Design of Engineering Experiments

Introduction to Factorials
General principles of factorial experiments
The two-factor factorial with fixed effects
The ANOVA for factorials
Extensions to more than two factors
Quantitative and qualitative factors
response curves and surfaces
Factorial designs
Factor effect definition
Factor effect: is the change in the mean
response when the factor is changed from low
to high
Example 1
Levels of
factor B
Example 2
50 12 20 40
1
2 2
40 12 20 50
9
2 2
12 20 40 50
29
2 2
A A
B B
A y y
B y y
AB
+
+
+ +
= = =
+ +
= = =
+ +
= =
Levels of
factor B
The interaction may mask the effect of a factor
AB= 1
A= 21
A
B-
= 20
A
B+
= 22
AB = -29
A = 1
A
B-
= 30
A
B+
= -28
From example 1 From example 2
El efecto del factor A cuando B
est FIJO en su nivel ms bajo.
El efecto del factor A cuando B
est FIJO en su nivel ms alto.
Another way to illustrate the
concept of interaction
From example 1
0 1 1 2 2 12 1 2
1 2 1 2 1 2
The least squares fit is

35.5 10.5 5.5 0.5 35.5 10.5 5.5

y x x x x
y x x x x x x
| | | | c = + + + +
= + + + ~ + +
Global mean A/2 B/2 AB/2
Suppose that we add an interaction term to the model:
1 2 1 2

35.5 10.5 5.5 8 y x x x x = + + +

Interaction is actually a form of curvature
Life (hours)
Temperature (F)
Material
Example 5-1 The battery life experiment
from Montgomery (2001) pg. 165
Example 5-1 The Battery Life Experiment
Text reference pg. 165
A = Material type; B = Temperature (A quantitative variable)
1. What effects do material type & temperature have on life?
2. Is there a choice of material that would give long life regardless of
temperature (a robust product)?
In this experiment we have 9 treatments
The General Two-Factor
Factorial Experiment
a levels of factor A; b levels of factor B; n replicates
N number of observations.
This is a completely randomized design
Statistical (effects) model:
1, 2,...,
( ) 1, 2,...,
1, 2,...,
ijk i j ij ijk
i a
y j b
k n
t | t| c
=

= + + + + =

Other models (means model, regression models) can be useful

Statistical model
Hypotheses
ANOVA table Fixed Effects Case
Expressions to sums of squares
Computations for SSt
Computations for SSmaterial
Computations for SStemperature
Computations for SSinteraction
Computations for SSerror
Anova results
Using tables from statdistributions.com
Conclusions from anova results
We conclude that there is a significant interaction between
material and temperature.
Furthermore, P-values for temperature and material are small,
so the main effects are also significant.
Example 5-1 in R
R input

horas <- c(130,155,74,180,150,188,159,126,138,110,168,160,
34,40,80,75,136,122,106,115,174,120,150,139,
20,70,82,58,25,70,58,45,96,104,82,60)
temperatura <- c(rep(15,times=12),rep(70,times=12),rep(125,times=12))
material <- rep(c(rep(1,4),rep(2,4),rep(3,4)),3)
temperatura <- factor(temperatura)
material <- factor(material)
Example 5-1 in R
To obtain the anova table

resultado <- aov(horas~temperatura+material+temperatura*material)
summary(resultado)
Example 5-1 in R

R output

Df SumSq MeanSq Fvalue Pr(>F)
temperatura 2 39119 19559 28.9677 1.909e-07 ***
material 2 10684 5342 7.9114 0.001976 **
temperatura:material 4 9614 2403 3.5595 0.018611 *
Residuals 27 18231 675
There are evidences to
reject Ho
Example 5-1 in R
par(mfrow=c(1,2))
boxplot(horas~material)
boxplot(horas~temperatura)
Example 5-1 in R
par(mfrow=c(2,2))
plot(resultado)
Example 5-1 in R
interaction.plot(x.factor=temperatura, trace.factor=material, response=horas)
Como la hiptesis de interaccin se acept entonces
las comparaciones entre los niveles de un factor se
deben hacer teniendo en cuenta los niveles del otro
factor.
Comparaciones entre medias usando LSD a un nivel =5%
j i H
H
A
o
= =
=
con :
:
j i
j i


7 . 37
4
1
4
1
675
1 1
27 ,
2
05 . 0
) 1 ( ,
2
=
|
.
|

\
|
+ =
|
|
.
|

\
|
+ =

t
n n
CME t LSD
j i
n ab
o
Materiales
Diferencia
absoluta
Decisin
Temp.
15c
1-2 21
Acepta Ho
1-3 9.25
Acepta Ho
2-3 11.75
Acepta Ho
Temp
70c
1-2 62.5
Rechaza Ho
1-3 88.5
Rechaza Ho
2-3 26
Acepta Ho
Temp
125c
1-2 8
Acepta Ho
1-3 28
Acepta Ho
2-3 36
Acepta Ho
Cuatro observaciones por tratamiento
Ejemplo de antdotos y venenos
Tipo de
veneno (3)
Antdoto (4)
Suministrar un veneno y
luego un antdoto
Y: tiempo de supervivencia
(minutos)
Se desea determinar qu antdoto es apropiado para cada veneno
suministrado.
Matriz de diseo
Antdoto
Veneno A B C D
I
3.10 4.50 8.20 11.0 4.30 4.50 4.50 7.10
4.60 4.30 8.80 7.20 6.30 7.60 6.60 6.20
II
3.60 2.90 9.20 6.10 4.40 3.50 5.60 10.2
4.00 2.30 4.90 12.4 3.10 4.00 7.10 3.80
III
2.20 2.10 3.00 3.70 2.30 2.50 3.00 3.60
1.80 2.30 3.80 2.90 2.40 2.20 3.10 3.30
12
Tratamientos
4 rplicas por tratamiento
Hiptesis de trabajo
cia. superviven de medio tiempo el afecta si antdoto de tipo El :
cia. superviven de medio tiempo el afecta no antdoto de tipo El :
cia. superviven de medio tiempo el afecta si veneno de tipo El :
cia. superviven de medio tiempo el afecta no veneno de tipo El :
antdoto. el y veneno el entre n interacci existe Si :
antdoto. el y veneno el entre n interacci existe No :
A
o
A
o
A
o
H
H
H
H
H
H
Ingresando los datos a R
tiempo<-c(3.10, 4.50, 8.20, 11.0, 4.30, 4.50, 4.50, 7.10,
4.60, 4.30, 8.80, 7.20, 6.30, 7.60, 6.60, 6.20,
3.60, 2.90, 9.20, 6.10, 4.40, 3.50, 5.60, 10.2,
4.00, 2.30, 4.90, 12.4, 3.10, 4.00, 7.10, 3.80,
2.20, 2.10, 3.00, 3.70, 2.30, 2.50, 3.00, 3.60,
1.80, 2.30, 3.80, 2.90, 2.40, 2.20, 3.10, 3.30)

veneno <- factor( rep(1:3,each=16) )

antidoto <- factor( rep(letters[1:4],each=2,times=6) )
Anlisis exploratorio de los datos
par(mfrow=c(1,2))
boxplot(tiempo~veneno)
boxplot(tiempo~antidoto)
Df SumSq MeanSq Fvalue Pr(>F)
antidoto 3 92.121 30.707 13.8056 3.77e-06
veneno 2 103.301 51.651 23.2217 3.33e-07
antidoto:veneno 6 25.014 4.169 1.8743 0.1123
Residuals 36 80.072 2.224
Tabla Anova
No hay
evidencias de
interaccin
Los factores si
influyen sobre el
tiempo medio
mod <- aov(tiempo~antidoto*veneno)
summary(mod)
Grficos de interaccin
interaction.plot(x.factor=antidoto, trace.factor=veneno, response=tiempo, col=1:3, main='Grfico de interaccin',xlab='Antdoto',ylab='Tiempo (min)')
Grficos de interaccin
interaction.plot(x.factor=veneno,trace.factor=antidoto,response=tiempo,col=1:4, main='Grfico de interaccin',xlab='Veneno',ylab='Tiempo (min)')
Como la hiptesis de interaccin no se acept
entonces las comparaciones entre los niveles de un
factor se hacen independiente de los niveles del otro
factor.
Comparaciones usando LSD
Veneno Tiempo medio (min)
I 6.175
II 5.443
III 2.762
Comparaciones entre venenos con LSD a un nivel del 5%.
069 . 1
16
1
16
1
224 . 2
1 1
36 , 05 . 0 ) 1 ( , 2
=
|
.
|

\
|
+ =
|
|
.
|

\
|
+ =

t
n n
CME t LSD
j i
n ab o
Comparacin
Diferencia absoluta
entre las medias
Decisin
I II 0.732 Acepta H
o

I III 3.413 Rechaza H
o

II III 2.681 Rechaza H
o

j i H
H
A
o
= =
=
con :
:
j i
j i


Conclusin: El veneno ms peligroso es el nmero 3
Cada veneno tiene 16 observaciones
j i H
H
A
o
= =
=
con :
:
j i
j i


Conclusin: El mejor antdoto es el B
Antdoto Tiempo medio (min)
A 3.142
B 6.767
C 3.925
D 5.342
Comparaci
n
Diferencia
absoluta
entre las medias
Decisin
A B 3.625 Rechaza H
o

A C 0.783 Acepta H
o

A D 2.200 Rechaza H
o

B C 2.842 Rechaza H
o

B D 1.425 Rechaza H
o

C D 1.507 Rechaza H
o

Comparaciones entre antdotos con LSD a un nivel del 5%.
234 . 1
12
1
12
1
224 . 2
1 1
36 , 05 . 0 ) 1 ( , 2
=
|
.
|

\
|
+ =
|
|
.
|

\
|
+ =

t
n n
CME t LSD
j i
n ab o
Cada veneno tiene 12 observaciones
Comparaciones usando Tukey
28 . 1
16
1
16
1
224 . 2
2
42 . 3 1 1
2
) , (
=
|
.
|

\
|
+ =
|
|
.
|

\
|
+

j i
k N k
n n
CME
q
o
Comparacin
Diferencia absoluta
entre las medias
Decisin
I II 0.732 Acepta H
o

I III 3.413 Rechaza H
o

II III 2.681 Rechaza H
o

j i H
H
A
o
= =
=
con :
:
j i
j i


Los venenos menos peligrosos son el 1 y 2
Comparaciones entre venenos con Tukey a un nivel del 5%.
Veneno Tiempo medio (min)
I 6.175
II 5.443
III 2.762
( , )
1 1 3.76 1 1
2.224 1.62
12 12
2 2
k N k
i j
q
CME
n n
o
| |
| |
+ = + =
|
|
|
\ .
\ .
j i H
H
A
o
= =
=
con :
:
j i
j i


El mejor antdoto es B
Antdoto Tiempo medio (min)
A 3.142
B 6.767
C 3.925
D 5.342
Comparacin
Diferencia absoluta
entre las medias
Decisin
A B 3.625 Rechaza H
o

A C 0.783 Acepta H
o

A D 2.200 Rechaza H
o

B C 2.842 Rechaza H
o

B D 1.425 Acepta H
o

C D 1.507 Acepta H
o

Comparaciones entre antdotos con Tukey a un nivel del 5%.
La prueba Tukey es ms conservadora, es
decir, rechaza menos que la prueba LSD.
Verificacin de supuestos
Notacin para los diseos factoriales
k c b a
Supongamos que se tienen los factores A, B, C, ,K a estudiar,
donde el primero tiene a niveles, el segundo b niveles y as
sucesivamente. El diseo factorial se denota entonces as:
Tipo de veneno (3)
Antdoto (4)
Ejemplo: experimento de venenos y antdotos
4 3
Experimento de
Tabla de Anlisis de Varianza con tres factores
Ejemplo de embotellado de refrescos
Diseo 3x2x2
A: porcentaje de
carbonatacin (3)
Llenado de gaseosas
Se desea entender mejor las fuentes de variabilidad y disminuir Y.
B: presin de
llenado (2)
C: rapidez de la
lnea de llenado (2)
Y: desviacin
promedio con respecto
a la meta (ml)
Matriz de diseo
B: Presin
25 psi 30 psi
C: Rapidez en la lnea
(bpm)
C: Rapidez en la lnea
(bpm)
A. Porcentaje
de carbonatacin
200 250 200 250
10%
-3 -1 -1 1
-1 0 0 1
12%
0 2 2 6
1 1 3 5
14%
5 7 7 10
4 6 9 11
12 tratamientos
Df SumSq MeanSq Fvalue Pr(>F)
Carbonatacion 2 252.750 126.375 178.4118 1.186e-09
Presion 1 45.375 45.375 64.0588 3.742e-06
Rapidez 1 22.042 22.042 31.1176 0.0001202
Carbonatacion:Presion 2 5.250 2.625 3.7059 0.0558081
Carbonatacion:Rapidez 2 0.583 0.292 0.4118 0.6714939
Presion:Rapidez 1 1.042 1.042 1.4706 0.2485867
Carbonatacion:Presion:Rapidez 2 1.083 0.542 0.7647 0.4868711
Residuals 12 8.500 0.708
Resultados del modelo 1
mod1 <- aov(y ~ carbonatacion * presion * rapidez)
summary(mod1)
Debemos eliminar estos efectos
que NO son significativos.
Resultados del modelo 2
Df SumSq MeanSq Fvalue Pr(>F)
Carbonatacion 2 252.750 126.375 191.6766 2.178e-12
Presion 1 45.375 45.375 68.8216 2.218e-07
Rapidez 1 22.042 22.042 33.4312 2.210e-05
Carbonatacion:Presion 2 5.250 2.625 3.9814 0.03818
Residuals 17 11.208 0.659
mod2 <- aov(y ~ presion + rapidez + carbonatacion * rapidez)
summary(mod2)
Todos los efectos son significativos
Grficos de interaccin y boxplot
De las figuras anteriores se puede concluir que la mejor
combinacin de los niveles de los factores para
conseguir el objetivo de mantener en cero la variable
respuesta son:

- Presin de 25 psi
- Carbonatacin de 10% o 12%
- Rapidez de 200 bpm
Grficos de diagnstico
Estrategia de estudio
- Leer la teora de los textos.
- Resolver manualmente los ejemplos.
- Resolver con los ejemplos