Professional Documents
Culture Documents
- Metodología
1.1.-Diseño de experimentos
El diseño de experimentos proporciona un medio poderoso para lograr mejoras innovadoras
en la calidad del producto y la eficiencia del proceso. Desde el punto de vista del campo de
la manufactura, esto puede reducir el número de experimentos requeridos cuando se toman
en cuenta los numerosos factores que afectan a los resultados experimentales (variable de
interés). Los diseños de experimentos pueden mostrar cómo llevar a cabo el menor número
de experimentos, manteniendo la información más importante. El proceso más importante
del diseño de experimentos es la determinación de los valores de las variables
independientes en la que se llevará a cabo un número limitado de experimentos1, además de
la optimización (minimización o maximización) del resultado del experimento.
1
“Application of design of experiment method for thrust force minimization in step-feed Micro
Drilling” por Dong-Woo Kim, Myeong-Woo Cho, Tae-Il Seo y Eung-Sug Lee
2
“Diseño y análisis de experimentos” – Douglas Montgomery – Pag. 170
Los modelos planteados serán de la forma:
𝑖 = 1, 2, … , 5
𝑗 = 1,2, … ,8
𝑦𝑖𝑗𝑘𝑙 (𝑚) = 𝜇 (𝑚) + 𝜏𝑖 (𝑚) + 𝛽𝑗 (𝑚) + 𝜆𝑘 (𝑚) + 𝜀 (𝑚) 𝑖𝑗𝑘𝑙 𝑘 = 1,2, … ,5
𝑙 = 1,2, … , 𝑟
{𝑚 = 1,2, … ,8
Donde :
𝜏𝑖 (𝑚) : Efecto medio del i-ésimo tipo de zona sobre la característica de calidad m-ésima.
𝜆𝑘 (𝑚) : Efecto medio del i-ésimo tipo de pisco sobre la característica de calidad m-ésima.
𝜀 (𝑚) 𝑖𝑗𝑘𝑙 :Error aleatorio del modelo asociado a la observación 𝑦𝑖𝑗𝑘𝑙 (𝑚) .
1.1.1.1.-Análisis de Varianza
El análisis de varianza (ANVA) es una técnica estadística que identifica los factores que
afectan significativamente los resultados experimentales y es la técnica a utilizar en este
trabajo para identificar los factores que afectan significativamente las diferentes
características de calidad del vino. Puesto que plantearemos ocho modelos (para cada una
de las características de calidad de pisco de interés), también desarrollaremos la misma
cantidad de tablas ANVA.
∑ (𝑦𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̅ (𝑚) )2 = ∑ (𝑦̂𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̅ (𝑚) )2 + ∑ (𝑦𝑖𝑗𝑘𝑙 (𝑚) − 𝑦̂𝑖𝑗𝑘𝑙 (𝑚) )2 3
𝑖,𝑗,𝑘,𝑙 𝑖,𝑗,𝑘,𝑙 𝑖,𝑗,𝑘,𝑙
3
Se considera el super-índice (m) para indicar de que se trata de la característica de calidad de pisco m-
ésima, para m=1,2,…,8.
A su vez la suma de cuadrados de la regresión se descompone para cada una de los factores
considerados en este estudio. Así se obtendrá lo siguiente:
Todos estos resultados son resumidos en la tabla ANVA, la cual compara los valores
calculados de los F-parciales y los compara con sus respectivos valores de tabla,
permitiéndonos probar la significancia de las hipótesis planteadas y por ende verificar
significativamente a la característica de calidad de pisco analizada.
𝐻0 : 𝜇𝑖 = 𝜇𝑗
𝐻𝑎 : 𝜇𝑖 ≠ 𝜇𝑗
Para todo 𝑖 ≠ 𝑗
Donde:
𝜇𝑖 𝑦 𝜇𝑗 : Son el efecto total del nivel i-ésimo y el nivel j-ésimo respectivamente del factor
significativo sobre la característica de calidad de pisco analizada.
El procedimiento propuesto por Tukey hace uso del rango studentizado:
𝑦̅𝑚𝑎𝑥 − 𝑦̅𝑚𝑖𝑛
𝑞=
√𝐶𝑀𝐸/𝑛
Donde 𝑦̅𝑚𝑎𝑥 y 𝑦̅𝑚𝑖𝑛 son las medias muestrales mayor y menor respectivamente, sacadas de
un grupo de p medias muestrales. Se extraen los valores de tabla 𝑞𝛼 (𝑝; 𝑔𝑙 𝑒𝑟𝑟𝑜𝑟) para
construir el estadístico de contraste:
𝑇𝑐 = 𝑞𝛼 (𝑝; 𝑔𝑙 𝑒𝑟𝑟𝑜𝑟)√𝐶𝑀𝐸/𝑛
𝑞𝛼 (𝑝; 𝑔𝑙 𝑒𝑟𝑟𝑜𝑟) 1 1
𝑇𝑐 = √𝐶𝑀𝐸( + )
√2 𝑛𝑖 𝑛𝑗