Control de Calidad
Tema 7: Diseños factoriales
Ángeles Rodrı́guez de Cara
[Link]@[Link]
Departamento de Teorı́a de la Señal y Comunicaciones
Universidad Rey Juan Carlos
Curso 2024-2025
1 / 61
Índice
1 Diseños factoriales: El diseño de experimentos
2 Ejemplos de diseño de experimentos
3 Pautas para el diseño de los experimentos
4 Experimentos factoriales
Experimentos factoriales: Conceptos básicos
Experimentos factoriales: Ejemplos a y b
Experimentos factoriales: Análisis estadı́stico
Experimentos factoriales: Ejemplo: pintura tapaporo
Experimentos factoriales: Análisis de residuos
5 El diseño factorial 2k
2 / 61
Diseños factoriales: El diseño de experimentos
3 / 61
El diseño de experimentos: fundamentos
Un experimento diseñado es una prueba o serie de pruebas
en las que:
Se hacen cambios intencionales en las variables de entrada de
un proceso.
Se observan e identifican los cambios correspondientes en la
respuesta de salida.
Unas variables del proceso, x1 , . . . , xp , son controlables.
Otras variables, z1 , . . . , zq , son no controlables.
A estos factores no controlables se les llama factores de ruido.
4 / 61
El diseño de experimentos: fundamentos
Los objetivos del experimento pueden incluir:
1 Determinar cuáles son las variables que ejercen mayor
influencia sobre la respuesta y .
2 Determinar dónde ajustar las x que ejercen mayor influencia
para que y está cerca de la especificación nominal.
3 Determinar dónde ajustar las x que ejercen mayor influencia
para que la variabilidad de y sea pequeña.
4 Determinar dónde ajustar las x que ejercen mayor influencia
para que los efectos no controlables z se minimicen.
5 / 61
El diseño de experimentos: fundamentos
Los métodos de diseño experimental:
Pueden aplicarse en el desarrollo del proceso o en la corrección
de problemas del proceso.
Juegan un papel principal en las actividades de ingenierı́a de
diseño.
Desarrollo de nuevos productos o
mejora de los ya existentes
Algunas aplicaciones del diseño experimental estadı́stico son:
Evaluación y comparación de configuraciones de diseño básico.
Evaluación de materiales alternativos.
Determinación de parámetros clave en el diseño del producto.
6 / 61
Ejemplos de diseño de experimentos
7 / 61
Caracterización de un proceso
Se estudia un proceso para soldar componentes electrónicos
en tarjetas de circuitos impresos.
Se ha establecido el control estadı́stico del proceso de ola de
soldadura lı́quida.
Se ha reducido el número medio de juntas de soldaduras
defectuosas por tarjeta cerca de un 1 %.
La tarjeta media tiene más de 2000 juntas de soldadura.
Por tanto, un 1 % representa un número demasiado alto de
juntas que requieren reprocesamiento.
8 / 61
Caracterización de un proceso
Se quiere reducir aún más los niveles de defectos.
Como el proceso se encuentra bajo control, no es evidente
cuáles son los ajustes que será necesario realizar.
La máquina de ola de soldadura lı́quida tiene varias variables
que pueden controlarse:
1 La temperatura de la soldadura.
2 La temperatura del precalentamiento.
3 La velocidad de la transportadora.
4 El tipo de fundente.
5 La gravedad especı́fica del fundente.
6 La profundidad de la ola de soldadura lı́quida.
7 El ángulo de la transportadora.
9 / 61
Caracterización de un proceso
Además de estos factores controlables, hay otros factores que
no es sencillo controlar durante el proceso de manufactura,
aunque podrı́an controlarse:
1 El espesor de la tarjeta de circuitos impresos.
2 El tipo de componentes usados en la tarjeta.
3 La disposición de los componentes en la tarjeta.
4 El operador.
5 La velocidad de producción.
10 / 61
Caracterización de un proceso
El interés se centra en caracterizar la máquina de ola de
soldadura lı́quida.
Determinar los factores que afectan a la ocurrencia de
defectos en las tarjetas de circuitos impresos.
Se puede diseñar un experimento que permita estimar:
Cuánto cambia la variable respuesta (defectos por unidad)
cuando se modifica cada factor.
Si la modificación de los factores en conjunto produce
resultados diferentes a los del ajuste individual de los factores.
Se necesita un experimento factorial
11 / 61
Caracterización de un proceso
La información obtenida de este experimento sirve para:
Identificar los factores crı́ticos del proceso.
Determinar el ajuste de dichos factores necesario para reducir
el número de defectos por unidad.
Proporcionar información acerca de los factores que deberı́an
controlarse con mayor atención.
Evitar los niveles elevados de defectos y
el desempeño errático del proceso
12 / 61
Pautas para el diseño de los experimentos
13 / 61
Pautas para el diseño de los experimentos
1 Identificación y exposición del problema
2 Elección de los factores y los niveles
1 Factores que se harán variar en el experimento
2 Rangos en que se harán variar estos factores
3 Niveles especı́ficos en los que se realizarán las pruebas
3 Selección de la variable de respuesta
4 Elección del diseño experimental
1 Tamaño de la muestra (el número de réplicas)
2 Orden de las pruebas en los ensayos experimentales
3 Si se usará o no la separación en bloques u otras restricciones
de la aleatorización
5 Realización del experimento
6 Análisis de datos
7 Conclusiones y recomendaciones
14 / 61
Experimentos factoriales
15 / 61
Experimentos factoriales
Experimentos factoriales: Conceptos básicos
16 / 61
Experimentos factoriales: Conceptos básicos
Cuando en un experimento son varios los factores de interés,
deberá usarse un diseño factorial .
En un experimento factorial se entiende que:
En cada réplica completa del experimento se investigan todas
las combinaciones posibles de los niveles de los factores
El efecto de un factor se define como el cambio en la
respuesta producido por un cambio en el nivel del factor .
A éste se le llama efecto principal porque se refiere a los
factores primarios del estudio.
17 / 61
Experimentos factoriales
Experimentos factoriales: Ejemplos a y b
18 / 61
Experimentos factoriales: Ejemplo a
Consideramos un diseño factorial que tiene
Dos factores, denotados por A y B.
Dos niveles en cada factor, denotados por “-” y “+”.
A estos niveles se les llama “bajo” y “alto”, respectivamente.
Figura: Experimentos factoriales con: (a) dos factores y (b) interacción.
19 / 61
Experimentos factoriales: Ejemplo a
El efecto principal del factor A es la diferencia entre:
La respuesta media del nivel alto de A, y
La respuesta media del nivel bajo de A
30 + 40 10 + 20
A = ȳA+ − ȳA− = − = 20
2 2
Cambiar el factor A del nivel bajo (-) al nivel alto (+)
produce un incremento de la respuesta media de 20 unidades
20 / 61
Experimentos factoriales: Ejemplo a
De forma similar,
20 + 40 10 + 30
B = ȳB + − ȳB − = − = 10
2 2
Cambiar el factor B del nivel bajo (-) al nivel alto (+)
produce un incremento de la respuesta media de 10 unidades
21 / 61
Experimentos factoriales: Ejemplo b
Figura: Experimentos factoriales con: (a) dos factores y (b) interacción.
La diferencia de la respuesta entre los niveles de un factor no es la
misma para todos los niveles de los factores restantes
Cuando esto ocurre, existe una interacción entre los factores
22 / 61
Experimentos factoriales: Ejemplo b
En el nivel bajo del efecto B, el efecto de A es
A = 30 − 10 = 20
En el nivel alto del efecto B, el efecto de A es
A = 0 − 20 = −20
Puesto que el efecto de A depende del nivel elegido para el
efecto B, existe interacción entre A y B.
23 / 61
Experimentos factoriales: Ejemplo b
Cuando la interacción es grande, los efectos principales
correspondientes tienen escaso significado.
El efecto principal de A es
30 + 0 10 + 20
A= − =0
2 2
Existe la tentación de concluir que A no tiene ningún efecto.
Cuando el efecto principal de A se examina con diferentes
niveles del factor B, se observa que no ocurre eso.
El efecto del factor A depende de los niveles del factor B.
Por tanto, el conocimiento de la interacción AB es más útil
que el conocimiento del efecto principal.
24 / 61
Experimentos factoriales: Ejemplos a) y b)
El concepto de interacción puede ilustrarse gráficamente.
Caso a): las rectas B − y B + son aproximadamente paralelas,
indicando que los factores A y B no interactúan.
Caso b): si existe interacción entre los factores, las rectas B −
y B + no son paralelas.
Figura: Experimentos factoriales (a) sin y (b) con interacción.
25 / 61
Experimentos factoriales: Ejemplo pintura tapaporo
Se usan dos métodos para aplicar pintura tapaporo para
aeronaves en superficies de aluminio:
Por inmersión
Por rocı́o
La finalidad de la pintura tapaporo es mejorar la adherencia
de la pintura final.
Nos interesa saber si tres pinturas tapaporo diferentes difieren
en cuanto a sus propiedades de adherencia.
Se realiza un experimento factorial para investigar el efecto
del tipo de pintura tapaporo y del método de aplicación sobre
la adherencia de la pintura final.
26 / 61
Experimentos factoriales: Ejemplo pintura tapaporo
La variable observada es la adherencia de la pintura final.
Se pintan tres ejemplares de prueba con cada pintura
tapaporo utilizando ambos métodos de aplicación.
Se aplica una pintura final y se mide la fuerza de adherencia.
Las 18 realizaciones de este experimento se realizan en orden
aleatorio.
Se tabulan los datos resultantes.
Tipo de pintura Inmersión Rocı́o yi..
1 4.0 4.5 4.3 (12.8) 5.4 4.9 5.6 (15.9) 28.7
2 5.6 4.9 5.4 (15.9) 5.8 6.1 6.3 (18.2) 34.1
3 3.8 3.7 4.0 (11.5) 5.5 5.0 5.0 (15.5) 27.0
y.j. 40.2 49.6 89.8 = y...
27 / 61
Experimentos factoriales: Ejemplo pintura tapaporo
Tipo de pintura Inmersión Rocı́o yi..
1 4.0 4.5 4.3 (12.8) 5.4 4.9 5.6 (15.9) 28.7
2 5.6 4.9 5.4 (15.9) 5.8 6.1 6.3 (18.2) 34.1
3 3.8 3.7 4.0 (11.5) 5.5 5.0 5.0 (15.5) 27.0
y.j. 40.2 49.6 89.8 = y...
Los números entre paréntesis son la suma total de las celdas.
El objetivo del experimento es:
Determinar la combinación de pintura tapaporo y método de
aplicación que produce la fuerza de adherencia más alta
28 / 61
Experimentos factoriales
Experimentos factoriales: Análisis estadı́stico
29 / 61
Experimentos factoriales: Análisis estadı́stico
El análisis de la varianza descrito en el tema anterior puede
extenderse a este caso.
Sean A y B dos factores con a y b niveles, respectivamente
Si se realizan n réplicas del experimento, se tabula:
1 2 ··· b
1 y111 , . . . , y11n y121 , . . . , y12n · · · y1b1 , . . . , y1bn
2 y211 , . . . , y21n y221 , . . . , y22n · · · y2b1 , . . . , y2bn
.. .. .. .. ..
. . . . .
a ya11 , . . . , ya1n ya21 , . . . , ya2n · · · yab1 , . . . , yabn
30 / 61
Experimentos factoriales: Análisis estadı́stico
En general, la observación de la ij-ésima celda en la k-ésima
réplica es yijk .
Al tomar los datos, las abn observaciones se realizaron en
orden aleatorio.
Por tanto, el diseño factorial con dos factores es un diseño
completamente aleatorizado.
Se supone que ambos factores tienen efectos fijos.
31 / 61
Experimentos factoriales: Análisis estadı́stico
Las observaciones de un experimento factorial con dos
factores pueden describirse con el modelo:
yijk = µ + τi + βj + (τ β)ij + ϵijk
con i = 1, 2, . . . , a; j = 1, 2, . . . , b; k = 1, 2, . . . , n
En este modelo
µ es el efecto medio global
τi es el efecto del i-ésimo nivel del factor A
βj es el efecto del j-ésimo nivel del factor B
(τ β)ij es el efecto de la interacción entre A y B
ϵijk es un componente del error aleatorio N (0, σ 2 )
32 / 61
Experimentos factoriales: Análisis estadı́stico
El interés se encuentra en probar las hipótesis
No hay ningún efecto significativo del factor A
No hay ningún efecto significativo del factor B
No hay ninguna interacción AB significativa
33 / 61
Experimentos factoriales: Análisis estadı́stico
La tabla ANOVA correspondiente a este análisis es:
P
f. var. cuadrados g.l. cuad. medios relación
(ȳ − ȳ... )2
P
A SSA = a−1 MSA MSA /MSE
Pi i..
B SSB = j (ȳ.j. − ȳ... )2 b−1 MSB MSB /MSE
P P 2
Inter. SSAB = (ȳ
i Pj P ij. − ȳi.. − ȳ.j. + ȳ... ) (a − 1)(b − 1) MSAB MSAB /MSE
P 2
Error SSE = i j k (yijk − ȳij. ) ab(n − 1) MSE
Total SST abn − 1
Se asume la hipótesis nula H0 de que no hay efecto del factor.
Bajo H0 , los cocientes de la última columna siguen una
distribución F , con los grados de libertad correspondientes.
34 / 61
Experimentos factoriales
Experimentos factoriales: Ejemplo: pintura tapaporo
35 / 61
Experimentos factoriales: Ejemplo: pintura tapaporo
La tabla ANOVA quedarı́a:
P
f. var. cuadrados g.l. cuad. medios relación p-valor
Pint. 4.58 2 2.29 28.63 2.71 × 10−5
Mét. 4.91 1 4.91 61.38 4.65 × 10−6
Inter. 0.24 2 0.12 1.5 0.269
Error 0.99 12 0.08
Total 10.27 17
Los p-valores de ambos efectos principales son muy pequeños.
El tipo de pintura tapaporo empleada y el método de
aplicación afectan de manera significativa a la fuerza de
adherencia.
El p-valor del cociente del efecto de interacción es
relativamente grande.
Se concluirı́a que no existe interacción entre el tipo de pintura
tapaporo y el método de aplicación.
36 / 61
Experimentos factoriales: Ejemplo: pintura tapaporo
Figura: Gráfica de la fuerza de adherencia media frente a los tipos de
pintura.
37 / 61
Experimentos factoriales: Ejemplo: pintura tapaporo
La ausencia de interacción es evidente por el paralelismo de
las dos lı́neas.
Como una respuesta grande indica una mayor fuerza de
adherencia, se concluye que:
el rocı́o es un método de aplicación superior
la pintura tapaporo tipo 2 es la más efectiva
Por lo tanto, deberá usarse la pintura tapaporo tipo 2 y el
rocı́o en todas las piezas.
38 / 61
Experimentos factoriales
Experimentos factoriales: Análisis de residuos
39 / 61
Experimentos factoriales: Análisis de residuos
Los residuos juegan un papel importante en la determinación
de la adecuación del modelo
Los residuos de un diseño factorial con dos factores se definen
como:
eijk = yijk − ŷijk = yijk − ȳij.
Los residuos son las diferencias entre las observaciones y las
medias de las celdas correspondientes
40 / 61
Experimentos factoriales: Análisis de residuos
Para analizar los residuos se realizan las gráficas:
qqplot: para comprobar el supuesto de normalidad
Residuos vs. valores ajustados: para comprobar el supuesto de
homocedasticidad
41 / 61
Experimentos factoriales: Análisis de residuos
En el ejemplo de las pinturas tapaporo
42 / 61
El diseño factorial 2k
43 / 61
El diseño factorial 2k : Fundamentos
El diseño factorial con k factores es un diseño factorial en el
que cada factor tiene dos niveles.
Estos diseños tienen un análisis considerablemente
simplificado.
Constituyen también la base de muchos otros diseños útiles.
44 / 61
El diseño factorial 2k : Conceptos básicos
Respuesta: es el nombre genérico que se da a la caracterı́stica
estudiada.
Factores: son las variables que se considera que pueden
afectar a la respuesta.
Niveles: son los valores que toma un factor en un determinado
experimento.
Los valores correspondientes a los dos niveles se codifican:
−1 nivel bajo del valor
+1 nivel alto del valor
45 / 61
El diseño factorial 2k : Ejemplo
Se desea diseñar un muelle.
El número máximo de compresiones hasta la rotura debe ser
lo mayor posible.
Se puede experimentar con tres variables: la longitud, el
grosor y el tipo de acero del alambre.
Los niveles considerados para cada variable son:
factores -1 1
(L) Longitud 10cm 15cm
(G ) Grosor 5mm 7mm
(T ) Tipo acero A B
La respuesta (Y ) será
el número de compresiones hasta la rotura
46 / 61
El diseño factorial 2k : Ejemplo
Paso 1: Construcción de la matriz de diseño
La matriz de diseño es la relación que define el valor que
deben tomar los factores en cada uno de los experimentos
En el ejemplo del muelle, un diseño 23 :
exper. long.(L) grosor (G) acero (T) resp.
1 10 5 A ?
2 15 5 A ?
3 10 7 A ?
4 15 7 A ?
5 10 5 B ?
6 15 5 B ?
7 10 7 B ?
8 15 7 B ?
47 / 61
El diseño factorial 2k : Ejemplo
Paso 1: Construcción de la matriz de diseño
No hay dos condiciones experimentales repetidas
Tampoco falta ninguna combinación posible de los niveles
En general, esta matriz es codificada como sigue:
exper. L G T
1 -1 -1 -1
2 1 -1 -1
3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
7 -1 1 1
8 1 1 1
48 / 61
El diseño factorial 2k : Ejemplo
Paso 2: Réplicas
Si el sistema estudiado es muy variable, se hacen varios
experimentos bajo cada condición experimental
A estas repeticiones se las denomina réplicas
Al analizar los resultados
Se considera la media de estas réplicas como la única respuesta
Se procede a calcular los efectos como si sólo se hubiese
experimentado una vez bajo cada condición
Esta práctica reduce el efecto de la variabilidad del sistema
experimental en la respuesta
La obtención de réplicas implica
la repetición de todo el experimento
bajo las mismas condiciones experimentales
49 / 61
El diseño factorial 2k : Ejemplo
Paso 3: Cálculo de los efectos
Se calcula de qué manera afectan a la respuesta los factores
Se tabulan los experimentos y la respuesta:
exper. long. grosor acero réplicas resp.
1 -1 -1 -1 77, 81 79
2 1 -1 -1 98, 96 97
3 -1 1 -1 76, 74 75
4 1 1 -1 90, 94 92
5 -1 -1 1 63, 65 64
6 1 -1 1 82, 86 84
7 -1 1 1 72, 74 73
8 1 1 1 92, 88 90
50 / 61
Experimentos factoriales: Ejemplo
Figura: Gráfico del análisis de residuos.
51 / 61
El diseño factorial 2k : Ejemplo
Paso 3: Cálculo de los efectos
El modelo considerado es un modelo de regresión lineal
y = β0 + β1 X1 + β2 X2 + · · · + βp Xp + ϵ
X es la matriz de diseño
1 −1 −1 −1 −1
1 1 1
1
1 −1 −1 −1 −1 1 1
1 −1 1 −1 −1 1 −1 1
1 1 1 −1 1 −1 −1 −1
X = 1 −1 −1
1 1 −1 −1 1
1
1 −1 1 −1 1 −1 −1
1 −1 1 1 −1 −1 1 −1
1 1 1 1 1 1 1 1
Nótese que la primera columna corresponde al término β0 de
la media, las columnas dos a cuatro corresponden a los valores
L, G, T y las últimas cuatro columnas corresponden a las
interacciones LG , LT , GT y LGT .
52 / 61
El diseño factorial 2k : Ejemplo
Paso 3: Cálculo de los efectos
La matrix de diseño X incluye el efecto de
la media general
las interacciones entre los factores
Para calcular los efectos se utiliza la técnica de mı́nimos
cuadrados
Sea y un vector columna que contiene la respuesta
El vector β de efectos se calcula:
β = (X t X )−1 X t y
53 / 61
El diseño factorial 2k : Ejemplo
Paso 3: Cálculo de los efectos
En nuestro caso,
β t = (81.75, 9, 0.75, − 4, − 0.5, 0.25, 3, − 0.25)
La estimación de la media es de 81.75
El efecto principal de la longitud es 9
Al cambiar la longitud de 10 a 15, el número de compresiones
hasta la rotura aumenta, en media, 9 mil compresiones
El resto de los efectos se interpretan igual
Si el efecto correspondiente a una interacción es 0, se dice que
sus correspondientes factores son independientes
54 / 61
El diseño factorial 2k : Ejemplo
Paso 4: Significación de los efectos
Una vez calculados, se utiliza un método sencillo para detectar
los efectos significativos
Se realiza un qqplot de los efectos (el vector β quitando la
media)
Se asume que los efectos siguen una ley normal de media 0 y
con misma varianza
Si algún efecto es significativo, se saldrá de la recta en la
gráfica
55 / 61
El diseño factorial 2k : Ejemplo
Paso 4: Significación de los efectos
En el ejemplo
56 / 61
El diseño factorial 2k : Ejemplo
Paso 4: Significación de los efectos
Asignación de valores en el qqplot
57 / 61
El diseño factorial 2k : Ejemplo
Paso 4: Significación de los efectos
La recta pasa aproximadamente por el (0,0)
Los efectos, LG , LGT y GT aparecen alineados
Esto indica que LG , LGT y GT siguen una ley normal con
media cero
Por tanto, LG , LGT y GT no son significativos (han salido
diferentes a cero a causa de la variabilidad del sistema).
Los efectos L y T están claramente fuera de la lı́nea
No se puede pensar que L y T provengan de una distribución
con media 0
Diremos que L y T son significativos
Los efectos LT y G se encuentran en una situación ambigua
58 / 61
QQ plot
Los gráficos Q-Q o gráficos cuantil-cuantil comparan
distribuciones de probabilidad graficando sus cuantiles.
Si los puntos caen en la lı́nea recta y = x, entonces las
distribuciones son aproximadamente iguales.
Nos permite comparar cualquier distribución frente a la
normal estándar u otra y podemos sacar conclusiones sobre si
nuestros datos están distribuidos como ésta, sobre su varianza
y su asimetrı́a.
59 / 61
Distribuciones separadas en media
60 / 61
QQ plots en diseño factorial
Ordenamos los efectos de los factores en orden creciente, los
que sean cercanos a 0 caerán sobre una lı́nea recta
Los puntos que caigan fuera de la recta son valores
significativos
Los efectos significativos positivos estarán por encima de la
recta, mientras que los efectos significativos negativos estarán
por debajo de la recta
61 / 61
