INGENIERÍA INDUSTRIAL

NOMBRE DE MATERIA
METODOLOGIA TAGUCHI

Nombre de actividad: DISEÑOS FACTORIALES

Diseño Factorial 2^2
Fernanda López Urrutia
2021-09-14

Diseño Factorial
Un diseño factorial es un tipo de experimento diseñado que permite estudiar los efectos que
varios factores pueden tener en una respuesta. Al realizar un experimento, variar los niveles
de todos los factores al mismo tiempo en lugar de uno a la vez, permite estudiar las
interacciones entre los factores.

Diseño Factorial Completo

Un diseño factorial completo es un diseño en el cual los investigadores miden las respuestas
para todas las combinaciones de niveles de los factores. Existen dos tipos de dise{~n}os
factoriales completos:

1. Diseños factoriales completos de 2 niveles que solo contienen factores de 2 niveles.

2. Diseños factoriales completos generales que contienen factores con más de dos
niveles.

Diseño Factorial Completo 2222

Un diseño factorial 2222 estudia el efecto de dos factores considerando dos niveles en cada
uno. Cada réplica de este diseño consiste de 2∗2=42∗2=4 combinaciones o tratamientos
que se pueden denotar de diferentes maneras. A medida que aumenta el número de factores
incluidos en un diseño factorial de 2 niveles, el número de corridas necesarias para realizar un
diseño factorial completo aumenta rápidamente.
Por ejemplo, un diseño factorial completo de 2 niveles con 6 factores requiere 64 corridas, un
diseño con 9 factores requiere 512 corridas.

En el diseño factorial 2222 se tiene dos factores(A y B) con dos niveles cada uno (+) y (-).
Notación para la variable respuesta

1. Ambos factores al nivel (-).

2. Factor A al nivel (+) y el factor B al nivel (-).
3. Factor B al nivel (+) y el factor A al nivel (-).
4. Ambos factores al nivel (+).

Modelo Estadistico
El modelo estadístico para este diseño es:

yijk=μ+τi+βj+τβij+ϵijkyijk=μ+τi+βj+τβij+ϵijk
En donde:
  μμ es la media global
 τiτi es el efecto del nivel i del factor A
 βjβj es el efecto del nivel j del factor B
 (τβ)ij(τβ)ij es el efecto de la interacción cuando el factor A está al nivel i y el B al nivel
j
 ϵijϵij es el error asociado a i,j

Para establecer la influencia de los factores analizados en la variable de respuesta será

necesario probar las siguientes hipótesis de trabajo:
Para los efectos del factor A:

H0:τi=τj=0H0:τi=τj=0
H1:τi≠τj≠0H1:τi≠τj≠0
Para los efectos del factor B:

H0:βi=βj=0H0:βi=βj=0
H1:βi≠βj≠0H1:βi≠βj≠0
Para los efectos de la interacción de A y B:

H0:τβi=τβj=0H0:τβi=τβj=0
H1:τβi≠τβj≠0H1:τβi≠τβj≠0
Para probar las hipótesis anteriores será necesario realizar un Análisis de Varianza, cuya
Tabla ANOVA se construye de la siguiente manera:

Ejemplo
En un artículo de AT&T Technical Journal (vol. 65, pp. 39-50) se describe la aplicación de
diseños factoriales de dos niveles en la fabricación de circuitos integrados. Un paso básico del
procesamiento es hacer crecer una capa epitaxial sobre obleas de silicio pulidas. Las obleas
se montan en un susceptor, se colocan en el interior de una campana de cristal y se
introducen vapores químicos. El susceptor se hace girar y se aplica calor hasta que la capa
epitaxial tiene el espesor suficiente. Se corrió un experimento utilizando dos factores: rapidez
de flujo de arsénico (A) y tiempo de deposición (B). Se corrieron cuatro réplicas y se midió el la
capa epitaxial (en μm). Los datos se muestran a continuación (Montgomery, 2004):

Dado lo anterior, resuelva de manera clara y ordenada los siguientes incisos:

a. Estime los efectos de los factores

b. Ejecute un análisis de varianza ¿Qué factores son importantes?
c. Escriba una ecuación de regresión que podría usarse para predecir el espesor de la
capa epitaxial en la región de la velocidad de flujo del arsénico y el tiempo de
deposición utilizado en este experimento.
d. Analice los residuales. ¿Se observa algún residual que debiera causar preocupación?
e. Comentar la forma en que se podría resolver el punto atípico potencial encontrado en
el inciso d.
Inciso a
Como primer punto, se realizan los datos en un archivo de Excel titulado “dataset”.
Posteriormente, se exporta, utilizando la libreria “readxl”. Ademas, se coloca una etiqueta para
poder llamar a la base de datos, asi como, otros códigos.

library(readxl)
datos=read_excel(path = "dataset.xlsx")
View(datos)
attach(datos)

A continuacion se colocan los datos acomodados

Ahora vamos a llamar a la libreria “FrF2” con la cual le diremos al programa que sera un
diseño factorial a 2 niveles

library(FrF2)
## Warning: package 'FrF2' was built under R version 4.0.5
## Warning: package 'DoE.base' was built under R version 4.0.5

Para poder determinar los efectos, se colocan los siguientes códigos:

flujo_arsenico=factor(`Factor A`)
tiempo_deposicion=factor(`Factor B`)
modelo=lm(Respuesta~(flujo_arsenico+tiempo_deposicion+flujo_arsenico*tiem
po_deposicion))
summary(modelo)
##
## Call:
## lm.default(formula = Respuesta ~ (flujo_arsenico + tiempo_deposicion +
## flujo_arsenico * tiempo_deposicion))
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.72575 -0.14431 -0.00563 0.10188 1.98225
##
## Coefficients:
## Estimate Std. Error t value Pr(>|
t|)
## (Intercept) 14.6328 0.3373 43.384 1.46e-
14 ***
## flujo_arsenico1 -0.7113 0.4770 -1.491
0.162
## tiempo_deposicion1 0.1920 0.4770 0.403
0.694
## flujo_arsenico1:tiempo_deposicion1 0.6755 0.6746 1.001
0.336
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6746 on 12 degrees of freedom
## Multiple R-squared: 0.2813, Adjusted R-squared: 0.1016
## F-statistic: 1.565 on 3 and 12 DF, p-value: 0.249
experiemento=FrF2(nruns = 4,nfactors = 2,factor.names =
list(flujo_arsenico=c(-1,1),tiempo_deposicion=c(-1,1)),replications =
4,randomize = FALSE)
experiemento_respuesta=add.response(design = experiemento,response =
Respuesta)
grafica_de_efectos_individuales=MEPlot(experiemento_respuesta)

grafica_interacciones=IAPlot(experiemento_respuesta)

head(grafica_de_efectos_individuales)
## flujo_arsenico tiempo_deposicion
## - 14.72875 14.27712
## + 14.35525 14.80687
head(grafica_interacciones)
## flujo_arsenico:tiempo_deposicion
## -:- 14.63275
## +:- 13.92150
## -:+ 14.82475
## +:+ 14.78900

Inciso b
En el caso de las gráficas de efectos individuales, o de efectos principales, es de observarse
que una rapidez de flujo de arsénico al 55% de su capacidad genera un grosor de la capa
epitaxial de 14.72875 μmμm en promedio, mientras que un flujo de dicha sustancia al 59% de
su capacidad genera un grosor de la capa de 14.35525 μmμm en promedio, para el caso del
tiempo, un lapso corto de tiempo (10 min) de exposición a los vapores químicos produce en
promedio un grosor de la capa epitaxial de 14.27712 μmμm, mientras que un tiempo de
exposición largo (15 min), produce un grosor promedio de la capa de 14.80687 μmμm.
Podría concluirse entonces que un tiempo de exposición a los vapores químicos largo produce
un mayor grosor de la capa, inclusive mayor que un flujo al 59% de capacidad del flujo de
arsénico, por lo que el tiempo se considera el factor principal.
Sin embargo, es necesario observar tambíén las gráficas de interacciones, mismas que
reportan una interacción importante entre los factores. Cuando el flujo de arsénico se
encuentra a un 55% de su capacidad de flujo y el tiempo de exposición es corto, se produce
un grosor promedio de 14.63275 μmμm, mientras que si se mantiene el flujo de arsénico en
este nivel de operación pero se opera el sistema para un tiempo largo de exposición se
genera un grosor promedio de la capa de 14.82475 μmμm, estos hechos dan evidencia de
una interacción entre el flujo de arsénico y el tiempo de exposición. En el caso del flujo de
arsénico en un nivel de funcionamiento de 59%, si se mantiene el sistema operando para un
tiempo corto de exposición se obtiene un grosor promedio de 13.92150 μmμm, mientras que
si se mantiene operando el sistema con un flujo de arsénico al 59% de su capacidad y un
tiempo largo de exposición, se obtiene un grosor promedio de la capa de 14.78900 μmμm.
Para establecer de manera definitiva cuales son los niveles de operación del sistema, es
conveniente verificar la significancia tanto de los factores de manera individual como de las
interacciones, para tal caso se ejecuta el Análisis de Varianza (ANOVA) correspondiente,
mediante la siguiente secuencia de comandos:
tabla_anova=aov(modelo)
summary(tabla_anova)
## Df Sum Sq Mean Sq F value Pr(>F)
## flujo_arsenico 1 0.558 0.5580 1.226 0.290
## tiempo_deposicion 1 1.123 1.1225 2.467 0.142
## flujo_arsenico:tiempo_deposicion 1 0.456 0.4563 1.003 0.336
## Residuals 12 5.461 0.4551

Como es de observarse, el Valorp para el efecto producido por el flujo de arsénico no es

significativo, dado que, considerando un nivel de significancia de α=0.05, Valorp>α, por lo que
se de acepta la hipótesis nula y se concluye que no existen diferencias significativas entre los
grosores promedio producido por los niveles del factor de tratamiento considerados para el
flujo de arsénico.
Para el caso del factor tiempo de exposición, se concluye que no existen diferencias
significativas entre los niveles probados para este factor, dado que Valorp>α, por lo que se
acepta la hipótesis nula para los niveles del factor en comento.
Para el caso de las interacciones, se concluye que no existen diferencias significativas entre
las diferentes interacciones generadas, dado que Valorp>α, lo que lleva ala conclusión de que,
si bien existen interacciones evidentes, éstas no son los suficientemente fuertes para provocar
cambios importantes en el grosor de la capa epitaxial resultante.
Inciso c
Para el caso del modelo estadístico, el resultado obtenido reporta que los coeficientes de
regresión dados los datos presentados quedarían representados de la siguiente manera:

Grosorij=14.5420−0.1868Porcentajei+0.2649Tiempoj+0.1689Porcent
ajeTiempoij+εijGrosorij=14.5420−0.1868Porcentajei+0.2649Tiempoj+0.1689PorcentajeTi
empoij+εij
Una vez realizado el Análisis de Varianza, es importante verificar las pruebas de adecuación
del modelo, para lo cual se efectuarán las siguientes pruebas:

1. Prueba de Normalidad de Residuos de Shapiro Wilks

2. Prueba de Barttlet para Igualdad de Varianzas

Inciso d
Prueba de Normalidad de Residuos de Shapiro-Wilk
Para el caso específico de la normalidad, procederemos a utilizar la Prueba de Bondad de
Ajuste a la Distribución Normal de Shapiro-Wilks, aunque cabe mencionar que puede utilizarse
cualquier otra, como Kolmogorov-Smirnov o Anderson-Darlind, la prueba de Shapiro-Wilks
está diseñada específicamente para la Distribución Normal (Montgomery, 2004)
Para realizar esta prueba debemos plantear las siguientes hipótesis de trabajo:

H0:x∈N(μ=0,σ2=Constante)H0:x∈N(μ=0,σ2=Constante)
H1:x∉N(μ=0,σ2=Constante)H1:x∉N(μ=0,σ2=Constante)
La hipótesis nula de la Prueba de Shapiro-Wilks se rechaza cuando Valorp<0.05, siempre es
recomendable realizar una gráfica de probabilidad normal para confirmar la prueba de
hipótesis, para lo cual utilizaremos la siguiente secuencia de comandos:

prueba_normalidad=shapiro.test(resid(modelo))
print(prueba_normalidad)
##
## Shapiro-Wilk normality test
##
## data: resid(modelo)
## W = 0.69647, p-value = 0.0001543
qqnorm(resid(modelo), main= "Gráfica de Probabilidad para los Residuales
del Modelo", xlab="Cuantiles Teoricos", ylab = "Cuantiles de muestra")
qqline(resid(modelo))