el rendimiento y las variables
críticas que hacen que la transferencia de datos en la red sea
económicamente rentable. Mejora del rendimiento de un procesador:
Se usa para determinar el impacto que tienen variables importantes
como la temperatura y las horas de uso en el rendimiento del
procesador. Reducción del tiempo del CPU: El estudio se basa en la
aplicación del diseño de experimentos para determinar la mejor
combinación de factores que reduzcan el tiempo de CPU.
Optimización de materiales en semiconductores: Estudio de las
propiedades eléctricas del arseniuro de galio dopado con solano.
Diseño de filtros pasivos. Se utiliza el diseño de experimentos para
determinar los valores de las tolerancias de los componentes para
optimizar los circuitos.
Ejemplos.
1. Un fabricante de papel para hacer bolsas para comestibles, se
encuentra interesado en mejorar la resistencia a la tensión del
producto,

FXFC
2. El departamento de ingeniería del producto piensa que la
resistencia a la tensión en una función de la concentración de madera
dura en la pulpa y que el rango de concentraciones de madera de
interés practico está en el 5% y 20%.

FXFC
Bibliografia:
 http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/IntroDE
.pdf

4. diseño experimental para un factor

Más contenido relacionado

La actualidad más candente (20)

Similar a 4. diseño experimental para un factor (20)

Último (20)

4. diseño experimental para un factor