Diseño Experimental

Diseño Experimental – el Concepto

Un "experimento" prueba una teoría o guía hacia una solución para una pregunta.  Por ejemplo, "¿por qué algunos productos son defectuosos?"

¿Cuántos Factores?  ¿Cuántas Pruebas?

Los experimentos de un solo factor prueban solo una variable a la vez.  Los experimentos de un solo factor son mucho más sencillos que los experimentos con factores múltiples, pero pasan por alto las interacciones y pueden requerir muchos ciclos.

Un sencillo experimento de un solo factor podría ser formalizado en el Ejemplo #1:

  • Teoría: los defectos se deben a un defecto no identificado en la materia prima de uno de nuestros tres proveedores.
  • Prueba: Haga que un operario trabaje en una máquina.  Procese varios lotes pequeños, cada lote utilizará materia prima de un solo proveedor.  Asegúrese que otras condiciones (por cuánto tiempo ha estado trabajando la máquina este día, etc.) sean similares para cada lote.  Registre el número de defectos por lote y proveedor.
  • Debería estar claro si los defectos están agrupados por proveedor. Esto apoyaría la teoría.  (Un resultado sorprendente sería que los defectos están igualmente compartidos entre los proveedores, pero en cambio están agrupados por hora del día, por ejemplo.  Esto desacreditaría la teoría original, pero llevaría a futuras teorías y pruebas sobre, por ejemplo, fatiga del operario).

Un diseño de un solo factor es menos útil si las interacciones causan los defectos. Por ejemplo: la mayoría de las personas consume de 1 a 3 bebidas alcohólicas estándar sin tener riesgo de muerte.  Podríamos observar que las personas que no han ingerido alcohol durante varios días pueden tomar una media dosis, dosis completa o dosis doble de un medicamento específico y sobrevivir sin efectos adversos.  Sin embargo, las personas que tomaron 2 o 3 bebidas más una dosis doble de medicamento podrían morir como resultado de esto.
Los experimentos de dos niveles tienen múltiples variables.  Estos son más complejos que los experimentos de un solo factor.
Ejemplo #2:

  • Teoría: Ya sea un operario o un proveedor es responsable de la mayoría de defectos.

Un problema con los experimentos de dos niveles es "confundir" la prueba.  Del ejemplo #2, tenemos #2A:

  • Haga que el operario Adam pruebe los materiales del Proveedor 1 y del Proveedor 2.
  • Haga que la operario Betty pruebe los materiales del Proveedor 3.
  • Si el resultado es que Betty tiene la tasa más alta de defectos, no está claro si la responsable es Betty o el Proveedor 3.

El diseño factorial completo ortogonal evita el problema de la "confusión": prueba todas las variables contra todas las otras variables.  En el ejemplo #2B, ambos operadores utilizan materiales de ambos proveedores:



Prueba

Operario

Proveedor

Tasa de Defectos

1

Adam

1

3%

2

Betty

1

4%

3

Adam

2

3%

4

Betty

2

2%

5

Adam

3

7%

6

Betty

3

6%

Está claro que el Proveedor 3 es la mayor fuente de defectos. 
Una interacción se indicaría en la última fila de la tabla:



Prueba

Operario

Proveedor

Tasa de Defectos

~

~

~

~

6

Betty

3

15%

Aquí parece que Betty tiene problemas con los materiales del Proveedor 3 – un ejemplo de una interacción que no puede ser detectada utilizando el experimento de un solo factor.
El diseño factorial completo prueba todas las combinaciones de todos los factores esperados.  Esto puede ser costoso o consumir mucho tiempo.  Por ejemplo, una tabla de factorial completo de 3 factores, donde los factores a, b y c cada uno tiene 2 valores, tendría 8 pruebas:


Prueba#

Fa

Fb

Fc

Resultado

1

a1

b1

c1

R1

2

a2

b1

c1

R2

3

a1

b2

c1

R3

4

a2

b2

c1

R4

5

a1

b1

c2

R5

6

a2

b1

c2

R6

7

a1

b2

c2

R7

8

a2

b2

c2

R8

El diseño factorial fraccional de dos niveles prueba menos combinaciones, por lo general para ahorrar costo o tiempo.  Por ejemplo, digamos que la tabla anterior representa demasiadas pruebas.  Una tabla fraccional completa de 3 factores podría estar limitada a 4 pruebas, donde limitamos las interacciones para los factores a y b:


T#

Fa

Fb

Fc

 

Resultado

1

a1

b1

c1

 

R1

 

a2

b1

c1

Ignore

N/A

 

a1

b2

c1

Ignore

N/A

2

a2

b2

c1

 

R2

3

a1

b1

c2

 

R3

 

a2

b1

c2

Ignore

N/A

 

a1

b2

c2

Ignore

N/A

4

a2

b2

c2

 

R4

En este ejemplo, puede haber una razón conocida para evitar probar las combinaciones (a1, b2) y (a2, b1).  Si el tiempo o el costo limitan un experimento, no hay forma de evitar el pasar por alto algunas combinaciones.

De un Experimento al Siguiente

El primer experimento para un proceso de moldeo por inyección podría probar tres variables: temperatura, presión y tiempo de enfriamiento. Establezca un valor "bajo", "medio" y "alto" para cada variable. Realice 3X3X3 = 27 experimentos. Los mejores resultados vienen de, digamos, las 4 pruebas con temperatura media o alta y tiempo de enfriamiento medio o largo. 
Esto indicaría que un segundo experimento se debería enfocar en la temperatura y el tiempo de enfriamiento con un conjunto diferente de valores medios/altos.

Análisis de Varianza: ANOVA

El concepto es estructurar experimentos para controlar las variables y utilizar las técnicas del Análisis de Varianza (ANOVA) para determinar cuáles variables contribuyen más a los resultados. Permite experimentos multivariados para que cualquier interacción entre las variables pueda ser observada.

Resumen

Los problemas con causas obvias deberían haber sido resueltos ya.
Para resover problemas más difíciles o para hacer otras mejoras basadas en factores, es vital planificar, realizar y analizar pruebas en una forma sistemática.  El Diseño Experimental proporciona esta metodología.

 

Oskar Olofsson


The WCM App

Advanced Visual Management Platform



  • Unleash digital power on 5S, Improvements, Safety, Maintenance, and more
  • Drive success with Lean and Operational Excellence practices
  • Perfectly tailored for small to medium-sized manufacturing facilities
  • Experience it first-hand with our free version - Embark on your journey today!
Create Your Free Account