Bobcat

Es ahí donde las capacidades de Diseño de experimentos (DOE) de Minitab Statistical Software entran en juego. Un experimento diseñado es una serie de corridas, o pruebas, en el cual usted ajusta múltiples variables. Es una manera eficiente de mejorar un proceso ya que usted puede cambiar y evaluar más de un factor a la vez y luego utilizar el análisis estadístico para obtener resultados significativos. Minitab puede ayudarle a determinar cuáles factores son más importantes y a entender cómo interactúan e impulsan su proceso. Armado con ese conocimiento, usted puede hallar la configuración de factores que producen un desempeño del proceso óptimo.

La primera tarea de Rose era seleccionar y cuantificar la respuesta correcta. Mejorar, o por lo menos mantener, la calidad de las partes producidas a una velocidad mayor era un reto fundamental, así que seleccionó la calidad de corte como la respuesta crítica. Una “corrida” experimental consistiría en cortar una placa de acero. La calidad de corte se clasificaría en una escala del 1 al 5, siendo 5 un corte perfecto. Para establecer una línea base, Rose realizó un análisis preliminar de partes cortadas con la configuración existente, lo cual mostró que el proceso estaba produciendo cortes con una puntuación promedio de 4.

Un operador láser entusiasmado con la posibilidad de ayudar a hallar una configuración más rápida evaluó voluntariamente partes producidas en cada corrida. Como cualquier investigador, Rose necesitaba asegurase de que podía confiar en la precisión del sistema de medición antes de comenzar con el experimento. Utilizó Minitab para realizar un análisis de concordancia de atributos, el cual demostraría si el operador podía evaluar la calidad de corte de forma uniforme y exacta, de acuerdo con los estándares establecidos. Basándose en los resultados del análisis, se seleccionó un operador láser como único evaluador. Esta persona incluso era capaz de utilizar un sistema de puntuación más preciso que incorporaba incrementos de ¼ (.25) en lugar de los números enteros utilizados anteriormente. Esto mejoraba el poder de la recolección de datos.

Con los factores, la respuesta crítica un método de recolección de datos confiable implementado, Rose estaba listo para diseñar su experimento. Él sabía que el diseño de experimento factorial le permitiría estudiar los efectos de múltiples factores en el proceso, pero necesitaba hallar el tipo de diseño factorial que ofrecería resultados confiables con la menor cantidad de corridas experimentales. Utilizó Minitab para explorar sus opciones e identificar la mejor.

Una opción era un experimento factorial completo, un enfoque muy exhaustivo que mide respuestas en todas las combinaciones de los niveles de factores. Pero esta opción puede requerir un número prohibitivo de corridas. Por ejemplo, un diseño factorial completo de dos niveles con 5 factores requiere 32 corridas. Considerando que es recomendable que un experimentador agregue luego réplicas, o que repita las corridas varias veces, en muchos casos un experimento factorial completo no es una opción viable.

En lugar de esto, Rose observó diseños factoriales fraccionados, los cuales reducen el número de corridas a una cantidad manejable al excluir algunas combinaciones de niveles de factores, pero sigue produciendo un análisis confiable de los factores. Las corridas que se realizan son un subconjunto seleccionado, o fracción, del diseño factorial completo. Pero no realizar corridas de todos los niveles de factores significa que algunos efectos se confunden, y no se pueden estimar por separado a partir de otros efectos. Por lo tanto, la fracción se debe elegir cuidadosamente para alcanzar resultados significativos. Para facilitar el proceso, Minitab muestra una tabla de alias que especifica los patrones de confusión.

Para su experimento inicial, Rose utilizó Minitab para crear un diseño factorial de ½ fracción que requería sólo 16 corridas (Figura 1), pero que todavía le permitía estimar los efectos tanto de los factores como de sus interacciones de dos factores. Rose también replicó las 16 corridas 3 veces para mejorar el poder de la recolección de datos, lo que, de este modo, aumentaba la probabilidad de que el experimento identificara una diferencia significativa.