INFORME

“SIMULACIÓN PARA UN SISTEMA DE PRODUCCIÓN DE DOS ARTICULOS”

Nombres: Andrés Gómez, Valentina Echavarría, Sara DeAngel.

Para todos los cálculos se utilizó un nivel de significancia de α : 0 ,05

1. Se ha desarrollado una simulación para un sistema de producción de 2 artículos que se

vende en una compañía, luego de haber encontrado en un diseño 2k, que las variables
en mención son definitivamente significativas en la reducción del costo total. Las
variables de decisión son la cantidad de producción y el punto de reorden de cada
artículo. La respuesta que se debe tener en cuenta es el costo total de inventario.
Tengamos en cuenta que la mejor opción para este experimento debe estar en función
de la mejora económica de la empresa.

Este es el comportamiento de las variables mencionadas:

Reorden Reorden Costo

Prod 1 1 Prod 2 2 Total
100 25 250 40 853,38
140 45 250 40 953,41
140 25 300 40 862,15
140 25 250 80 1015,33
100 45 300 40 1096,08
100 45 250 80 968,79
100 25 300 80 954,02
140 45 300 80 974,51
120 35 275 60 915,73
120 35 275 60 864,86
120 35 275 60 824,83

DESARROLLO:

Como se menciona en el enunciado anterior, ya se encontró un diseño 2k, por lo

cual este es el tipo de diseño adecuado para el análisis, en cuanto a los factores y
niveles, con la información proporcionada, optamos por realizar un 2 4 fraccionado
½ de resolución IV, con tres puntos centrales. Como se evidencia en la imagen a
continuación:
Se optó por esta opción dado que, si se busca la economía del costo total del
inventario, toca analizar todos los factores principales en mención de manera
simultánea y sus interacciones buscando la minimización nuestra variable de
respuesta.
Una vez ejecutado el experimento con los datos proporcionados obtenemos la
siguiente matriz de diseño:

Orden OrdenCor PtCent Bloqu Pro Reord Pro Reord Costo

Est rida ral es d 1 en 1 d 2 en 2 Total
10 25 853,3
1 1 1 1 0 25 0 40 8
14 25 953,4
2 2 1 1 0 45 0 40 1
14 30 862,1
3 3 1 1 0 25 0 40 5
14 25 1015,
4 4 1 1 0 25 0 80 33
10 30 1096,
5 5 1 1 0 45 0 40 08
10 25 968,7
6 6 1 1 0 45 0 80 9
10 30 954,0
7 7 1 1 0 25 0 80 2
14 30 974,5
8 8 1 1 0 45 0 80 1
12 27 915,7
9 9 0 1 0 35 5 60 3
12 27 864,8
10 10 0 1 0 35 5 60 6
12 27 824,8
11 11 0 1 0 35 5 60 3

Resumen del modelo:

Aunque el R2 es alto (93%), lo que sugiere que el modelo se ajusta bien a los
datos analizados, el R2 ajustado significativamente menor (68%) indica que
algunos términos incluidos en el modelo pueden no ser significativos.
Más importante aún, el R2 predictivo del 0% muestra que el modelo no tiene
capacidad para predecir datos nuevos o validar las relaciones identificadas en el
conjunto de datos utilizado.

A continuación, el ANOVA:

Como se puede observar, ninguno de los términos es significativo.

Observando el análisis de supuestos:

Vemos que gráficamente, la normalidad se ve extraña, pero ni independencia, ni

homocedasticidad se están cumpliendo, el incumplimiento de los supuestos
básicos en un modelo estadístico compromete tanto su validez como su
capacidad predictiva. Se recomienda volver a ejecutar el experimento, bajo
 condiciones más controladas, o con más corridas para buscar que la variable de
respuesta sea explicada por parte de los factores.

Para mayor profundidad se realizó una prueba de normalidad prueba de

Shapiro-Wilk

El valor 𝑝 reportado es mayor a 0.100, lo cual indica que no hay evidencia

suficiente para rechazar la hipótesis nula de que los datos siguen una
distribución normal. En este caso, se asume que los datos cumplen con la
normalidad.

 ¿Cuál(es) sería(n) el(los) factor(es) que puede(n) afectar la variable de respuesta?

A través del ANOVA que se adjuntó anteriormente, y también el Pareto como

herramienta visual que se adjunta aquí;

El diseño experimental nos muestra que ningún término es significativo en la

variable de respuesta, pero debido al incumplimiento de los supuestos de los
residuales, estos resultados deben considerarse preliminares. Se recomienda
revisar la estructura del modelo, aplicar transformaciones o emplear enfoques
alternativos para validar estas conclusiones.
 ¿Cómo se puede optimizar el resultado en este caso? ¿Qué valor óptimo de costo se
puede lograr?

Dado los resultados anteriores, no es apropiado utilizar el optimizador de

respuesta, ya que no existe evidencia de que los factores incluidos en el modelo
tengan un impacto real sobre la variable de respuesta.
Aunque es posible generar una gráfica de superficie de respuesta, esta no sería
confiable ni representativa, ya que se basaría en un modelo estadísticamente
inválido.

 ¿Cuál sería el modelo reducido de este caso?

No se puede generar un modelo reducido, dado que ninguno de los factores es

significativo.

 Validación de los supuestos del modelo y obtención gráfica de los resultados óptimos
de la respuesta.

Como se mencionó anteriormente y se vio gráficamente:

Podemos observar que el único supuesto que se acerca a cumplirse es el

histograma de normalidad, pero el resto de los supuestos no se cumple.
Lo que disminuye la fiabilidad del modelo.

En este caso, no es recomendable utilizar el optimizador de respuesta debido a

𝑅2 ajustado indica un ajuste moderado (68%), el 𝑅2 predictivo es del 0%, lo

las limitaciones evidenciadas en el modelo estadístico. Aunque el

que refleja una ausencia total de capacidad predictiva del modelo. Además,
ninguno de los factores es estadísticamente significativo, y los supuestos de
normalidad, independencia y homocedasticidad no se cumplen, lo que
compromete la validez de las estimaciones y las predicciones. Bajo estas
condiciones, cualquier valor óptimo obtenido mediante el optimizador sería
especulativo y poco confiable, ya que no estaría respaldado por un modelo
estadístico robusto ni predictivo. Por lo tanto, se sugiere no utilizar el
 optimizador en este caso y replantear el diseño experimental para mejorar la
calidad del modelo antes de buscar optimizaciones.

 Si logro incluir 2 puntos centrales en el diseño para cada variable, cómo cambian los
resultados del modelo y los factores que afectan la variable de respuesta?...justifique
la respuesta.

Al incluir dos puntos centrales, el modelo pierde mucha mas fiabilidad como se
evidencia a continuación:
Nueva matriz de diseño

Costo
s
OrdenE OrdenCorri PtCent Bloqu Pro Reord Pro Reord totale
st da ral es d 1 en 1 d 2 en 2 s
10 25 853,3
1 1 1 1 0 25 0 40 8
14 25 953,4
2 2 1 1 0 45 0 40 1
14 30 862,1
3 3 1 1 0 25 0 40 5
14 25 1015,
4 4 1 1 0 25 0 80 33
10 30 1096,
5 5 1 1 0 45 0 40 08
10 25 968,7
6 6 1 1 0 45 0 80 9
10 30 954,0
7 7 1 1 0 25 0 80 2
14 30 974,5
8 8 1 1 0 45 0 80 1
12 27 915,7
9 9 0 1 0 35 5 60 3
12 27 864,8
10 10 0 1 0 35 5 60 6
12 27 824,8
11 11 0 1 0 35 5 60 3
12 27 862,0
12 12 0 1 0 35 5 60 2
12 27 1091,
13 13 0 1 0 35 5 60 71
 El R cuadrado baja a la mitad del 90 al 50% y el ajustado baja a 0 directamente.

El ANOVA demuestra que ningún factor es significativo nuevamente

los supuestos siguen sin cumplirse, por lo cual el resultado sigue siendo que el
modelo debe replantearse para
buscar obtener una respuesta
acertada.

2. Se logra obtener la siguiente matriz, pero

los costos que se obtienen son de 3
sucursales de la compañía, el diseño
quedaría de la siguiente forma:
 Costo total Costo Costo
Artículo 1 Artículo 2 Sucursal 1 Sucursal 2 Sucursal 3
100 25 250 40 952,25 953,35 853,38
140 45 250 40 854,29 858,35 953,41
140 25 300 40 854,29 856,47 862,15
140 25 250 80 871,09 881,25 1015,33
100 45 300 40 1086,24 1079,25 1096,08
100 45 250 80 901,94 900,35 968,79
100 25 300 80 831,13 830,69 954,02
140 45 300 80 996,22 997,25 974,51
120 35 275 60 1088,29 1090,1 915,73
120 35 275 60 1095,68 1100,17 864,86
120 35 275 60 896,43 895,14 824,83

¿Cuál es el resultado de este tipo de diseño experimental si deseamos mejorar el valor

esperado y la variación del modelo, dado este cambio en la variable de respuesta?

DESARROLLO:

Para esta nueva matriz donde vamos a incluir las tres surcursales como nuestra variable
de ruido o bloqueo lo que buscamos es un diseño experimental con método robusto que
nos permita minimizar la media debido a que la compañía quiere una reducción de sus
costos totales de inventario y minimizar la desviación estándar, esto, asegura que el
costo total del inventario esté controlado y repetible, lo que mejora la confianza en las
recomendaciones del diseño experimental.

BLOQUE BLOQUE BLOQUE DESV.

Artículo 1 Artículo 2 1 2 3 MEDIA ESTA
100 25 250 40 952,25 953,35 853,38 919,7 46,9
140 45 250 40 854,29 858,35 953,41 888,7 45,8
140 25 300 40 854,29 856,47 862,15 857,6 3,3
140 25 250 80 871,09 881,25 1015,33 922,6 65,7
100 45 300 40 1086,24 1079,25 1096,08 1087,2 6,9
100 45 250 80 901,94 900,35 968,79 923,7 31,9
100 25 300 80 831,13 830,69 954,02 871,9 58,0
140 45 300 80 996,22 997,25 974,51 989,3 10,5
120 35 275 60 1088,29 1090,1 915,73 1031,4 81,8
120 35 275 60 1095,68 1100,17 864,86 1020,2 109,9
120 35 275 60 896,43 895,14 824,83 872,1 33,5

La matriz nos quedaría de la siguiente forma:

Resumen del modelo para la desviación estándar:

Aunque el modelo nos arroja un R2 del 72% lo cuál es optimista y sugiere que el
modelo explica una proporción considerable de la variabilidad de los datos, el R 2
ajustado de 0% frente a nuestro R2 refleja que el modelo es inadecuado, probablemente
por incluir demasiados factores no significativos o por problemas en el diseño
experimental.

Resumen del modelo para la media:

Aunque el modelo nos arroja un R2 del 72% lo cuál es optimista y sugiere que el
modelo explica una proporción considerable de la variabilidad de los datos, el R 2
ajustado de 0% frente a nuestro R2 refleja que el modelo es inadecuado, probablemente
por incluir demasiados factores no significativos o por problemas en el diseño
experimental.

Esto se puede ver gráficamente mediante un diagrama de Pareto

Para la desviación estándar:

Para la media:
Gráficamente se muestra que ningún término ni alguna interacción entre estos influye
de manera significativa en nuestras variables de respuesta (Media y Desviación
Estándar).
Confirmamos mediante las tablas ANOVA:

Para la media observamos que

ningún término ni interacción
tiene un p-valor menor que
nuestro nivel de significancia,
por lo que ninguno es
estadísticamente significativo.

Para la desviación estándar

observamos que al igual que la
media no hay ningún término ni
interacción con un p-valor menor
que nuestro nivel de significancia,
por lo que ninguno es
estadísticamente significativo.
 Hacemos un análisis de residuales para ambas variables de respuesta:

Gráficamente observamos que los datos no cumplen con los supuestos de

homocedasticidad e independencia, adicional se realizó una prueba de normalidad
Anderson-Darling para visualizar mejor si hay normalidad en los datos o no.

Obtenemos un p-valor mayor al del nivel de significancia por lo que no hay suficiente
evidencia estadística para rechazar nuestra hipótesis nula, por tanto, los datos se distribuyen
aproximadamente a una distribución normal.

Para la desviación vemos que los

residuales se comportan similares
a los de la media, no se cumplen
los supuestos de
homocedasticidad ni de
independencia, adicional se
realizó una prueba de normalidad
Anderson-Darling para visualizar
mejor si hay normalidad en los
datos o no.

Obtenemos un p-valor mayor al del nivel de significancia por lo que no hay suficiente
evidencia estadística para rechazar nuestra hipótesis nula, por tanto, los datos se distribuyen
aproximadamente a una distribución normal.
Teniendo en cuenta todos los resultados obtenidos al implementar un diseño robusto el
modelo matemático que nos da tanto la media como la desviación estándar no es
significativo por lo que nuestras variables de ruido no tienen incidencia en nuestras
variables de respuesta, además, observando gráficamente el comportamiento que tuvieron
los residuales nuestra recomendación es volver a ejecutar el experimento, bajo condiciones
más controladas, o aumentando el número de corridas para buscar que laS variable de
respuesta sean explicadas por parte de los factores, o así mismo, adaptar el diseño
experimental mediante transformaciones, ajustes o métodos que puedan validar el
experimento y permita tomar decisiones más fundamentadas.
En este caso, no es recomendable utilizar el optimizador de respuesta debido a las
limitaciones evidenciadas en el modelo estadístico, ninguno de los factores es
estadísticamente significativo, y los supuestos de independencia y homocedasticidad no se
cumplen, lo que compromete la validez de las estimaciones y las predicciones. Bajo estas
condiciones, cualquier valor óptimo obtenido mediante el optimizador sería
especulativo y poco confiable.