Tpicos de Calidad

1. DISEO DE EXPERIMENTOS

Estrategia de experimentacin

Los experimentos son realizados por los investigadores en prcticamente todos los
campos, usualmente para descubrir algo sobre un proceso particular o sistema. Literalmente un
experimento es una prueba o una serie de pruebas en las que cambios intencionados son hechos a
las variables de entrada de un proceso o sistema para que podamos observar e identificar las
razones de cambios que podran ser observadas en la variable de respuesta.
Esta unidad es sobre planeacin y realizacin de experimentos y sobre el anlisis de
resultados de tal forma que conclusiones vlidas y objetivas puedan ser echas. El enfoque es en
experimentos de ingeniera, fsica y ciencias qumicas. En ingeniera la experimentacin juega un
papel importante en el diseo de nuevos productos, desarrollo de procesos de manufactura y
mejora de procesos. El objetivo en muchos casos podra ser el de desarrollar un proceso
robusto, que es, un proceso que es afectado en forma mnima por fuentes externas de
variabilidad.
Suponga que un ingeniero en metalurgia est interesado en estudiar el efecto de dos
procesos diferentes de endurecimiento de metales, aceite y agua salada sobre una aleacin de
aluminio. El objetivo del experimento es determinar qu solucin produce el mximo
endurecimiento de esta particular aleacin. El ingeniero decide asignar un nmero de aleaciones
a cada solucin y determinar la dureza de cada aleacin despus de ser enfriada. La dureza
promedio de los especmenes tratados en cada solucin ser usada para determinar cul solucin
es mejor.
A medida que consideramos este simple experimento, un nmero de preguntas
importantes se nos vienen a la mente:
1. Son estas dos soluciones los nicos medios de enfriamiento de posible inters?
2. Hay otros factores que podran afectar la dureza que deberan ser investigados o
controlados en el experimento?
3. Cuantas aleaciones deberan ser probadas en cada tipo de solucin?
4. Como deberan asignarse las aleaciones a cada solucin y en qu orden debera ser
colectada la informacin?
5. Que mtodo de anlisis de informacin debera ser usado?
 6. Qu diferencia de la dureza promedio observada entre las dos soluciones debera ser
considerada como importante?
Todas estas preguntas y tal vez otras debern ser contestadas satisfactoriamente antes de
que se realice el experimento.
En cualquier experimento, los resultados y conclusiones que se pueden derivar dependen
en gran medida de la manera en que la informacin fue recabada. Para ejemplificar esto suponga
que el ingeniero usa especmenes a una temperatura dada y los enfra con aceite y especmenes a
otra temperatura que los enfra con agua. Ahora, cuando la dureza promedio es comparada, el
ingeniero no sabra decir cunto de la diferencia es el resultado de las soluciones y cuanto de la
diferencia es el resultado de la temperatura de la aleacin. As el mtodo de coleccin de
informacin afecta de manera negativa la conclusin que puede derivarse del experimento.
En general los experimentos son usados para estudiar el desempeo de sistemas y
procesos. El sistema o proceso puede ser representado por el modelo mostrado en la figura 1.
Podemos visualizar el proceso como una combinacin de mquinas, mtodos, gente y otros
recursos que transforman alguna entrada (por lo general un material) en una salida que tiene una
o ms respuestas observables. Algunas de las variables x1, x2,.xn son controlables mientras que
otras z1, z2,..zn son no controlables (aunque podran ser controlables para propsitos de
experimentacin). Los objetivos de un experimento podran incluir:

1. Determinar que variables son las ms influyentes sobre la respuesta y

2. Determinar a qu nivel colocar las xs influyentes de tal modo que y est casi
siempre cerca del valor nominal deseado
3. Determinar a qu nivel colocar las xs de tal modo que el efecto de las zs se
minimice
 Los experimentos usualmente involucran varios factores, el objetivo de la persona que
conduce el experimento (experimentador) es determinar la influencia de estos factores sobre la
variable de respuesta del sistema. El enfoque general para planear y conducir el experimento se
llama estrategia de experimentacin. Hay varias estrategias que el experimentador podra usar,
ilustraremos algunas con el siguiente ejemplo:
Imagine que a usted le gusta jugar golf, algunos de los factores que podran influenciar su
score son:
El tipo de palo de golf empleado (grande o regular)
El tipo de pelota de golf usada
Caminar y cargar el equipo de golf o usar un vehculo para transportarse por el campo
Beber agua o beber cerveza mientras juega
Jugar en la maana o jugar en la tarde
Jugar cuando hace calor o cuando hace frio
El tipo de zapatos de golf
Jugar con viento o en un da calmado

Hay otros factores que podran ser incluidos pero asumiremos que estos son los de
inters, en forma adicional y basado en experiencia, usted decide que los factores 5 al 8 pueden
ser ignorados porque su efecto es tan pequeo que no tienen valor prctico. Los ingenieros y
cientfico a veces toman este tipo de decisiones en experimentos reales.

Enfoque de mejor suposicin: Se selecciona una combinacin especifica de los factores

que el experimentador considera producirn el mejor resultado, se hacen pruebas y se ve que
sucede. Este enfoque es usado frecuentemente en prctica debido a que los experimentadores y
cientfico tienen un conocimiento profundo del sistema que se est estudiando.
Enfoque de un factor a la vez: Consiste en seleccionar un punto de partida para los
niveles de los factores, despus se varia cada factor en forma sucesiva sobre su rango con los
otros factores mantenidos fijos en el punto de partida. Despus de que las pruebas se completan,
una seria de grficos son construidos mostrando como la variable de respuesta es afectada al
cambiar cada factor con los otros mantenidos fijos en el punto de partida.
 La mayor desventaja de la estrategia de un factor a la vez es que no considera cualquier
posible interaccin. Una interaccin es la falla de un factor de producir el mismo efecto
sobre la respuesta a diferentes niveles de otro factor. La figura 1-3 muestra una interaccin
entre el tipo de palo de golf, grande o regular (overzise or regular driver) y el tipo de bebida,
agua o cerveza (W= agua, B=cerveza).
 Las interacciones entre factores son muy comunes y si se presentan, la estrategia de un
factor a la vez usualmente producir resultados pobres. Mucha gente no reconoce esto y por
consecuencia experimentos de un factor a la vez son corridos con frecuencia. Algunos individuos
de hecho piensan que esta estrategia est relacionada al mtodo cientfico o que es un principio
valido de ingeniera.
El enfoque correcto para trabajar con varios factores es conducir un experimento
factorial. Esta es una estrategia de experimentacin en la que los factores son variados todos
juntos en lugar de uno a la vez. El concepto de experimento factorial es sumamente importante.
Para ilustrar como un experimento factorial puede realizarse considere el ejemplo del golf y
suponga que estamos interesados en nicamente dos factores, el tipo de palo de golf y el tipo de
pelota. La figura 1.4 muestra el experimento factorial.
Note que el experimento factorial tiene ambos factores a dos niveles y todas las
combinaciones posibles de los niveles de los factores son usadas en el diseo.
Geomtricamente las 4 corridas forman las esquinas de un cuadro. Este tipo de experimento
factorial es llamado diseo factorial 22 (dos factores con cada uno de ellos a dos niveles). Debido
a que el jugador tiene la oportunidad de jugar 8 corridas, un plan razonable sera jugar dos
rounds de golf para cada combinacin de los niveles los factores. Esto significa que hemos
replicado el experimento. Este diseo experimental permitira al experimentador investigar los
efectos individuales de cada factor (o los efectos principales) y determinar si los factores
interactan.
La figura 1.5a muestra los resultados del experimento factorial de la figura 1-4.

Los efectos son calculados de la siguiente manera:

 Los resultados de este experimento factorial indican que el efecto del tipo de palo de golf
es ms grande que efecto del tipo de bola o de la interaccin. Un anlisis estadstico determinara
si los otros dos efectos (tipo de pelota o interaccin) difieren de cero.
Podemos extender el experimento factorial a tres factores, suponga que se desea estudiar
los efectos del tipo de palo de golf, tipo de pelota y tipo de bebida. Asumiendo que los tres
factores tienen dos niveles, el experimento resultante se muestra en Figura 1-6. Note que hay 8
combinaciones de los niveles de los tres factores las cuales pueden ser representadas
geomtricamente como las esquinas de un cubo. Este diseo es conocido como diseo factorial
23. Debido a que solo se pueden jugar 8 rounds de golf, este experimento requerir que un round
de golf sea corrido para cada combinacin de niveles o cada esquina del cubo.

La figura 1-7 ilustra como 4 factores podran ser investigados usando un experimento
factorial 24.
 En forma general si hay k factores, cada uno a dos niveles, el diseo factorial requera 2k
corridas. A medida que el nmero de factores se incrementa, el nmero requerido de corridas se
incrementa significativamente, por ejemplo un diseo con 10 factores requerir 1024 corridas.
Afortunadamente es usualmente innecesario correr todas las posibles combinaciones de
niveles de los factores, un diseo factorial fraccional es una variacin del diseo factorial en el
que solo una parte o fraccin de las corridas es echa. Factoriales fraccionados son usados
extensivamente en investigacin industrial y desarrollo as como en mejora de procesos.
La figura 1-8 muestra un diseo factorial fraccionado para el ejemplo del golf (versin
con cuatro factores). Este diseo requiere solo 8 corridas en lugar de las 16 originales y se
denomina fraccin de una mitad. S usted pudiera solo jugar 8 rounds de golf, este sera un
excelente diseo en el cual podramos estudiar los 4 factores. Este diseo proporcionara buena
cantidad de informacin sobre los efectos principales as como de sus interacciones.

Aplicaciones tpicas de diseo de experimentos

Los mtodos de diseo experimental han encontrado una amplia aplicacin en muchas
disciplinas. En efecto, podramos ver la experimentacin como parte del proceso cientfico y
como una de las forma es que aprendemos sobre como los sistemas y procesos trabajan.
Generalmente aprendemos a travs de una serie de actividades en las que hacemos conjeturas
sobre un proceso, desarrollamos experimentos para generar informacin sobre el proceso y
despus usamos la informacin del experimento para establecer nuevas conjeturas, que conducen
a nuevos experimentos, y as sucesivamente.
El diseo de experimentos es una herramienta de importancia crtica en el mundo
ingenieril para la mejora del desempeo de procesos de manufactura. Tambin tiene extensa
aplicacin en el desarrollo de nuevos procesos, La aplicacin de las tcnicas de diseo
experimental en etapas tempranas pueden resultar en:
Mejora en el rendimiento de procesos
Reduccin de la variabilidad y desempeo ms cercano a los requerimientos objetivo o
nominales
Reduccin del tiempo de desarrollo
Reduccin de costos generales
Los mtodos de diseo experimental tambin juegan un importante rol en las actividades
de ingeniera de diseo, donde nuevos productos son desarrollados y productos existentes son
mejorados. Algunas aplicaciones de diseo experimental en ingeniera de diseo incluyen:
Evaluacin y comparacin de configuraciones bsicas de diseo
Evaluacin de alternativas de materiales
Seleccin de parmetros de diseo de tal forma que el producto trabaje bien bajo una
amplia variedad de condiciones, que sea robusto
Determinacin de parmetros clave de diseo del producto que impacten el desempeo
del mismo
El uso del diseo experimental en estas reas puede resultar en productos que son ms
fciles de manufacturar, productos que tienen un desempeo y confiabilidad superiores, costos
ms bajos de produccin y tiempos de desarrollo y diseo del producto ms corto

Nomenclatura:
Definiciones bsicas de diseo experimental incluyen: unidad experimental, tratamiento,
nivel, factor, error experimental, efecto principal e interaccin.
Una unidad experimental es la entidad fsica a la cual el tratamiento es aplicado
Un tratamiento es una combinacin de condiciones experimentales aplicada a una
unidad experimental. Los tratamientos son aplicados a las unidades experimentales a
travs de niveles , donde nivel implica cantidad o magnitud (sinnimo de corrida)
 Un factor es una de las variables bajo el control del experimentador, la cual es variada
sobre diferentes unidades experimentales
El error experimental se define como las fuentes incontrolables de variabilidad en los
resultados, que ocurren aleatoriamente durante el experimento
Un efecto principal es el efecto de un factor sobre una variable dependiente y una
interaccin es el efecto combinado de dos o ms factores sobre la variable de respuesta

Principios bsicos de experimentacin:

Los tres principios bsicos de diseo experimental son replicacin, aleatorizacin y

bloqueo.

Por replicacin nos referimos a la repeticin o duplicacin del experimento, lo cual

permite al experimentador obtener una estimacin independiente del error experimental y provee
de mejores estimaciones de los efectos de los factores.

La aleatorizacin se refiere a la asignacin aleatoria de las unidades experimentales a los

tratamientos

El bloqueo es una tcnica de diseo empleada para mejorar la precisin con la que las
comparaciones entre los factores de inters son hechas. Con frecuencia el bloqueo es usado para
reducir o eliminar la variabilidad transmitida por factores de ruido. Un bloque es un grupo de
condiciones relativamente homogneas, el experimentador divide las observaciones en grupos
que son corridos en cada bloque.

Otras dos propiedades importantes incluyen ortogonalidad y balance

Ortogonalidad: En matemticas dos vectores son ortogonales si son perpendiculares, es

decir, si forman un ngulo recto. La ortogonalidad en diseo de experimentos implica que los
vectores son independientes o no correlacionados y por lo tanto proporcionan diferente
informacin al diseo.

Balance: Un diseo es balanceado cuando cada nivel de factor ocurre el mismo nmero
de veces dentro de cada factor. La propiedad de balance implica que la columna identidad o la
columna de 1s es ortogonal a cada efecto.
 Ramas importantes del diseo experimental:

La siguiente figura es una representacin de algunas ramas importantes del diseo

experimental. Los diseos ortogonales regulares incluyen el 2k-p, y 3k-p, que son construidos
usando el criterio de aberracin mnima, este criterio asegura que un diseo de resolucin R
tiene el mnimo nmero de efectos principales correlacionados con interacciones de orden R-1, el
mnimo nmero de interacciones de 2 factores correlacionados con interacciones de orden R-2 y
as sucesivamente.
Los diseos ortogonales no regulares incluyen Placket Burman y arreglos ortogonales,
son aquellos que no pueden ser representados como cubos o hipercubos, algunas veces son
llamados diseos no geomtricos. Comparados con los diseos regulares, los diseos no
regulares tienen un estructura de aliases ms complicada pero pueden proveer ms flexibilidad
en cuanto a nmero de corridas.
Los diseos de superficie de respuesta tienen como propsito el ajustar una superficie de
respuesta paramtrica. Los diseos ptimos proveen de optimalidad de acuerdo a un criterio
especfico.

Un diseo D- ptimo es aquel que

minimiza la regin de confianza
conjunta del vector que contiene a
los estimadores de los coeficientes
de regresin

(SER MAS ESPECIFICO, AYUDA A

TENER MEJORES COHEFICIENTES DE
REGRESION)
El DISEO 2k

Los diseos factoriales son usados ampliamente en experimentos que involucran varios
factores. Existen varios casos especiales del diseo factorial general que son importantes porque
son ampliamente usados en investigacin y porque forman la base de otros diseos de
considerable valor prctico.
El ms importante de estos casos especiales es el que contiene k factores, con cada uno a
dos niveles. Estos niveles pueden ser cuantitativos, como dos niveles de temperatura, presin o
tiempo, o podran ser cualitativos, como dos mquinas, dos operadores o tal vez la presencia o
ausencia de un factor. Una rplica completa de un diseo 2k requiere 2 2 .. 2 = 2k
observaciones y es llamado diseo factorial 2k.
El diseo 2k es particularmente til en etapas tempranas de experimentacin, cuando hay
muchos factores a ser investigados. Este diseo provee el nmero ms pequeo de corridas con
las que k factores pueden ser estudiados en un diseo factorial completo. Por consecuencia estos
diseos son ampliamente usados en experimentos de filtrado de factores.
Dado que hay solo dos niveles para cada factor, nosotros asumimos que la respuesta es
aproximadamente lineal sobre el rango de los factores escogidos. En muchos experimentos de
filtrado de factores, cuando estamos en un punto inicial en el estudio del procesos o sistema, esto
es usualmente una suposicin razonable.

El diseo 22
El primer diseo en la serie 2k es que contiene solo dos factores, digamos A y B, cada
uno a dos niveles. Este diseo es llamado diseo factorial 22. Los niveles de los factores son
llamados arbitrariamente bajo y alto. Considere el siguiente ejemplo en el que se
investiga el efecto de la concentracin del reactivo (factor A) y el efecto de la cantidad del
catalizador (factor B) sobre el rendimiento de un proceso qumico.
Los efectos promedio estn dados por:

Magnitud y direccin
 El efecto de A es positivo, lo que sugiere que incrementar A (concentracin del reactivo)
de 15% a 25% producir un incremento en el rendimiento. El efecto de B (cantidad de
catalizador) es negativo, lo que significa que si se incrementa la cantidad de catalizador al
proceso, se reducir el rendimiento. El efecto de la interaccin parece ser pequeo con respecto a
los dos efectos principales.

Contrastes:

Un contraste es el efecto total de un factor. Por ejemplo, El contaste para el factor A esta
dado por:

Suma de cuadrados:

La suma de cuadrados del contraste es igual al contraste dividido por el total de

observaciones.

La suma de cuadrados total se calcula usando:

Haciendo clculos (tip: y2 indica sumatoria de las ys elevada al cuadrado)

Anlisis de Varianza

Modelo de regresin lineal

Otros mtodos para analizar Factoriales no replicados (Mtodo de Lenth)

El procedimiento estndar de anlisis para factoriales no replicados de dos niveles es el

grafico de probabilidad normal o seminormal de los estimadores de los efectos. Sin embargo los
diseos no replicados son tan ampliamente usados en la prctica que muchos procedimientos
formales de anlisis han sido propuestos con el objeto de superar la subjetividad de los grficos
de probabilidad normal.
Hamada y Balakrishnan (1998) compararon algunos de estos mtodos. Ellos encontraron
que el mtodo propuesto por Lenth (1989) tiene buen poder para detectar efectos significativos.
Tambin es fcil de implementar y como resultado est empezando a ser implementado en
paquetes de software. A continuacin se describe el mtodo.

1) Obtenga estimadores de los efectos

2) Obtenga valores absolutos de los estimadores de los efectos

21.625
3.125
9.875
14.625
0.125
18.125
16.625
2.375
0.375
1.125
1.875
4.125
1.625
2.625
1.375

3) Obtenga la mediana de los valores absolutos de los estimadores de los efectos

Column1

Mean 6.641666667
Standard Error 1.916169708
Median 2.625
Mode #N/A
Standard Deviation
7.421293367
Sample Variance 55.07559524
Kurtosis -0.549691501
Skewness 1.036917727
Range 21.5
Minimum 0.125
Maximum 21.625
4) Multiplique la mediana por 1.5 para obtener el valor So

So = 1.5 * 2.625 = 3.9375

5) Multiplique So por 2.5 para obtener un valor lmite

Valor lmite = 2.5 * 3.9375 = 9.84375

6) Filtre aquellos valores absolutos de los estimadores de los efectos que sean menores al
valor limite

3.125
0.125
2.375
0.375
1.125
1.875
4.125
1.625
2.625
1.375

7) Obtenga la mediana de los efectos filtrados en el paso anterior

 Column1

Mean 1.875
Standard Error 0.389087251
Median 1.75
Mode #N/A
Standard Deviation 1.230401922
Sample Variance 1.513888889
Kurtosis -0.218352832
Skewness 0.342526248
Range 4
Minimum 0.125
Maximum 4.125
Sum 18.75
Count 10
8) Multiplique la mediana obtenida en el paso anterior por 1.5 para obtener PSE

PSE = 1.5 * 1.75 = 2.625

9) Obtenga ME utilizando la siguiente frmula: ME t0.025,d * PSE , donde los grados de

libertad se calculan cono d = m/3, y m es el nmero de contrastes

Para este caso: d = 15/3 = 5

ME t0.025,5 * PSE = 2.571* 2.625 = 6.7488 = 6.75

10) Utilice ME para determinar los efectos significativos, aquellos que excedan en magnitud
a ME, en este casi son:

A, C. D, AC, y AD
Residuos y adecuacin del modelo

El modelo de regresin puede ser usado para obtener los valores predichos o ajustados de
y en los cuatro puntos del diseo. Los residuos son las diferencias entre los valores
observados y los valores ajustados de y. Por ejemplo, cuando la concentracin del reactivo est
en el nivel bajo (x1 = -1) y el catalizador est a nivel bajo (x2 = -1), el rendimiento predicho es:

Hay tres observaciones para esta combinacin de tratamientos y los residuos son:

Los otros valores predichos y residuos son calculados de la misma manera. Para el nivel alto de
concentracin del reactivo y nivel bajo del catalizador

Para el nivel bajo de concentracin de reactivo y el nivel alto del catalizador

Finalmente para el nivel alto de ambos factores

La Figura 6-2 presenta un grfico de probabilidad normal de los residuos y un grfico de los
residuos contra los valores predichos. Los grficos parecen satisfactorios, el primer grafico
sigue una lnea recta lo que indica que la informacin viene de un proceso normal y el segundo
no muestra una tendencia, lo que indica que la varianza es constante.
El diseo 23

Suponga que hay tres factores, A, B and C, cada uno a dos niveles. El diseo es llamado
diseo factorial 23 y existen 8 combinaciones de tratamientos que pueden ser mostradas
geomtricamente como un cubo.

Existen en realidad tres notaciones diferentes que son ampliamente usadas para las
corridas de un 2k. La primera contiene signos positivos y negativos y es llamada notacin
geomtrica. La segunda usa etiquetas de letras minsculas para identificar las combinaciones
de tratamientos, estos smbolos tambin representan el total de las observaciones en esa
combinacin particular de tratamientos. La ultima notacin usa ceros y unos para denotar
cuando el factor esta en nivel alto o bajo.
Ejemplo 6-1

Considere el siguiente ejemplo en el que se presenta un estudio sobre el efecto del

porcentaje de carbonacin, presin de llenado y velocidad de la lnea sobre la altura de llenado
de un refresco. La informacin se muestra en la Tabla 6-4 y Figura 6-6
Los efectos de los factores son estimados de la siguiente manera:
Las sumas de cuadrados se calculan de la sigueinte manera:

Un rezumen de las estimaciones de los efectos est dado por

 La columna etiquetada porcentaje de contribucin mide el porcentaje de contribucin
de cada trmino del modelo a la suma total de cuadrados. El porcentaje de contribucin es una
medida informal pero efectiva para guiarnos con respecto a la importancia relativa de cada
trmino del modelo. Note que los efectos principales dominan este proceso y corresponden al 87
por ciento de la variabilidad total mientras que la interaccin AB abarca nicamente el 3 por
ciento. El anlisis de varianza puede ser usado para confirmar la magnitud de estos efectos.

Note que los efectos principales son altamente significativos (todos tienen valores P muy
pequeos). La interaccin AB es significativa si se usara un nivel de significancia del 10%, por
lo tanto existe una ligera interaccin entre el nivel de carbonacin y la presin.

Modelo de regresin y superficie de respuesta

El modelo de regresin para predecir la desviacin en la altura del llenado es:

Donde las variables xi, x2 y x3 representan A, B y C respectivamente

Salida de Computadora (Design Expert)
1) Todos los trminos en el modelo
 2) Solo los trminos significativos

R2 Estadstico
Debajo de la tabla de anlisis de varianza, varios estadsticos para R2 estn presentes. La
ordinaria R2 se calcula como:
 Este estadstico mide la proporcin de la variabilidad total que es explicada por el
modelo. Un problema potencial con este estadstico es que siempre se incrementa a medida que
los factores son aadidos al modelo, aun si estos factores no son significativos. La R2 ajustada se
define como:

El cual es un estadstico que es ajustado por el tamao del modelo, es decir, el nmero de
factores. La R2 ajustada puede de echo reducirse si factores no significativos son agregados al
modelo.

PRESS Estadstico

El estadstico PRESS (Prediccin Error Sum of Squares) es una medida de cmo el

modelo podr predecir nueva informacin y se calcula a partir de los errores de prediccin
obtenidos al predecir el ith punto de informacin con un modelo que incluye todas las
observaciones excepto la observacin ith. Un modelo con un valor PRESS pequeo indica que
el modelo es un buen predictor. La R2 de prediccin es calculada como:

Esto indica que el modelo completo ser capaz de explicar el 74% de la variabilidad en la nueva
informacin.
Replica simple del diseo 2k

Aun para un nmero moderado de factores, el nmero total de combinaciones de los

tratamientos en un diseo 2k es grande. Por ejemplo, un diseo 25 tiene 32 combinaciones de
tratamientos, un diseo 26 tiene 64 combinaciones de tratamientos y as sucesivamente. Debido a
que los recursos son usualmente limitados, el nmero de rplicas que el experimentador puede
emplear podra estar restringido. Frecuentemente los recursos disponibles permiten solo una
rplica del experimento.
Un riesgo obvio al realizar un experimento que contiene solo una corrida en cada
combinacin de tratamientos es que podramos estar ajustando un modelo al ruido. Lo que
significa que si la respuesta y es altamente variable, conclusiones errneas podran resultar del
experimento. Esta situacin es ilustrada en la figura 6-9a. En esta figura la lnea recta representa
el verdadero efecto del factor. Sin embargo debido a la variabilidad aleatoria presente en la
variable de respuesta (representada por la banda en gris) el experimentador en realidad obtiene
las dos medidas representadas por los puntos obscuros. Por consecuencia, el efecto estimado es
cercano a cero y el experimentador ha llegado a conclusiones errneas con respecto a este factor.
Ahora, si hay menos variabilidad en la respuesta, la probabilidad de una conclusin
errnea ser ms pequea. Otra forma de asegurar que estimaciones confiables de los efectos
sean obtenidas es incrementar la distancia entre los niveles bajo y alto del factor, como se ilustra
en la Figura 6-9b. Note que en esta figura el incremento en la distancia entre los niveles bajo y
alto del factor resulta en una estimacin razonable del verdadero efecto del factor.
 La estrategia de una rplica simple es frecuentemente usada en experimentos de filtrado
de factores cuando existen muchos factores bajo consideracin.
Una rplica simple del experimento 2k es frecuentemente llamado factorial no replicado.
Con solo una rplica no hay estimacin interna del error (o error puro). Un enfoque para el
anlisis de experimentos no replicados es asumir que ciertas interacciones de orden superior no
son importantes y combinar su media de cuadrados para estimar el error.
Un mtodo de anlisis atribuido a Daniel (1959) consiste en examinar un grfico de
probabilidad normal de las estimaciones de los efectos, los efectos que no son significativos
estn normalmente distribuidos, con media cero y varianza 2 y tendern a caer a lo largo de
una lnea recta en este grfico, mientras que los efectos significativos tendrn medias diferentes
de cero y no caern a lo largo de la lnea recta. De esta manera el modelo preliminar contendr
los efectos que son aparentemente diferentes de cero, basado en el grfico de probabilidad
normal. Los efectos que son aparentemente no significativos son combinados como una
estimacin del error.
La adicin de puntos centrales en el 2k

Una preocupacin comn en el uso de factoriales de dos niveles es la suposicin de

linealidad en los efectos de los factores. A menudo perfecta linealidad es innecesaria y el 2k
trabajara bien aun cuando esta suposicin no sea del todo correcta. En efecto hemos notado que
si las interaccione son aadidas a los efectos de primer orden (ecuacin 6-26) tendremos un
modelo que presentara cierta curvatura en la funcin de respuesta.

Esta curvatura es el resultado de la torsin del plano ejercida por las interacciones.
Existirn situaciones en las que la curvatura en la funcin de respuesta no es adecuadamente
modelada por la ecuacin 6-26, en tales casos un modelo lgico a considerar es:

Donde jj representa efectos puros de segundo orden o efectos cuadrticos. La ecuacin

6-27 es llamada un modelo de superficie de respuesta de segundo orden.
Cuando corremos un experimento factorial con dos niveles usualmente anticipamos ajustar el
modelo de la ecuacin 6-26 pero debemos estar consientes que el modelo de segundo orden de la
ecuacin 6-27 es en realidad ms apropiado. Existe un mtodo de replicacin de ciertos
puntos en un factorial 2k que proveer cierta proteccin contra la curvatura de los efectos
de segundo orden y permitir obtener una estimacin independiente del error. El mtodo
consiste en aadir puntos centrales al 2k. Este mtodo consiste en aadir n replicas en el centro
del diseo. Un razn importante para aadir los puntos en el centro es porque estos no afectan la
estimaciones de los efectos en el 2k cuando aadimos los puntos centrales asumimos que los
factores son cuantitativos.
_
El procedimiento es el siguiente, digamos que yF es el promedio de las observaciones de los
_
puntos factoriales del diseo y yC es el promedio de las nc corridas en el centro del diseo. Si la
_ _
diferencia entre yF- yC es pequea, entonces los puntos centrales estn cerca del plano que pasa
a travs de los puntos factoriales y no existe curvatura. Por otro lado, si la diferencia es
significativa la curvatura est presente. Una suma de cuadrados para la curvatura cuadrtica pura
con un solo grado de libertad est dada por:

Donde nF es el nmero de puntos factoriales en el diseo. Esta cantidad puede ser comparada a la
media de cuadrados del error para probar la curvatura cuadrtica. Ms especficamente lo que
tratamos de probar son las hiptesis.

Pero an ms importante, si los puntos factoriales en el diseo no estn replicados, uno podra
usar los nc puntos centrales para construir una estimacin del error con nc-1 grados de libertad.

Ejemplo:
BLOQUEO Y CONFUSIN EN EL DISEO FACTORIAL 2k

Introduccin

Hay muchas situaciones en las que es imposible realizar todas las corridas de un
experimento factorial 2k en condiciones homogneas. Por ejemplo, un lote de materia prima
podra no ser suficiente para realizar todas las corridas. En otros casos, sera deseable variar
deliberadamente las condiciones experimentales para asegurarse de que los tratamientos son
igualmente efectivos (es decir, que son robustos) sobre diferentes situaciones que seran
encontradas en la prctica. Por ejemplo, un ingeniero qumico podra estar interesado en correr
un experimento piloto con diferentes lotes de materias primas porque l sabe que diferentes lotes
de materias primas de diferente calidad son probablemente usados en las operaciones normales
del proceso.
La tcnica de diseo usada en estas situaciones es el bloqueo. En este captulo nos
concentraremos en algunas tcnicas especiales de bloqueo en el diseo factorial 2k.
Bloqueo de un diseo factorial 2k replicado

Suponga que un diseo factorial 2k ha sido replicado n veces. Si existen n replicas, cada
grupo de condiciones no homogneas constituye un bloque y cada replica es corrida en uno de
los bloques. Las corridas dentro de cada bloque (o replica) seran hechas en orden aleatorio.

Ejemplo

Considere un 22 con 3 rplicas en el que solo 4 pruebas experimentales pueden ser hechas a
partir de un lote de materia prima. Esto significa que tres lotes de materia prima sern requeridos
para correr las tres rplicas de este diseo (Tabla 7-1).

El anlisis de varianza para este diseo bloqueado se muestra en la Tabla 7-2, todas las
sumas de cuadrados son calculadas exactamente como en un diseo estndar no bloqueado. La
suma de cuadrados de los bloques se calcula usado los totales de los bloques i .
Confusin del 2k en dos bloques

Suponga que deseamos correr una rplica simple de un 2k. Cada una de las 4
combinaciones de tratamientos requiere cierta cantidad de materia prima y cada lote de materia
prima es solo suficiente para probar dos combinaciones de tratamientos. Por lo tanto, dos lotes de
materia primas son requeridos. Si los lotes de materia prima son considerados como bloques,
entonces tenemos que asignar dos de las combinaciones de tratamientos a cada bloque.
La figura 7-1 a) muestra un posible diseo para este problema, note que las
combinaciones de las diagonales son asignadas a diferentes bloques; el bloque 1 contiene las
combinaciones de tratamientos (1) y (ab) y el bloque 2 contiene las combinaciones a y b. El
orden en que las combinaciones son corridas dentro de cada bloque es aleatorio y el orden en que
decidimos cual bloque deber correrse primero es tambin aleatorio.

Note que ambos factores A y B no estn siendo afectados por el bloqueo porque en cada
bloque hay un signo positivo y uno negativo para cada factor, lo que significa que cualquier
diferencia entre el bloque 1 y 2 con respecto a los efectos principales se cancela. Sin embargo
debido a que las combinaciones ab y (1) estn en el bloque 1 y a que las combinaciones a y b
estn en el bloque 2, el efectos del bloque y la interaccin son idnticos, lo que significa que AB
est confundido con los bloques.
Otra forma de verlo es al analizar las tablas de signos positivos y negativos del diseo 2 2.
En esta tabla podemos ver que tocas las combinaciones de tratamientos que tienen signos
positivos en AB son asignadas al bloque 1, mientras que todas las combinaciones de tratamientos
que tienen signos negativos en AB son asignadas al bloque 2. Este enfoque puede ser usado para
confundir trminos del diseo con bloques. La prctica ms comn es confundir la interaccin de
orden ms alto con bloques.

Este esquema puede ser usado para confundir cualquier diseo 2k en dos bloques. Como
un segundo ejemplo considere un diseo 23 en dos bloques. Suponga que deseamos confundir la
interaccin ABC con bloques. La Tabla 7-4 muestra como las combinaciones de tratamientos
que son negativas en ABC son asignadas al bloque 1 y las positivas son asignadas al bloque 2. El
diseo resultante es mostrado en la Figura 7-2. Una vez ms, el nfasis es puesto en que las
combinaciones de tratamientos dentro de cada bloque se corran en forma aleatoria.
Ejemplo 7-2:

Considere un ejemplo en que cuatro factores los cuales incluyen temperatura (A), presin
(B), concentracin de formaldehido (C) y nivel de remocin (D) son estudiados en una planta
qumica para determinar su efecto sobre el nivel de filtracin de un producto. Usaremos este
ejemplo para ilustrar los conceptos de bloqueo y confusin en un diseo no replicado.
Haremos dos modificaciones al experimento, primero suponga que los las 16
combinaciones de tratamientos no pueden ser corridas usando un solo lote de materia prima. El
experimentador puede correr 8 combinaciones de tratamientos por cada lote, lo que significa que
un 24 confundido en 2 bloques parece ser apropiado. El mtodo apropiado es confundir la
interaccin ABCD con los bloques. El diseo es mostrado en la Figura 7-4 a).
Es fcil verificar que las combinaciones de tratamientos que son positivas en ABCD son
asignadas al bloque 1 y las negativas son asignadas al bloque 2. La segunda modificacin es que
introduciremos artificialmente un efecto de bloque de tal forma que la utilidad del bloque sea
demostrada. Suponga que cuando seleccionamos los dos lotes de materias primas uno de ellos es
de menor calidad y como resultado la respuesta ser 20 unidades ms pequea. El lote de
materia prima de mala calidad se convierte en el lote 1 y el de buena calidad se convierte en
el lote 2 (no importa cual llamemos lote 1 o lote 2). La figura 7-4 b) muestra la respuesta
observada

El efecto de los bloques se calcula de la siguiente manera:

 Si no se hubiese introducido el efecto del bloque, el efecto de la interaccin ABCD
hubiera sido ABCD = 1.375 pero como introducimos un efecto de bloque igual a -20, el efecto
de la interaccin se combina con el efecto del bloque, por lo tanto ABCD = 1.375 + (-20) = -
18.625. La tabla 7-6 muestra los efectos de los dems factores y los porcentajes de contribucin

ANOVA tarea
Formas sugeridas de bloqueo:
Factoriales fraccionados
Los experimentadores a menudo utilizan diseos factoriales de 2 niveles para investigar
el efecto de varios factores simultneamente. El nmero total de corridas requeridas por un
diseo factorial completo 2k se incrementa geomtricamente a medida que el nmero de k
factores se incrementa. Esto hace ms deseable el uso de diseos factoriales fraccionados para
reducir el nmero de corridas. Los diseos factoriales fraccionados usan el hecho de que los
sistemas y procesos son principalmente afectados por efectos principales e interacciones de bajo
orden (principio de escases de efectos). El concepto es simple pero altamente beneficioso porque
permite al experimentador confundir los efectos de interacciones de orden superior con
interacciones de bajo orden o inclusive con efectos principales con el objeto de reducir el nmero
de corridas. La prdida de informacin proporcionada por las interacciones de orden superior es
usualmente justificada por los ahorros en dinero, tiempo y recursos que se generan.

Tabla 1. Nmero de corridas y trminos que es posible estimar al hacer el factorial completo

La Tabla 2 muestra un diseo factorial 23 en el que los signos positivos y negativos de la

interaccin ABC son agrupados y usados para dividir el diseo original en dos fracciones; dado
que la interaccin ABC es usada para dividir el diseo en dos partes, esta interaccin es llamada
generador. La fraccin que contiene los signos positivos en ABC es llamada fraccin
principal. En forma adicional, el grupo de columnas que son idnticas a la columna identidad
(columna de 1s en el diseo) es llamado la relacin definidora, en este caso I = ABC.
 Tabla 2: Fraccin principal y fraccin alternativa
Factorial Effects
Treatment
I A B C AB AC BC ABC
Combination
a + + - - - - + +
Principal
Fraction
b + - + - - + - +
c + - - + + - - +
abc + + + + + + + +

ab + + + - + - - -
Alternate
Fraction

ac + + - + - + - -
bc + - + + - - + -
(1) + - - - + + + -

Una consecuencia de usar diseos factoriales fraccionados es la confusin en los efectos,

lo que significa que uno no puede diferenciar entre el efecto de dos o ms columnas debido a que
los mismos niveles de factores fueron usados durante el experimento. Este concepto es claro si
compara las columnas A y BC en la fraccin principal de la Tabla 2.
La estructura de aliases es un arregl que muestra la forma en que los trminos del diseo
quedan confundidos unos con otros. La estructura de aliases se obtiene al multiplicar cada
termino del diseo por cada termino o palabra de la relacin definidora. Por ejemplo, si
multiplicamos A por ABC se genera A*ABC = A2*BC = I*BC = BC, esto significa que el factor
A esta correlacionado con la interaccin BC.
La fraccin resultante es una mitad de un diseo factorial 23 y se conoce como un diseo
fraccionado 23-1 con relacin definidora I = ABC. Si el experimentador hubiese decidido usar la
fraccin alternativa (con signos negativos en ABC) el diseo resultante hubiese sido un 23-1 con
relacin definidora I = -ABC.
Si dos interacciones de orden superior son usadas como generadores es posible construir
cuartas partes de un diseo usando las corridas con signos positivos para los generadores. Para
diseos que contienen un nmero muy grande de factores es posible generar octavas y
dieciseisavas partes sin embargo la estructura de aliases de estas fracciones se vuelve muy
complicada.
Muchos paquetes de software son capaces de crear fracciones en forma automtica, as
como de proporcionar la estructura de aliases. La estructura de aliases para el diseo anterior se
muestra en la Figura1. Note que el efecto de A queda confundido con la interaccin BC, el efecto
de B con AC y el de C con AB.

[Intercept] = Intercept + ABC

[A] = A + BC

[B] = B + AC

[C] = C + AB

Figura 1. Estructura de aliases

La Tabla 3 muestra los generadores recomendados para construir cualquier fraccin.

Tabla 3. Generadores recomendados

Los experimentos fraccionados se basan en tres ideas clave:

1. Principio de escases de efectos: Cuando hay varias variables el sistema o proceso es

probablemente influenciado principalmente por algunos de los efectos principales e
interacciones de bajo orden
2. La propiedad de proyeccin: Los diseos factoriales fraccionados pueden ser
proyectados en un diseo ms grande usando el subgrupo de factores significativos
3. Experimentacin secuencial: Es posible combinar la corridas de dos o ms fracciones
para formar un diseo ms grande que sea capaz de estimar efectos principales e
interacciones de inters

Resolucin
Un concepto importante es el concepto de resolucin (Tabla 4). En general, la resolucin
de un diseo factorial fraccional de dos niveles es igual al nmero ms pequeo de letras
en cualquier palabra de la relacin definidora y es una medida del grado de confusin en el
diseo. Una resolucin alta es preferible pero implica ms corridas, por lo tanto es ms costosa.

Tabla 4. Tipos de resolucin

Resolution III
Main affects are aliased with two-
factor interactions and two-factor
interactions may be aliased with each
other
Resolution IV Resolution V
Two factor interactions are aliased Two-factor interactions are aliased
with each other with three-factor interactions

Aberracin mnima

Montgomery (2009) seala que algunas veces la resolucin por s sola no es suficiente
para distinguir entre diseos ya que algunas veces diseos con la misma resolucin tienen
estructuras de aliases diferentes. El diseo que minimiza el nmero de palabras en la relacin
definidora que son de longitud mnima es llamado un diseo de aberracin mnima. Al
minimizar la aberracin en un diseo simplificamos la estructura de aliases y dejamos libres los
efectos ms importantes (efectos principales e interacciones de segundo orden). Investigacin
previa realizada en esta rea fue capaza de identificar los generadores que producirn un diseo
de aberracin mnima dado un nivel de resolucin deseado. Todos los paquetes de software
utilizan estos generadores. Para mayor informacin vea Montgomery (2009).

Proyecciones:

La propiedad de proyeccin es tambin importante. Este concepto afirma que un diseo

factorial fraccional puede ser proyectado en un diseo ms fuerte al tomar solo los factores
significativos, es decir, al eliminar columnas en el diseo. Esta situacin ocurre solo si el
subgrupo de factores seleccionados no forma una palabra en la relacin definidora.
Cualquier diseo factorial fraccional de resolucin R contiene diseos factoriales completos
(posiblemente replicados) en cualquier subgrupo de R-1 factores

Ejercicio a realizar en clase

1) Crear un 25-1
2) Eliminar factor C
3) Mostrar que el diseo restante es un 24
4) Eliminar la columna D
5) Mostrar que el diseo restante es un 23 con 2 replicas

Bloqueo de factoriales fraccionados:

Ocasionalmente un diseo factorial fraccional requiere tantas corridas que todas ellas no
pueden ser hechas en condiciones homogneas. En estas situaciones, los factoriales fraccionados
pueden ser confundidos en bloques.
Para ilustrar el procedimiento general considere el diseo factorial 26IV2con relacin
definidora I = ABCE = BCDF = ADEF mostrado en la tabla 8-10. Este factorial fraccional
contiene 16 combinaciones de tratamientos. Suponga que deseamos correr este diseo en dos
bloques de 8 combinaciones de tratamientos cada uno. Para seleccionar la interaccin a
confundir con los bloques utilizamos la Tabla XII (f). Al examinar la estructura de aliases de este
diseo nos damos cuenta de que hay cadenas de aliases que contienen solo interacciones de tres
factores. La Tabla sugiere seleccionar ABD (y sus aliases) para ser confundidos con los bloques.
Esto producir los dos bloques mostrados en la figura 8-18.
Ejemplo 8-6

Una mquina de control numrico de 5 ejes es usada para maquinar la hlice de una
turbina de jet. Los perfiles de las aspas son una importante caracterstica de calidad;
especficamente, la desviacin del perfil del aspa del perfil especificado en los dibujos de
ingeniera. Un experimento se corre para determinar que parmetros de la maquina afectan la
desviacin del perfil. Los 8 factores seleccionados para el diseo son:

La desviacin del perfil es medida usando una mquina y la desviacin estndar de las
diferencias entre el perfil real y el perfil especificado es usado como la variable de respuesta. La
mquina tiene 4 mordazas; debido a que existen diferencias significativas en las mordazas, el
ingeniero de procesos siente que las mordazas deberan ser tratadas como bloques.
El ingeniero se siente confiado en que las interacciones de tres factores y las de orden
superior no son muy importantes, pero no desea ignorar las interacciones de dos factores. Dos
diseos parecen ser apropiados, el 28IV 4 con 16 corridas y el 28IV3 con 32 corridas. Si el diseo de
16 corridas es usado habr muchas interacciones de 2 factores correlacionadas unas con otras,
pero an ms importante, no es posible confundir este diseo en 4 bloques sin confundir muchas
interacciones de 2 factores con los bloques. Por lo tanto, el experimentador decide usar el 28IV3
con 32 corridas en 4 bloques ya que este diseo confundir solo una interaccin de 2 factores con
los bloques. Los generadores se pueden encontrar automticamente usando software como se
muestra en la siguiente figura.

Y el diseo resultante est dado por:

2. DISEO ROBUSTO

Un producto robusto es aquel que trabaja como se pretende sin importar la variacin en el
proceso de manufactura, variacin resultado de la deterioracin y variacin en el uso del
producto.
El diseo robusto o diseo paramtrico robusto (Robust Parameter Design, RPD) es un
principio que enfatiza la apropiada seleccin de niveles de factores de control xi en un
sistema, para hacer al producto robusto a la variabilidad introducida por un segundo grupo de
factores llamados factores de ruido zi. El sistema puede ser un proceso o un producto.
Los factores de control son factores que son fciles y baratos de controlar en el diseo del
producto; los factores de ruido son factores que podran afectar la respuesta de inters pero que
son difciles de controlar cuando el producto est siendo manufacturado o cuando est siendo
usado por el cliente (aunque pueden ser controlados para propsitos de experimentacin). Estos
factores de ruido son a menudo funciones de condiciones ambientales, por ejemplo, humedad,
propiedades de materias primas, temperatura, etc.
Los diseos robustos son diseos construidos con un objetivo en mente: comprender que
parmetros de diseo de producto y proceso son crticos para el alcance de una caracterstica de
desempeo con variacin mnima. El diseo de experimentos puede ayudar a determinar estos
parmetros ptimos y por lo tanto ayuda a desarrollar un producto ms robusto (Myers y
Montgomery, 2002).
Montgomery (2009) menciona que existen dos objetivos principales: asegurar que la
media de la respuesta este en cierto valor y asegurar que la variabilidad alrededor de este valor
sea tan pequea como sea posible.

*Actividad por equipos

1.2 Metodologa de Taguchi
Hay dos enfoques principales para experimentacin robusta: El enfoque de Taguchi y el
enfoque tradicional (Box y Bisgaard, 1987). La metodologa de Taguchi para el RPD fue
introducida a principios de los 80s. Esta metodologa gira en torno al uso de diseos ortogonales
donde un arreglo ortogonal que involucra variables de control se cruza con un arreglo ortogonal
que contiene a las variables de ruido.
 Por ejemplo, en un 2222 el 22 para las variables de control es llamado el arreglo interno
y el 22 para las variables de ruido se denomina el arreglo externo.
La metodologa resultante genero mucha discusin y controversia. Parte de la
controversia surgi debido a que la metodologa de Taguchi fue adoptada inicialmente (y
principalmente) por compaas en occidente, y el enfoque estadstico de dicha metodologa no
haba sido adecuadamente revisado.
Montgomery (2005) seala que aunque los conceptos ingenieriles de Taguchi y el
objetivo general de RPD estn bien fundamentados, existen problemas substanciales con esta
estrategia de experimentacin as como con los mtodos de anlisis de informacin. Detalles ms
especficos en estos asuntos pueden ser encontrados en: Box (1988), Box, Bisgaard and Fung
(1988), Hunter (1985), Montgomery (1999), Myers y Montgomery (2002) y Pignatiello y
Ramberg (1992).
Myers y Montgomery (2002) mencionan que muchos de los diseos sugeridos por
Taguchi son diseos Plackett-Burman saturados o aproximadamente saturados que no permiten
al experimentador estimar los efectos de las interacciones entre las variables de control. La figura
1 muestra un arreglo cruzado que ha sido transformado a su forma estndar, note que ninguna
interaccin de control control puede ser calculada cuando se usa este enfoque.
Box (1988) declara que los mtodos estadsticos de diseo y anlisis recomendados por
Taguchi son a menudo innecesariamente ineficientes y complicados, y cuando sea posible,
deberan ser reemplazados por alternativas ms simples y eficientes.
En forma adicional, Myers y Montgomery (2002) comentan que la metodologa de
Taguchi podra estar sujeta a controversia, existen muchas situaciones de la vida real en que
funciona bien si uno est dispuesto a asumir que las interacciones entre las variables de control
no son significativas. En muchas reas de aplicacin esta es una asuncin segura, sin embargo
hay muchas reas en que estas interacciones proporcionan una enorme contribucin al proceso
de modelacin.
Montgomery (2009) menciona que existen dos objetivos esenciales en el RPD: (1)
asegurar que el valor promedio de la respuesta este en un nivel deseado o en un valor objetivo (2)
asegurarse de que la variabilidad alrededor de este valor objetivo sea tan pequea como sea
posible. A menos que exista una interaccin de control por ruido no hay un problema de diseo
robusto. Identificar y modelar estas interacciones es una de las claves para resolver el RPD.
 1 2 3 4 Factors
Z1 - + - + Run X1 X2 X3 Z1 Z2 Z3 [Intercept] = Intercept+ X1X2X3 + Z1Z2Z3
Z2 - - + + 1 -1 -1 1 -1 -1 1 [X1] = X1 + X2X3
Z3 + - - + 2 -1 -1 1 1 -1 -1 [X2] = X2 + X1X3
X1 X2 X3 3 -1 -1 1 -1 1 -1 [X3] = X3 + X1X2
1 - - + * * * * 4 -1 -1 1 1 1 1 [Z1] = Z1 + Z2Z3
2 + - - * * * * 5 1 -1 -1 -1 -1 1 [Z2] = Z2 + Z1Z3
3 - + - * * * * 6 1 -1 -1 1 -1 -1 [Z3] = Z3 + Z1Z2
4 + + + * * * * 7 1 -1 -1 -1 1 -1 [X1Z1] = X1Z1 + X1Z2Z3 + X2X3Z1
8 1 -1 -1 1 1 1 [X1Z2] = X1Z2 + X1Z1Z3 + X2X3Z2
9 -1 1 -1 -1 -1 1 [X1Z3] = X1Z3 + X1Z1Z2 + X2X3Z3
10 -1 1 -1 1 -1 -1 [X2Z1] = X2Z1 + X1X3Z1 + X2Z2Z3
11 -1 1 -1 -1 1 -1 [X2Z2] = X2Z2 + X1X3Z2 + X2Z1Z3
12 -1 1 -1 1 1 1 [X2Z3] = X2Z3 + X1X3Z3 + X2Z1Z2
13 1 1 1 -1 -1 1 [X3Z1] = X3Z1 + X1X2Z1 + X3Z2Z3
14 1 1 1 1 -1 -1 [X3Z2] = X3Z2 + X1X2Z2 + X3Z1Z3
15 1 1 1 -1 1 -1 [X3Z3] = X3Z3 + X1X2Z3 + X3Z1Z2
16 1 1 1 1 1 1

Figura 1. El arreglo cruzado en forma estndar

Hubo varios resultados positivos de la controversia de Taguchi. Primero, los

experimentos diseados se volvieron de uso comn en la industria automotriz, aeroespacial, de
electrnicos y de semiconductores as como muchas otras industrias que haban hecho poco uso
de esta tcnica. Segundo, la cuarta era del diseo experimental comienza, esta era incluye un
renovado inters en el diseo estadstico por investigadores y practicantes as como el desarrollo
de muchos nuevos enfoques para experimentacin industrial. Dichos enfoques incluyen
alternativas a los mtodos de Taguchi y permiten tomar su concepto ingenieril y aplicarlo
eficiente y efectivamente. Tercero, la educacin formal en diseo experimental estadstico se
vuelve parte de muchos programas de ingeniera tanto a nivel licenciatura como en posgrado.

1.3. Diseos de arreglo cruzado

La metodologa original de Taguchi para el problema RPD gira en torno al uso de un

diseo estadstico para las variables de control y otro diseo estadstico para las variables de
ruido. Despus estos dos diseos se cruzan, lo que significa que cada combinacin de
tratamientos en el diseo para las variables de control se corre para cada combinacin de
tratamientos en el diseo de las variables de ruido. Este tipo de diseo experimental se denomina
diseo de arreglo cruzado.
 Ejemplo: Considere un experimento en el que cinco factores fueron estudiados para
determinar su efecto sobre la altura libre de una suspensin automotriz. Los factores son: A
(temperatura de horneado), B (Tiempo de horneado), C (Tiempo de transferencia), D (Tiempo de
enfriamiento), E (Temperatura del aceite). Este es un problema robusto porque la temperatura del
aceite es una variable ruidosa.
La informacin para este experimento se muestra en la Tabla 1.el diseo para los factores
controlables es un factorial fraccionado 24-1 con generador D=ABC, este diseo de denomina
arreglo interno. El diseo para el nico factor de ruido es simplemente un 21 y es llamado arreglo
externo. Note que cada uno de los 16 puntos del diseo esta replicado 3 veces, resultando en un
total de 48 observaciones.

Una importante caracterstica del arreglo cruzado es que proporciona informacin sobre
las interacciones entre factores de control y factores de ruido. Estas interacciones son cruciales
para solucionar el problema RPD.
La Tabla 12.2 presenta otro ejemplo de un problema de RPD tomado de Byrne y Taguchi
(1987). Este problema involucra el desarrollo de un conector. Existe cuatro variables
controlables, cada una a tres niveles: A (interferencia), B(grueso de la pared del conector),
C(profundidad de insercin), D(porcentaje de adhesivo), y tres factores de ruido, cada uno dos
niveles E(tiempo de acondicionamiento), F(temperatura de acondicionamiento), G( humedad
relativa de acondicionamiento). Note que el diseo para las variables de control es un 34-2 y el
diseo para las variables de ruido es un 23.

1.3.1 Anlisis del arreglo cruzado

Taguchi propuso resumir la informacin del arreglo cruzado con dos estadsticos, el
promedio de cada observacin en el arreglo interno a lo largo de todas las corridas del arreglo
externo y un estadstico que intentaba combinar informacin sobre la media y varianza llamado
ndice de seal-ruido. Los ndices de seal a ruido son estn diseados de tal forma que un valor
mximo del ndice minimiza la variabilidad transmitida por las variables de ruido. Despus un
anlisis es realizado para determinar que niveles de los factores controlables resultan en una
media tan cercanamente posible al valor objetivo y un valor mximo del ndice seal-ruido.
Los ndices de seal a ruido son problemticos porque pueden confundir los efectos de
localizacin y dispersin y con frecuencia no producen los resultados deseados.
Un anlisis ms apropiado para el arreglo cruzado es modelar la media y varianza
de la respuesta directamente, donde la media muestral y la varianza muestral para cada
observacin en el arreglo interno son calculadas a lo largo de todas las corridas del arreglo
externo. Por lo tanto, escoger los niveles de los factores controlables para optimizar la media y
simultneamente minimizar la variabilidad es un enfoque valido.
Para ilustrar este enfoque considere el experimento presentado en la Tabla 12.1, las

ltimas dos columnas de esta tabla muestran La medias mustrales y i y las varianzas mustrales

si2 para cada corrida en el arreglo interno. La Figura 12.2 es el grafico de probabilidad

seminormal de los efectos para la media. Claramente los factores A, B y D tienen efectos
importantes. Dado que estos efectos estn correlacionados con interacciones de tres factores es
razonable concluir que los efectos pertenecen a los factores A, B y D y no a las interacciones.

El modelo para la media est dado por:

y i 7.63 0.12 x1 0.081x2 0.044 x4

 Debido a que la varianza muestral no sigue una distribucin normal (sino chi cuadrada),
es mejor analizar el logaritmo natural de la varianza. La Figura 12.3 es el grafico de probabilidad
seminormal de los efectos del in( si2 ) . El nico efecto significativo es B.

El modelo para l ln( si2 ) est dado por

ln( si2 ) 3.74 1.09 x2

Despus de realizar una optimizacin simultanea (Figura 12.4) se llega a la conclusin de

que el factor A debe ser colocado a nivel alto, el B a 0.63 y el D a nivel alto. Una desventaja del
enfoque de modelar la media y la varianza usando el arreglo cruzado es que no toma ventaja
directa de las interacciones entre variables de control y variables de ruido. En algunas situaciones
puede enmascarar estas relaciones. Adems existe una alta probabilidad de que la varianza tenga
una relacin no lineal con los efectos controlables y esto puede complicar el proceso de
modelado.
 Figura 12.4 Optimizacin simultanea

1.4. Resolucin Mixta

El enfoque tradicional modela ambas x (variables de control) y z (variables de ruido) en

el mismo modelo y ha sido llamado un enfoque de modelo de respuesta. Si las variables de
control son predominantemente continuas, es posible formar una superficie de respuesta dual en
que una superficie de respuesta para la media y una superficie de respuesta para la varianza del
proceso son generadas.

El enfoque tradicional tambin hace nfasis en la importancia de las interacciones de

control ruido porque estas interacciones determinan la naturaleza de no homogeneidad de la
varianza del proceso que caracteriza el RPD (Myers y Montgomery, 2002). Una clase importante
de diseo de arreglo combinado es el diseo de resolucin mixta. Considere un diseo robusto
con 6 factores a dos niveles, 3 de ellos son factores de control (A, B y C) y 3 de ellos son
factores de ruido (D, E and F). El diseo de resolucin mixta es una fraccin que es construida al
hacer una correcta seleccin de generadores de tal forma que una resolucin ms alta sea
otorgada a interacciones de control ruido y control control y una resolucin ms baja es
asignada a interacciones de ruido ruido.
 Considere el caso de un diseo 262 de resolucin mixta que asigna resolucin III a
interacciones de ruido ruido. Y resolucin IV al resto de las interacciones. Dicho diseo es
construido al hacer uso de la relacin definidora I = X1X2X3Z1 = Z1Z2Z3 = X1X2X3Z2Z3. El diseo
y su estructura de aliases son mostrados en la Figura 2.

[Intercept] = Intercept
[x1] = x1
262 [x2] = x2
[x3] = x3
[z1] = z1 + z2z3
[z2] = z2 + z1z3 Resolution III
[z3] = z3 + z1z2
[x1x2] = x1x2 + x3z1
[x1x3] = x1x3 + x2z1
[x2x3] = x2x3 + x1z1
[x1z2] = x1z2
[x1z3] = x1z3
[x2z2] = x2z2
[x2z3] = x2z3
[x3z2] = x3z2
[x3z3] = x3z3

Figura 2. Un diseo de resolucin mixta y su correspondiente estructura de aliases

1.5 Seleccin de generadores

Borkowsky y Lucas (1997) proveen un catlogo de generadores de diseos de resolucin

mixta (Tabla 1). El catalogo se usa de la siguiente manera: Suponga que un experimento con 4
factores de control (A, B, C, D) y 3 factores de ruido (E, F, G) va a realizarse. Debido a que el
diseo contiene 7 factores (K=7) y 4 de estos factores son control (C =4), el diseo 7B el cual es
un 27-2 debera ser usado y los generadores para construir esta fraccin son: F = ABCD and G =
ABCDE. La columna resolucin se refiere a la resolucin entre los factores de ruido (en este
caso resolucin III indica que los efectos principales de los factores de ruido estn confundidos
con las interacciones de ruido ruido)
 Tabla 1. Generadores de Diseos de Resolucin Mixta (Borkowsky and Lucas, 1997)

Ejercicio: Determine la resolucin de los siguientes diseos (III, IV o V)

Recuerde:
Resolucin III: ME estn correlacionados con 2FI
Resolucin IV: 2FI estn correlacionadas con 2FI
Resolucin V: 2FI estn correlacionadas con 3FI
[Intercept] = Intercept
[A] = A + BCG + BDH + BEF + CDF + CEH + DEG + FGH [Intercept] = Intercept + ABD + ACE
[B] = B + ACG + ADH + AEF + CDE + CFH + DFG + EGH [A] = A + BD + CE
[C] = C + ABG + ADF + AEH + BDE + BFH + DGH + EFG [B] = B + AD + CDE
[D] = D + ABH + ACF + AEG + BCE + BFG + CGH + EFH [C] = C + AE + BDE
[E] = E + ABF + ACH + ADG + BCD + BGH + CFG + DFH [D] = D + AB + BCE
[F] = F + ABE + ACD + AGH + BCH + BDG + CEG + DEH [E] = E + AC + BCD
[G] = G + ABC + ADE + AFH + BDF + BEH + CDH + CEF [BC] = BC + DE + ABE + ACD
[H] = H + ABD + ACE + AFG + BCF + BEG + CDG + DEF [BE] = BE + CD + ABC + ADE
[AB] = AB + CG + DH + EF
[AC] = AC + BG + DF + EH
[AD] = AD + BH + CF + EG
[AE] = AE + BF + CH + DG
[AF] = AF + BE + CD + GH
[AG] = AG + BC + DE + FH
[AH] = AH + BD + CE + FG

[Intercept] = Intercept
[A] = A [Intercept] = Intercept + AFJ + BGJ + CHJ + DEJ
[B] = B [A] = A + FJ + BCE + BDH + BFG + CDG + CFH + DEF + EGH
[C] = C [B] = B + GJ + ACE + ADH + AFG + CDF + CGH + DEG + EFH
[D] = D [C] = C + HJ + ABE + ADG + AFH + BDF + BGH + DEH + EFG
[E] = E [D] = D + EJ + ABH + ACG + AEF + BCF + BEG + CEH + FGH
[AB] = AB + CDE [E] = E + DJ + ABC + ADF + AGH + BDG + BFH + CDH + CFG
[AC] = AC + BDE [F] = F + AJ + ABG + ACH + ADE + BCD + BEH + CEG + DGH
[AD] = AD + BCE [G] = G + BJ + ABF + ACD + AEH + BCH + BDE + CEF + DFH
[AE] = AE + BCD [H] = H + CJ + ABD + ACF + AEG + BCG + BEF + CDE + DFG
[BC] = BC + ADE [J] = J + AF + BG + CH + DE
[BD] = BD + ACE [AB] = AB + CE + DH + FG + AGJ + BFJ + CDJ + EHJ
[BE] = BE + ACD [AC] = AC + BE + DG + FH + AHJ + BDJ + CFJ + EGJ
[CD] = CD + ABE [AD] = AD + BH + CG + EF + AEJ + BCJ + DFJ + GHJ
[CE] = CE + ABD [AE] = AE + BC + DF + GH + ADJ + BHJ + CGJ + EFJ
[DE] = DE + ABC [AG] = AG + BF + CD + EH + ABJ + CEJ + DHJ + FGJ
[AH] = AH + BD + CF + EG + ACJ + BEJ + DGJ + FHJ
[Intercept] = Intercept + ABC [Intercept] = Intercept
[A] = A + BC [A] = A + BCE + DEF
[B] = B + AC [B] = B + ACE + CDF
[C] = C + AB [C] = C + ABE + BDF
[D] = D + AEF + BCF
[E] = E + ABC + ADF
[F] = F + ADE + BCD
[AB] = AB + CE
[AC] = AC + BE
[AD] = AD + EF
[AE] = AE + BC + DF
[Intercept] = Intercept
[AF] = AF + DE
A
[BD] = BD + CF
B
[BF] = BF + CD
C
[ABD] = ABD + ACF + BEF + CDE
D
[ABF] = ABF + ACD + BDE + CEF
E
AB
AC
AD
AE
BC
BD
BE
CD
CE
DE
ABC
ABD
ABE
ACD
ACE
ADE
BCD
BCE
BDE
CDE
ABCD
ABCE
ABDE
ACDE
BCDE
ABCDE
Ejercicio: Crear el diseo de resolucin mixta sugerido en la seccin 4 (utilizar el software,
cambiar los generadores y crear el diseo)

A B C D E F G
[Intercept] = Intercept + EFG
-1 -1 -1 -1 -1 1 -1 [A] = A
1 -1 -1 -1 -1 -1 1 [B] = B
-1 1 -1 -1 -1 -1 1 [C] = C
1 1 -1 -1 -1 1 -1 [D] = D
-1 -1 1 -1 -1 -1 1
[E] = E + FG
1 -1 1 -1 -1 1 -1
-1 1 1 -1 -1 1 -1
[F] = F + EG
1 1 1 -1 -1 -1 1 [G] = G + EF
-1 -1 -1 1 -1 -1 1 [AB] = AB + CDF
1 -1 -1 1 -1 1 -1 [AC] = AC + BDF
-1 1 -1 1 -1 1 -1 [AD] = AD + BCF
1 1 -1 1 -1 -1 1
[AE] = AE + AFG
-1 -1 1 1 -1 1 -1
1 -1 1 1 -1 -1 1 [AF] = AF + AEG + BCD
-1 1 1 1 -1 -1 1 [AG] = AG + AEF
1 1 1 1 -1 1 -1 [BC] = BC + ADF
-1 -1 -1 -1 1 1 1 [BD] = BD + ACF
1 -1 -1 -1 1 -1 -1
[BE] = BE + BFG
-1 1 -1 -1 1 -1 -1
[BF] = BF + ACD + BEG
1 1 -1 -1 1 1 1
-1 -1 1 -1 1 -1 -1 [BG] = BG + BEF
1 -1 1 -1 1 1 1 [CD] = CD + ABF
-1 1 1 -1 1 1 1 [CE] = CE + CFG
1 1 1 -1 1 -1 -1 [CF] = CF + ABD + CEG
-1 -1 -1 1 1 -1 -1
[CG] = CG + CEF
1 -1 -1 1 1 1 1
-1 1 -1 1 1 1 1
[DE] = DE + DFG
1 1 -1 1 1 -1 -1 [DF] = DF + ABC + DEG
-1 -1 1 1 1 1 1 [DG] = DG + DEF
1 -1 1 1 1 -1 -1 [ABE] = ABE + CDG
-1 1 1 1 1 -1 -1 [ABG] = ABG + CDE
1 1 1 1 1 1 1
[ACE] = ACE + BDG
[ACG] = ACG + BDE
[ADE] = ADE + BCG
[ADG] = ADG + BCE

Tarea para el jueves: Obtener la estructura de aliases de aberracin mnima para este
diseo
Ejercicio: Mostrar cmo se hara en Excel
1.6. Historia de la calidad

1800-1889

1839 Se funda en Estados Unidos la American Statistical Association (ASA)

1875 La distribucin simtrica descubierta por Moivre en 1733 Se denomina
distribucin normal por Peirce, Francis Galton y Lexis.

1890-1899

La American Statistical Association (ASA) comienza a publicar en 1888 el Journal of

the American Statistical Association (JASA). Se concentra en aplicaciones estadsticas,
teora y mtodos en ciencias econmicas, sociales, fsicas, de ingeniera y de la salud y
sobre nuevos mtodos de educacin estadstica. Libros relativos al avance estadstico
tambin son revisados ISSN: 0162-1459
1894 Karl Pearson introduce el mtodo de momentos para analizar distribuciones de
probabilidad que resulten de mezclas de distribuciones normales.
1895 K. Pearson llama Histograma literalmente del griego barras dibujadas a la
representacin grfica de una distribucin de frecuencias observadas por intervalos.
1896 Karl Pearson propone un sistema de curvas de distribucin.
1896 K. Pearson desarrolla la regresin y correlacin normal para aplicar en problemas
de herencia gentica.

1900-1909

1900 Karl Pearson publica la prueba ji cuadrada (2) de bondad de ajuste.

1901 Francis Galton, Walter Frank Raphael Weldon y Karl Pearson fundan la revista
Biometrika para el desarrollo de la Teora Estadstica.
1901 Karl Pearson publica el primer artculo sobre la tcnica de Anlisis de componentes
Principales
1908 en la revista Biometrika William Sealy Gosset bajo el seudnimo de Student
publica la descripcin de la distribucin t de Student que sirve de base para las pruebas
de hiptesis para medias cuando se estima la desviacin estndar, es un paso fuerte para
la inferencia estadstica.

1910-1919

1911 Karl Pearson funda el primer departamento de Estadstica en London College

University
1919 Fisher acepta el trabajo de estadstico en una estacin agrcola impulsado por el
disgusto que tiene Karl Pearson con l. Generar el inicio de la inferencia estadstica
moderna.
1920-1924

1922 Prueba exacta de Fisher para tablas de contingencia

1924 Walter Shewhart inventa las grficas de control, le devuelve al obrero la capacidad
de tomar decisiones sobre el proceso, usando un ciclo de Planear el trabajo, Hacerlo,
Verificar si est bien y Actuar la correccin si no est bien. Lo describe en un memorando
el 16 de mayo de 1924.
1924 Juran consigui un trabajo en el departamento de inspeccin de la Western Electric
Company, la divisin de fabricacin de AT&T bajo las ordenes de Shewhart.

1925-1929

1925 Se publica el libro de Fisher Statistical Methods for Research Workers. Adems
del artculo "Applications of "Student's" distribution". Culmina el trabajo previo de
Fisher quien adems del anlisis de la varianza invent la tcnica de mxima
verosimilitud y origin el concepto de suficiencia, consistencia, eficiencia, la distribucin
F, el discriminador lineal de Fisher y la informacin de Fisher.
1925-1926 En Western Electric se desarrollan: Tablas de muestreo LTPD, la terminologa
de muestreo de aceptacin (riesgo del consumidor, riesgo del producto, probabilidad de
aceptacin, curvas OC, LTPD, muestreo doble).
1927 Deming inicia su colaboracin con Walter A. Shewhart en Laboratorios Bell
(Western Electric). El equipo con Shewhart desarrolla tablas de muestreo de lmite
promedio de calidad de salida (AOQL) y muestreo mltiple.
1928 Se inventa el sistema de calificacin de demritos.

1930-1934

1930 Se forma en Estados Unidos el Comit Conjunto Para el Desarrollo de

Aplicaciones Estadsticas en Desarrollo y Manufactura por ASME, ASTM, AIEE, ASA
y AMS
1931 Hotelling publica una generalizacin multivariable de la distribucin t de Student.
H.
Kolmogorov matemtico en la Unin Sovitica publica en alemn en 1933 Los
Fundamentos de la Teora de Probabilidad.
1933 publicacin de On the Problem of the Most Efficient Tests of Statistical
Hypotheses por Jerzy Neyman y Egon Pearson (hijo de Karl Pearson), resume la
evolucin de un intercambio de trabajo que comenz en 1928, es la base del lema de
Neyman Pearson.
En Europa la intolerancia de los gobiernos totalitarios expulsa cientficos e intelectuales:
William Feller llega a la Universidad de Princeton, Abraham Wald a la Universidad de
Columbia. Herman Hartley y Richard von Mises van a Londres. Emil J. Gumbel escapa a
Francia. Emmy Noether obtiene una posicin temporal en el Bryn Mawr College en
Pennsylvania.
1935-1939

Fisher publica en 1935 Design of Experiments, en el captulo 2 est el caso de la dama

que probaba el t.
1935 Egon Pearson desarrolla el estndar britnico BS 600:1935 "Aplicacin de Mtodos
Estadsticos a la Estandarizacin Industrial y el Control de Calidad".
1936 Hotelling publica el primer artculo sobre Anlisis de Correlacin Cannica.
1936 Mahalanobis publica la definicin de la distancia de Mahalanobis.
1936 Wilks publica la distribucin lambda, el equivalente de la distribucin F para el
caso multivariante.
1939 Deming edita las conferencias de Shewhart sobre Control Estadstico del Proceso en
la obra Statistical Method from the Viewpoint of Quality Control
1939 Romig entrega su tesis doctoral en la Universidad de Columbia sobre "Promedios
permisibles en la inspeccin por muestreo"
1939 En Suecia Waloddi Weibull propone el uso de la distribucin que lleva ahora su
nombre. Esta distribucin se aplica ampliamente en la ingeniera de confiabilidad.

1940-1944

1940 Deming desarrollado las tcnicas de muestreo que se utilizaron por primera vez en
el Censo de EE.UU.
1940 Se forman en Inglaterra los grupos de Investigacin de Operaciones, formados por
cientficos, para asesorar las operaciones militares. Encabezados por el fsico Blackett.
1940 Se publican las tablas de Dodge y Romig "Tablas de Inspeccin por Muestreo"
1941 Juran estudia a Vilfredo Pareto y propone el principio de Pocos vitales y muchos
triviales, entre otras cosas para explicar las causas de variacin.
1942 Se publica el American War Standards (American Standards Association ZI.1-3 )
auspiciado por el Grupo de Investigacin Estadstica formado por: K. J. Arnold, R. F.
Bennett, J. H. Bigelow, A. H. Bowker, C. Eisenhart, H. A. Freeman, M. Friedman, M. A.
Girshick, M. W. Hastay, H. Hotelling, E. Paulson, L. J. Savage, G. J. Stigler, A. Wald, W.
A. Wallis, y J. Wolfowitz
1942 Isaac Asimov comienza a publicar los relatos de la novela Fundacin, donde por
primera vez el hroe es un profesor de estadstica: Hari Seldon. La novela se publicar en
forma de libro en 1951. El personaje aparecer como protagonista en cuando menos 5
novelas ms.
1943 Wald miembro del Grupo de Investigacin Estadstica propone su nueva teora de
muestreo secuencial.

1945-1949

1945 Abraham Wald obtiene permiso del gobierno de Estados Unidos para publicar el
artculo sobre las pruebas de hiptesis secuenciales desarrolladas por l durante la guerra
inspirado por el trabajo de Neyman y Pearson
J. W. Tukey en 1945 toma el puesto de profesor de Estadstica en Princenton, al mismo
 tiempo entra a trabajar a los Laboratorios Bell y participa en trabajos con el gobierno.
1946 La Sociedad Americana para el Control de Calidad (American Society for Quality
Control ASQC) se forma en Febrero 16. Hoy se conoce como ASQ. Publican la revista
Industrial Quality Control.
1946 En Londres se forma la Organizacin Internacional para la Estandarizacin ISO,
su sede permanente esta en Ginebra, Suiza. La ISO emite estndares de sistemas de
administracin que dan los requerimientos para los sistemas de administracin de calidad.
Wilcoxon publica la primera versin de la prueba no paramtrica para comparar dos
distribuciones de forma equivalente a la prueba t para dos muestras independientes; en
1947 Mann y Whitney publicarn la prueba extendida para tamaos desiguales de
muestra.
En 1946, R.L. Plackett y J.P. Burman publicaron "El diseo de experimentos ptimo
multifactorial" en Biometrika (vol. 33)
Harald Cramr publica Mathematical Methods of Statistics en la Universidad de
Princeton, conjunta la teora estadstica de Fisher con el desarrollo de la teora de
probabilidad.
1948 Las tres mayores encuestadoras polticas predicen en base a muestreo el triunfo para
presidente de Estados Unidos del candidato Dewey sobre el candidato Truman, Se
equivocaron. La Estadstica es noticia.

1950-1954

1950 Deming entrena en Japn a cientos de ingenieros, administradores y estudiosos en

el control de procesos estadsticos (SPC) y los conceptos de calidad
1950 Junta de Directores de la JUSE cre el Premio Deming.
1950 Abraham Wald unifico el trabajo sobre teora de estimacin creando una
generalizacin conocida como teora de decisin, donde diferentes propiedades tericas
producen diferentes criterios para las estimaciones.
1950 Se emite el estndar militar americano de muestreo de aceptacin MIL-STD-105A
1951 Manual de Control de Calidad de Juran, publicado por primera vez en 1951, se
convirti en la obra de referencia para la formacin y la gestin en el campo.
1951 Box y Wilson publican el concepto de superficie de respuesta.
1952 Se publica la prueba de Anderson-Darling por Theodore Wilbur Anderson y
Donald A. Darling, es una prueba estadstica para ver si hay evidencia de que una
muestra de datos no surge de una distribucin de probabilidad dada. Se usa mucho la
versin para probar normalidad.
1954 Juran da cursos en Japn a la alta gerencia y gerencia media, continuar hasta 1990
visitando Japn
Leonard J. Savage Publica The Foundations of Statistics Es la referencia de los
estadsticos Bayesianos, presenta un marco riguroso a la toma de decisiones estadsticas
basndose en la tcnica de utilidad de Von Neumann Morgenstern y el clculo de
probabilidad subjetiva de De Finetti.

1955-1959
 1959 En estados Unidos se desarrolla el estndar Mil-Q-9858a (Quality Program
Requirements), el primer estndar de calidad para proveedura militar. Estableca lo que
tenan que hacer los proveedores para lograr conformidad de requerimientos.
ASA y ASQ publican desde 1959 la revista Technometrics. Es trimestral y contribuye al
desarrollo y uso de mtodos estadsticos en las ciencias fsicas, qumicas y de ingeniera,
describe nuevas tcnicas estadsticas; ilustra aplicacin innovadora de mtodos
estadsticos conocidos, o revisa mtodos, dificultades o filosofas en reas particulares de
la estadstica o la ciencia ISSN: 0040-1706
Tukey publica en 1959 en el primer nmero de Technometrics: Una prueba de dos
muestras, rpida y compacta, a especificacin de Duckworth. Shainin la comercializa
como prueba B vs. C.

1960-1964

1960 Se publica el modelo Box - Behnken para superficie de respuesta.

Genichi Taguchi gana en 1960 el Premio Deming de Japn por su contribucin en la
ingeniera de calidad con el libro Diseo de Experimentos para Ingenieros; en la
segunda edicin introduce el concepto de Seal a Ruido.
1961 Los primeros lenguajes generales de simulacin fueron GPSS (General Purpose
Simulations System) en IBM por Geoffrey Gordon y SIMSCRIPT en la corporacin
RAND por Harry Markowitz.
1962 Tukey invita a Taguchi a visitar Princeton y dar una pltica en Laboratorios Bell,
tiene poco impacto.
1962 Kaouru Ishikawa introduce el concepto de Crculos de Calidad, extiende en Japn
la preparacin y ataque a problemas de la calidad a los operadores en el piso (Genba),
hasta antes slo era para niveles gerenciales, publica Genba no QC Shuho donde
aparecen propuestas las herramientas bsicas de calidad: Papel de probabilidad binomial,
diagrama causa y efecto, hoja de comprobacin, grfica de control, histograma, diagrama
de Pareto, diagrama de dispersin y la estratificacin.
1964 Juran publica Managerial Breakthrough basado en el trabajo de la antroploga
Margaret Mead
1964 Box y Cox publican la transformacin que lleva su nombre.

1965-1969

1965 Prueba Shapiro - Wilk para normalidad publicada por Samuel Shapiro y Martin
Wilk
1967 Juran publica Management of Quality Control
SPSS (originalmente, Statistical Package for the Social Sciences) fue lanzado en 1968,
desarrollado por Norman H. Nie y Hadlai C. Hull.
1968 La Organizacin del Tratado del Atlntico del Norte (OTAN) adopt las
especificaciones AQAP (Allied Quality Assurance Procedures Procedimientos de
Aseguramiento de Calidad Aliados) estndares para los proveedores del equipo de la
OTAN.
 1968 La revista Industrial Quality Control se reemplaza por dos nuevas publicaciones
de la ASQC, Quality Progress y The Journal of Quality Technology.

1970-1974

Tukey publica en 1970 Exploratory Data Analyisis (EDA)

Juran publica en 1970 Quality Planning and Analysis
1970 Primera edicin de Time Series Analysis; Forecasting and Control por Box y
Jenkins
13 de abril de 1970, el mdulo de exploracin lunar, se utiliza como bote salvavidas para
que los astronautas de la misin a la luna, Apolo 13, puedan regresar a salvo a la tierra.
Se reconoce en parte que el plan de confiabilidad de Dorian Shainin aseguro que el
modulo lunar resistiera los esfuerzos ms all de que se haba planeado.
1972 John A Nelder y Robert W. Wedderburn, publican "Generalized linear models" que
generaliza la regresin lineal
1972 Se lanza MINITAB paquete estadstico iniciado por Barbara F. Ryan, Thomas A.
Ryan, Jr. y Brian L. Joiner de Penn State.
1972 Los Doctores Yoji Akao, Shigeru Mizuno y Furukawa desarrollan una matriz para
relacionar las necesidades del cliente y las caractersticas de calidad en Astilleros Kobe,
es el inicio de la matriz para el Despliegue de la Funcin de Calidad (QFD).
1973 Box y Tiao publican Bayesian Inference in Statistical Analysis.
1973 Benzcri publica su libro sobre Anlisis de Correspondencia.
1974 Stephens encuentra que el estadstico de la prueba Anderson Darling tiene mayor
potencia para detectar normalidad
1974 La Institucin Britnica de Estndares (BSI) public el estndar BS 5179, Guas
para Aseguramiento de Calidad.

1975-1979

1975 Dorian Shainin se retira de Rath Strong como vicepresidente y funda su firma de
consultora junto con su hijo Peter Shainin.
En Laboratorios Bell (1975-1976) se inicia en los departamentos de investigacin
estadstica el desarrollo del lenguaje S, para interactuar con los datos y usar el EDA de
Tukey, John Chambers y Rick Becker llevarn el esfuerzo a lo largo de los aos.
1976 SAS Institute, Inc. Fue incorporado por Anthony J. Barr, James Goodnight, John
Sall y Jane T. Helwig.
1976 La Unin Japonesa de Cientficos e Ingenieros (JUSE) encarga a un comit la
bsqueda de herramientas para promover la innovacin, comunicar informacin y planear
exitosamente proyectos; Las 7 nuevas herramientas de calidad para la administracin.
1978 Box con Hunter y Hunter publican Statistics for Experimenters: An Introduction to
Design, Data Analysis, and Model Building
1979 En el Reino Unido se publica el estndar BS 5750 por BSI para tener un documento
de contrato comn entre todas las industrias para demostrar que se tena la produccin
con control de calidad.
 1979 Aparece la primera Hoja de Clculo para computadora: Visi-Calc, hojas populares
han sido Lotus 123, EXCEL y Gnumeric.

1980-1984

1980 Juran publica Upper Management and Quality

1980 Taguchi visita nuevamente los Laboratorios Bell (estuvo en 1962, no lo
entendieron) provoca un entusiasmo por sus mtodos y lo adoptan ingenieros en ITT,
Boeing, Xerox y Ford
1980 Statgraphics un paquete estadstico fue creado en 1980 por el Dr. Neil Polhemus.
1981 IBM lanza la primera computadora personal, con sistema operativo de Microsoft y
procesador de Intel. Aunque Atari y Apple haban iniciado, la PC de IBM creo el
mercado.
1981 Laboratorios Bell distribuye el lenguaje estadstico S para uso educativo.
1981 Ford Motor Company fue una de las primeras corporaciones estadounidenses a
buscar la ayuda de Deming. Deming no habl de la calidad, sino de gestin. Le dijo a
Ford que las acciones de gestin fueron responsables de 85% de todos los problemas en
el desarrollo de mejores coches.
1981 Norman Bodek inicia misiones de hombres de negocios estadounidenses a plantas
en Japn: descubre: el Sistema Toyota de Produccin
1982 Deming publica Out of Crisis donde aparecen explicados sus 14 puntos. El Grupo
de Accin de la Industria Automotriz (AIAG - Automotive Industry Action Group) se
funda en 1982 por Gerentes de Chrysler, Ford Motor Company y General Motors.
1983 Taguchi es el director ejecutivo del Ford Supplier Institute, despus nombrado como
American Supplier Institute
1983 Norman Bodek inicia la impresin de obras traducidas al Ingls del Japons sobre la
gestin Japonesa en la editorial Productivity.

1985-1989

1985 se presentan por Kackar y discuten las ideas de Taguchi en el Journal of Quality
Technology
1985 la Fundacin Nacional de Ciencia de EE.UU. (NSF) construye una red de conexin
de computadores de universidades (NSFNET)
1986 Se publica en Ingls Zero Quality Control: Source Inspection and the Poka-Yoke
System de Shigeo Shingo; se describe el sistema a prueba de errores como alternativa
al control estadstico de calidad por uno de los creadores del Sistema Toyota de
Produccin.
1986 Un artculo por Main y Langan en la revista Fortune identifica como gurs de la
calidad, actuando en las empresas grandes de Estados Unidos, a: Deming, Juran, Shainin,
Taguchi, Feigenbaum y Crosby.
15 de enero 1987, Motorola dirigida por Bob Galvin anunci oficialmente el lanzamiento
de Seis Sigma y establece la meta de Seis Sigma: el logro de 3.4 defectos por milln de
oportunidades. La idea parte de Bill Smith Ingeniero Snior y Gerente de Calidad.
 1987 El congreso de EE.UU. establece el premio de calidad The Malcolm Baldrige
National Quality Award con la ASQC como administrador conjunto.
1987 La Organizacin Internacional de Estndares (ISO) publica el estndar de
aseguramiento de calidad ISO 9000:1987 que tiene la misma estructura que el estndar
del Reino Unido BS 5750 publicado por BSI.
1987 Se desarrolla la primera sesin en EE.UU. de Kaizen Blitz 5 das y una noche
por la compaa Shingijutsu, fundada por Yoshiki Iwata y Nakao que fueron directivos de
Toyota. Se realiza en una planta en Bloomfield Connecticut. Promueve y participa
Norman Bodek.
1988 Se aprueba la conexin de la red de computadoras de investigacin NSFNET con
operaciones de inters comercial. Inicia el Internet.
1988 aparece el libro azul The New S Language de Becker, Chambers y Wilks Se
redefine el lenguaje S.
1988: S-PLUS es producido por primera vez por la compaa Statistical Sciences, Inc.
Fundador y nico dueo es R. Douglas Martin, profesor de estadstica en la Universidad
de Washington, Seattle. Basndose en el lenguaje S de Laboratorios Bell.
1988 se publica en Ingls Management for Quality Improvement (the 7 new QC tools)
editado por el Dr. Shigeru Mizuno, es la descripcin de las siete herramientas de calidad
para la administracin (publicacin original en Japons en 1979, sobre un encargo hecho
por la Unin Japonesa de Cientficos e Ingenieros JUSE en 1976).
1988 Juran publica Juran on Planning for Quality
1988 Motorola es la primera compaa que gana el premio nacional de calidad Malcolm
Baldridge otorgado por el congreso de EE.UU. Bob Galvin presidente de Motorola
declara: vamos a compartir Seis Sigma con el mundo, y volver a nosotros ... con
nuevas ideas y nuevas perspectivas
1989: StatLib un servidor abierto en la Universidad Carnegie Mellon para Datos,
Software y Noticias de la Comunidad Estadstica
Paquete Estadstico JMP desarrollado en la compaa SAS por John Sall en 1989
1989 En Ingls aparece la traduccin del libro de Shigeo Shingo, acerca del Sistema
Toyota de Produccin: A Study of the Toyota Production System: From an Industrial
Engineering Viewpoint.

1990-1994

1990 El primer estndar de calidad automotriz publicado por Chrysler, Ford Motor
Company y General Motors Measurement Systems Analysis Reference Manual
(MSA).
1990 Se publica en Ingls el libro "Quality Function Deployment: Integrating Customer
Requirements into Product Design" por Yoji Akao; Akao integro el QFD con la Ingeniera
de Valor y el despliegue de costos, la ingeniera de confiabilidad y la ingeniera de cuello
de botella desarrollada por el Dr. Furukawa. El QFD se desarroll para mejorar la
transicin de diseo a manufactura.
1990 Se publica el estudio del Instituto Tecnolgico de Massachusetts: The machine that
changed the world: based on the Massachusetts Institute of Technology 5-million dollar
5-year study on the future of the automobile encabezado por Womack; Las
 compaas Japonesas estn barriendo al mundo, La produccin Lean es el arma secreta
Japonesa en las guerras industriales
1991 CERN una organizacin Europea de Investigacin publicita el proyecto World
Wide Web: WWW.
1991 Se publica en Ingls el libro Hoshin Kanri: Policy Deployment for Succesful
TQM por Yoji Akao, (Hoshin ~ Brjula, Kanri ~ Control, Gestin); Proporciona un
mtodo para planear, hacer, controlar y actuar sobre la gestin de calidad de la empresa
por la alta gerencia.
1992 aparece el libro blanco Statistical Models in S de Chambers y Hastie que defini
la versin 3 del lenguaje S.
1992 Se discute en la revista Technometrics los mtodos de Taguchi.
1992 Rodeado de un considerable debate de la filosofa, las enseanzas, y la
metodologa de Genichi Taguchi en el campo de la ingeniera de calidad se publica Top
Ten Triumphs and Tragedies of Genichi Taguchi por Pignatiello y Ramberg
1993 Statistical Sciences adquiere la licencia exclusiva para distribuir el lenguaje S y se
fusiona con MathSoft.
1993 Ross Ihaka y Robert Gentleman (R&R) publican en StatLib el cdigo de un
programa que emula el lenguaje S bajo la sintaxis de Scheme, lo llaman R.
1993 muere William Edwards Deming.
1993 Inicia la publicacin de Quality Management Journal publicada por ASQC.
1994 Se publica de forma pstuma el ltimo libro de Deming The New Economics: for
Industry, Government, Education aqu se presenta la idea del Sistema de Conocimiento
Profundo
1994 Se publica An Introduction to the Bootstrap por Bradley Efron y R.J. Tibshirani
de Stanford, el libro resume el trabajo de Efron en re-muestreo.
1994 Se publica el estndar de aseguramiento de calidad ISO 9000:1994 .
1994 AIAG fue seleccionado por la Supplier Quality Requirements Task Force de
Chrysler, Ford Motor Company y General Motors para supervisar la publicacin y
distribucin de la QS-9000 y manuales relacionados con la calidad y administrar y
sancionar la formacin en QS-9000. Este Estndar de Calidad Automotriz es vigente
hasta diciembre de 2006, se substituye por el estndar TS 16949
Los Seis artculos ms citados en Estadstica, segn Stigler, son de: Cox, Kaplan, Meier,
Duncan, Box, Dempster, Laird, Rubin, y Efron.

1995-1999

1995 El Lenguaje R una versin de S, desarrollado originalmente por Ross Ihaka y

Robert Gentleman, se pone disponible bajo la licencia de software libre.
1995 General Electric dirigida por Jack Welch adopta Seis Sigma de Motorola.
1995 Steven Spear, entonces estudiante en Harvard Bussiness School, asignado a estudiar
el Sistema Toyota de Produccin. Porqu las empresas que usan todas las herramientas
de justo a tiempo de Toyota, no son iguales en desempeo?
1996 La American Statistical Association (ASA) inicia el Journal of Statistical
Software; publica artculos, reseas de libros, elementos de cdigo y revisiones de
software. Los contenidos estn disponibles gratuitamente en lnea. El cdigo fuente se
 publica junto con el artculo.
1997 La ASQC retira Control de su nombre y queda como American Society for
Quality (ASQ) su misin redefinida: promover la excelencia en el desempeo en una
amplia gama de organizaciones y actividades de todo el mundo.
1997 se lanza la versin 0.7 de PMML (Lenguaje de Marcas de Modelo Predictivo) un
lenguaje de marcado basado en XML. Que proporciona una forma estndar para
representar los modelos de minera de datos para que estos puedan ser compartidos entre
diferentes aplicaciones estadsticas.
1998 aparece el libro verde de John M. Chambers (1998), Programming with Data,
que define la versin 4 de S.
1998, la Asociacin para Maquinaria de Computo (ACM) otorgo su Premio Software
System a John M. Chambers, el principal diseador de S.
1998 La ASQ lanza la revista Software Quality Professional.
1999 Steven Spear y Kent Bowen publican: Decoding the DNA of the Toyota
Production System, en Harvard Business Review. Culmina 4 aos de investigacin
etnogrfica de Spear en los pisos de Toyota, descubre entre otras cosas el uso del ciclo
PDCA como herramienta de aprendizaje para operadores.

2000-2004

2000 muere John Wilder Tukey en Princeton, NJ. EE.UU.

2000 Salsburg D. publica "The Lady Tasting Tea: How Statistics Revolutionized Science
in the Twentieth Century". En la editorial W. H. Freeman. Una historia de divulgacin de
la Estadstica en el siglo veinte.
2000 Se publica el libro de Wu y Hamada Experiments: Planning, Analysis, and
Parameter Design Optimization presentan nuevas estrategias para el anlisis de
interacciones en diseos de experimentos.
2000 David X. Li publica la funcin copula gausiana, que facilita el clculo de riesgos
muy complejos, permitiendo la expansin de los mercados financieros a niveles no
imaginados. An ignorando las limitaciones del modelo.
Mikel J. Harry y Richard R. Schroeder en 2000 publican Six sigma: the breakthrough
management strategy revolutionizing the world's top corporations.
2000 la ISO publica un nuevo estndar de calidad el ISO 9001:2000, substituye al ISO
9000:1994, ahora hay un nfasis en la gestin del proceso. Se publican los 8 principios de
administracin de la calidad por el comit tcnico ISO/TC 176 en : ISO 9004:2000
quality management systems guidelines for performance improvements. Los 8
principios son: 1 Enfoque al cliente, 2 Liderazgo, 3 Involucramiento del personal, 4
Mtodos de Procesos, 5 Mtodos de Sistemas para Administrar , 6 Mejora Continua, 7
Mtodos con datos para tomar decisiones, 8 Relaciones mutuamente benficas con
proveedores.
2001 MathSoft cambia de nombre a Insightful Corporation, quien ahora comercializa S-
plus, deshace el trato entre MathSoft y Statistical Sciences, Inc.
2001 ASQ lanza la publicacin Six Sigma Forum Magazine.
2001 Roger Hoerl de General Electric define lo que necesita saber un Black Belt o lder
de proyecto en Seis Sigma, propone como suplementos:
 1. Anlisis de Modo y Efecto de Falla (AMEF) (Automotive Industry Action
Group 1995b)
2. Diseo de Experimentos General (Box, Hunter, y Hunter 1978); (Montgomery
2000)
3. Estadstica General (Walpole, Myers, y Myers 1997)
4. Anlisis del Sistema de Medicin Wheeler y Lyday (1990); (Automotive
Industry Action Group 1990)
5. Diseos de Experimentos con Mezclas (Cornell 1990)
6. Despliegue de la Funcin de Calidad (QFD) (Cohen 1995)
7. Regresin (Draper and Smith 1998); (Montgomery, Peck, y Vining 2001)
8. Confiabilidad (Meeker y Escobar 1998)
9. Metodologa de Superficie de Respuesta (Myers y Montgomery 1995)
10. Control Estadstico del Proceso Wheeler y Chambers 1992); (Automotive
Industry Action Group 1995a); (Montgomery 2001)
11. Pensamiento Estadstico (Hoerl y Snee 2002)
Series de Tiempo (Box, Jenkins, y Reinsel 1994)
2001 La Royal Statistical Society publica un comunicado denunciando el mal uso de la
estadstica en el caso de Sally Clark acusada de asesinato de sus 2 hijos recin nacidos.
Ella fue liberada en 2003 despus de 3 aos de crcel.
2002 Se publican los estatutos de la Fundacin R para el avance del proyecto R, crear
un ambiente de computacin basndose en el lenguaje R, de computo estadstico, un
lenguaje no muy diferente a S.
2002 se lanza el nuevo estndar de calidad automotriz ISO/TS 16949:2002
2002 Anita Tucker con Edmonson y Steven Spear, utilizando el mtodo etnogrfico
aplicado por Spear en Toyota empieza la aplicacin de los descubrimientos de Spear en
Hospitales, publica "When problem solving prevents organizational learning"
2003 En Motorola fusionan los conceptos de Lean y Seis Sigma
2004 Insightful compra el lenguaje S de Lucent Technologies (sucesores de
Laboratorios Bell) por $2 millones de dlares.
2004 Norman Bodek recuenta su descubrimiento del movimiento de gestin Japons en
el libro Kaikaku.

2005-2009

2006 expira el estndar de calidad automotriz QS 9000 y lo substituye el ISO/TS

16949:2002
2007 Lipton y Rennie de Merrill Lynch International editan el libro Credit Correlation:
Life After Copulas, dnde se denuncia el mal uso del modelo de copula gausiana para
modelar el riesgo multivariante financiero de Li.
2008 TIBCO adquiere Insightful Corporation, quien ha comercializado el S-plus
2008 muere Juran a los 103 aos de edad
2008 se publica el estndar de administracin de los sistemas de calidad ISO 9001:2008
que substituye al ISO 9001:2000; mayormente es una correccin de lo publicado en el
anterior y para guardar congruencia con el estndar de administracin de sistemas
ambientales ISO 14001:2004. A la fecha existan asociados adems estndares asociados
 para administracin de sistemas de acuerdo al sector de actividad: Automotriz ISO/TS
16949:2002, Educacin IWA 2:2007, Energa PC 242, ISO 50001, Inocuidad de
alimentos ISO 22000:2005, Seguridad de informacin ISO/IEC 27001:2005, Cuidado de
la Salud IWA 1:2005, Gobierno Local IWA 4:2009, Instrumentos mdicos ISO
13485:2003, Petrleo y gas ISO/TS 29001:2007, Riesgo ISO 31000, Reciclado de Barcos
ISO 30000:2009, Seguridad en cadena de suministros ISO 28000:2007.
2009 Lenguaje Estadstico R en reportaje en New York Times, Analistas de Datos
cautivados por el Poder de R.
PMML versin 4.0 fue lanzado en junio de 2009. Un lenguaje de marcado basado en
XML para proveer una va de aplicaciones para definir modelos relacionados a minera
de datos y anlisis predictivos (estadstica y teora de decisiones) y para compartir estos
modelos.
2009 Felix Salmon en Wired Magazine culpa a la frmula de Li (Li 2000) de Funcin
Gausiana de Copula de ser una de las causas de la crisis financiera, se cita a Taleb (Taleb
2007). Li regreso a China un ao antes y su empleador, una agencia financiera del
gobierno, no permite que haga declaraciones.
2009 el estndar de calidad automotriz ISO/TS 16949:2002 substituido por ISO/TS
16949:2009
2009 Steven Spear publica Chasing the Rabbit resume su trabajo desde 1995,
Investigando sobre mejora en las organizaciones.

2010

Ms de 2,100 paquetes escritos para complementar a R

Esta evolucin nos ayuda a comprender de dnde proviene la necesidad de ofrecer una
mayor calidad del producto o servicio que se proporciona al cliente y, en definitiva, a la
sociedad, y cmo poco a poco se ha ido involucrando toda la organizacin en la consecucin de
este fin. La calidad no se ha convertido nicamente en uno de los requisitos esenciales del
producto sino que en la actualidad es un factor estratgico clave del que dependen la mayor parte
de las organizaciones, no slo para mantener su posicin en el mercado sino incluso para
asegurar su supervivencia.
1.7 Funcin Taguchi de Prdida (Fuente 1)

En los aos ochenta, el Dr. Genichi Taguchi desarroll en Japn un mtodo

aproximado para calcular las prdidas que ocasiona a la sociedad un producto
de mala calidad. En su definicin de la calidad deja claro este concepto: "la
prdida que un producto causa a la sociedad despus de embarcarlo, excepto
las prdidas causadas por funciones intrnsecas".

Para Taguchi, la prdida de la sociedad incluye;

los costos incurridos por no cumplir el producto con las expectativas del cliente
los costos por no cumplir el producto con las caractersticas de funcionamiento
los costos causados por los efectos peligrosos secundarios causados por el producto.

En las empresas de manufactura, la Funcin Taguchi de Prdida tambin se puede aplicar en el

"cumplimiento de las especificaciones" de un producto.

1.7.1 Modelo Tradicional de los costos asociados en el cumplimiento de las especificaciones

Muchas empresas, quedan satisfechas o conformes cuando las caractersticas de calidad

de un producto quedan dentro de las especificaciones. Segn este modelo, errneamente se
piensa que mientras estamos dentro de la tolerancia, no existen prdidas asociadas. Supongamos,
por ejemplo, que las especificaciones de un determinado producto es 0,600 0,003. Veamos
ahora como se refleja esto en el siguiente grfico:
1.7.2 Modelo Funcin Taguchi de Prdida

Pero la realidad, segn Taguchi, es que mientras menor sea la variacin con respecto al
valor objetivo, mejor ser la calidad. La prdida aumenta, como funcin cuadrtica, cuando uno
se aleja ms del valor objetivo. La siguiente grfica ilustra este concepto:

La Funcin de Prdida est representada por la siguiente ecuacin:

donde; L(x) es la funcin de prdida, x es cualquier valor de la caracterstica de la calidad, T el

valor deseado y, k una constante.

Nota: El trmino intrnseco denota una propiedad de alguna cosa o accin que es esencial para
esa cosa o accin y que es totalmente independiente de cualquier otro objeto, accin o
consecuencia.

1.7.3 Funcin Taguchi de Prdida (Fuente 2)

En una forma simple, la funcin de prdida es una forma de mostrar como una parte no
perfectamente manufacturada resulta en una perdida para la compaa.
Una definicin ms tcnica comprende: Representacin parablica que estima la prdida
de calidad expresada en forma monetaria, que resulta cuando la caracterstica de calidad se
desva del valor objetivo. El costo de esta deviacin se incrementa en forma cuadrtica si la
caracterstica de calidad se aleja del valor nominal.
Note que la perdida debida a la variacin es proporcional al cuadrado de la desviacin de
la caracterstica de desempeo de su valor nominal multiplicado por una constante

La prdida puede ser cuantificada por parte. El poder medir la perdida nos motiva a
enfocarnos en reducir la variacin dado que comprendemos que una mnima desviacin del valor
nominal resulta en una perdida. La tendencia seria tratar de mantener el producto y el proceso tan
cercanos al valor nominal tanto como sea posible. Esto es lo beneficial de la metodologa de
Taguchi, nos mantiene enfocados en la necesidad de la mejora continua.

Ejemplo de aplicacin de la funcin de costo (tarea de investigacin)

3. Experimentos con 3 niveles

Ahora discutiremos el diseo 3k, que es un arreglo factorial con k factores cada uno a 3
niveles. Los factores e interacciones se representan con letras maysculas. Ahora nos referiremos
a los niveles del factor como bajo, medio y alto. Hay varias formatos para codificar los niveles
sin embargo usaremos 0 para bajo, 1 para medio y 2 para alto. Cada combinacin de tratamientos
en el 3k ser representada por k dgitos, donde el primer digito indica el nivel del factor A, el
segundo el nivel del factor B y el k digito indica el nivel del factor k. Por ejemplo en un diseo
32, 00 representa la combinacin de tratamientos con A y B ambos a nivel bajo y 01 representa la
combinacin de tratamientos con A a nivel bajo y B a nivel medio. Las siguientes figuras
muestran la geometra del 32 y 33 respectivamente.

Este sistema de notacin podra haber sido usado en el diseo 2k con 0 y 1 en lugar de -1
y +1. En el 2k preferimos usar la notacin de +1 y -1 porque facilita la vista geomtrica del
diseo y porque es directamente aplicable a modelacin, bloqueo y construccin de diseo
fraccionados.

En el sistema 3k cuando los factores son cuantitativos con frecuencia representamos los
niveles bajo medio y alto con -1, 0 y 1 respectivamente, esto facilita el ajuste de un modelo de
regresin que relacione la respuesta con los niveles de los factores. El 3k es ciertamente una
posible eleccin para alguien interesado en la curvatura de la funcin de respuesta, sin embargo
dos puntos deben ser considerados:

1) El diseo 3k no es la forma ms eficiente de modelar una relacin cuadrtica; los

diseo de superficie de respuesta son una alternativa superior.
2) El diseo 2k aumentado con puntos centrales es una forma excelente de obtener una
indicacin de la curvatura. Nos permite mantener el tamao y complejidad del diseo
bajos y simultneamente obtener cierta proteccin contra la curvatura. Si la curvatura
fuese importante el diseo de 2 niveles puede ser aumentado con puntos axiales para
crear un diseo central compuesto (Figura 6-36). Esta estrategia de experimentacin
es mucho ms eficiente que correr un diseo 3k con factores cuantitativos.

Ejemplo 9-1

Una maquina es usada para llenar contenedores metlicos de 5 galones con jarabe de
refresco. La variable de inters es la cantidad de jarabe perdido debido al escurrimiento. Se cree
que tres factores influencian el escurrimiento: el diseo de la boquilla dosificadora (A), la
velocidad de llenado (B) y la presin (C). Tres boquillas, tres velocidades de llenado y tres
presiones son escogidas y dos rplicas de un experimento factorial 33 son corridas. La
informacin se muestra en la Tabla 9-1.
 Al realizar el anlisis de varianza en Design Expert se obtiene:

La velocidad de llenado y la presin son factores cuantitativos. Por lo tanto podramos un

modelo cuadrtico que contenga a los dos factores, presin y velocidad, para cada nivel del
factor cualitativo (tipo de diseo de la boquilla)
 Cuando se construyen grficos de contornos para un experimento que contiene una
mezcla de factores cuantitativos y cualitativos, no es inusual encontrar que la forma de las
superficies de respuesta en los factores cuantitativos son muy diferentes a cada nivel del factor
cualitativo, Cuando esto ocurre, implica que las condiciones ptimas de operacin en trminos
de los factores cuantitativos son muy diferentes a cada nivel de los factores cualitativos.
Experimentos con niveles mixtos

Hasta ahora hemos enfatizado experimentos factoriales y factoriales fraccionados en los

que todos los factores tienen el mismo nmero de niveles. El sistema de 2 niveles discutido con
anterioridad es particularmente til. El sistema de tres niveles presentado previamente es mucho
menos til porque son diseo relativamente largos aun para un tamao reducido de factores y
muchas de las fracciones que se pueden construir tienen una estructura de alises muy
complicada.
Los experimentos factoriales y los factoriales fraccionados de 2 niveles deberan ser la
piedra angular de la experimentacin industrial para desarrollo de productos y procesos,
resolucin de problemas y mejoramiento de la calidad. Existen sin embargo algunas situaciones
en las que es necesario incluir un factor (o varios) que tienen ms de 2 niveles. Esto usualmente
ocurre cuando hay factores cuantitativos y cualitativos en el experimento. Si todos los factores
fuesen cuantitativos entonces un diseo de 2 niveles con puntos centrales debera ser
empleado.
Optimizacin:

Muchos problemas de superficie de respuesta involucran el anlisis de varias respuestas.

Simultnea consideracin de mltiples respuestas involucra construir un modelo de superficie de
respuesta apropiado para cada repuesta y despus tratar de encontrar un conjunto de condiciones
de operacin que optimicen todas las respuestas o que al menos las mantiene dentro de los
rangos deseados. Suponga que un experimentador est interesado en optimizar 2 respuestas de un
experimento que contiene 3, y selecciona las respuestas y2 y y3, que corresponden a viscosidad y
peso molecular respectivamente. Los modelos para la viscosidad y peso molecular estn dados
por:

Las superficie de respuesta para la viscosidad est dada por:

La superficie de respuesta para el peso molecular est dada por:

Un enfoque relativamente sencillo para optimizar varias respuestas que funciona bien
cuando hay solo unas pocas variables es sobreponer los grficos de contornos.

3746
3566 Viscosidad

Peso Molecular
3386

3205

3025
 Por ejemplo, si se deseara maximizar la viscosidad pero que el peso molecular no
rebasara un valor de 3210 grados, entonces una regin apropiada seria usar un tiempo de 80.29 y
una temperatura de 174

Un enfoque popular es formular y resolver el problema como un problema de

optimizacin con restricciones. Podramos formular el problema como:

Max y2
Sujeto a:
y3 3210

Hay varias tcnicas numricas que podran solucionar este problema. Algunas veces
estas tcnicas son llamadas mtodos de programacin no lineal.
Otro enfoque til para optimizacin de respuestas mltiples es el uso de la tcnica de
optimizacin simultnea popularizada por Derringer y Suich (1980). Su procedimiento hace uso
de funciones de deseabilidad. El enfoque general es primero convertir cada respuesta yi a una
funcin de deseabilidad individual di que vara sobre el rango.

Si la respuesta yi est en su valor deseado, entonces di =1, y si la respuesta est fuera de la

regin de aceptacin, entonces di =0. Despus las variables son escogidas para maximizar la
deseabilidad general que se define de la siguiente manera

Las funciones individuales de deseabilidad estn estructuradas como se muestra en las

siguientes figuras. Si el objetivo T para la respuesta es un valor mximo, entonces
Cuando el peso r es igual a 1, la funcin de deseabilidad es lineal. Al escoger r >1 se pone ms
nfasis en estar cerca del valor objetivo T y al escoger 0 < r < 1 se hace menos importante estar
cerca de dicho valor nominal. Si la el valor objetivo para la respuesta es mnimo entonces
tenemos

La funcin de deseabilidad de 2 lados asume que el valor objetivo est localizado entre
los lmites bajo (L) y alto (U) y se define como:
Design Expert puede ser usado para optimizar experimentos (Optimizacin Numrica)

a) Mayor es mejor b) Menor es mejor

c) Valor nominal es mejor
 EXPERIMENTACIN SECUENCIAL

ANTECEDENTES

La experimentacin secuencial es una estrategia sumamente efectiva cuando se realiza diseo

experimental ya que provee un elemento de eficiencia que es requerido para tener xito. Sin la
experimentacin secuencial muchos experimentos serian infactibles debido a las obvias restricciones en
costos, o un desperdicio de dinero y recursos si un experimento completo descubre que no hay factores
significativos. Esta importante rea de investigacin se dedica a encontrar las mejores formas de
combinar las corridas de dos o ms experimentos para formar un diseo de mayor tamao que sea capaz
de estimar los efectos de factores e interacciones de inters.
El experimento inicial es generalmente una fraccin que funciona como un experimento
exploratorio en el que el objetivo es determinar las variables que rigen el sistema. El segundo
experimento tiene como objetivo resolver ambigedades al clarificar la estructura de aliases del diseo
combinado. La forma en que las corridas de la segunda fraccin son seleccionadas depende de la
informacin obtenida a partir del diseo inicial, de los objetivos del experimento, de la forma en que la
fraccin inicial fue seleccionada (resolucin) y de restricciones en costos. Por lo tanto, una rica variedad
de esquemas de experimentacin secuencial existen.
La prctica comn cosiste en correr una fraccin inicial de la ms alta resolucin posible
construida usando el criterio de aberracin mnima. La segunda fraccin es comnmente construida
usando una tcnica de aumento estndar conocida como foldover (Box and Hunter (2005), Neter (1996),
Wu and Hamada (2000), Montgomery (2009). El foldover revierte los signos de uno o ms factores del
diseo inicial en la segunda fraccin Planes de foldover (grupos de columnas cuyos signos deben
invertirse) para un solo factor fueron discutidos inicialmente por Box (1978), estos planes tenan como
propsito desacoplar un factor especfico de sus aliases.
Aunque el foldover prob ser una tcnica de aumento popular entre experimentadores, varios
autores sealaron sus deficiencias y comenzaron a desarrollar tcnicas ms eficientes, enfocndose en
reducir el nmero de corridas del foldover mientras obtenan la misma informacin del sistema, como
resultado el semifold (correr la mitad de un foldover) y el quarterfold (aproximadamente la cuarta parte de
un foldover) fueron desarrollados.
Las lecciones aprendidas de los quarterfolds desarrollados para resolucin IV fueron extendidas a
otros tipos de diseos como resolucin III, diseos robustos y diseos de niveles mixtos (Ros, 2009).
Extender la investigacin iniciada para estos tipos de diseos es el principal objetivo de esta
investigacin. A continuacin se presentar a detalle el trabajo realizado en esta rea hasta la fecha as
como la justificacin para seguir investigado este importante aspecto del diseo experimental.
El foldover es una tcnica de experimentacin secuencial empleada para desacoplar trminos
especficos o para incrementar la resolucin de un diseo inicial (usualmente una fraccin) al aadir una
segunda fraccin o un grupo pequeo de corridas que es obtenido al cambiar los signos de una o ms
columnas (diseos de dos niveles) o al rotar una o ms columnas (diseos de 3 niveles y de niveles
mixtos) en el diseo inicial. (Box, Hunter, & Hunter (2005), Neter (1996), Wu and Hamada (2000),
Montgomery (2005)).
La nocin de foldover apareci a principios de los 50s, un claro ejemplo es el artculo publicado
por Box y Wilson (1951). En la terminologa de los autores, un diseo de tipo B (foldover) puede ser
obtenido al duplicar con signos invertidos la matriz de variables independientes para el diseo de tipo A
(fraccin inicial). En 1961 Box y Hunter introdujeron la palabra foldover para nombrar a esta tcnica y
en 1978 Box, Hunter and Hunter extendieron el concepto a plan de foldover que es el conjunto de
columnas de la fraccin inicial cuyos signos son invertidos en la fraccin de foldover. La estrategia de
foldover es diferente dependiendo de la resolucin de la fraccin inicial (III o IV), por esa razn, todos los
posibles casos necesitan ser explicados.
 El primer caso es el foldover de columna simple para fracciones de resolucin III. Montgomery
(2005) presenta un ejemplo de un foldover parcial aplicado a una fraccin de resolucin III. El foldover es
parcial porque los signos son invertidos para una sola columna (Factor D) y es aplicado a un diseo de
resolucin III con 6 factores. Box, Hunter y Hunter (2005) presentan la misma tcnica aplicada a un
diseo de resolucin III con 7 factores, al igual que en el ejemplo de Montgomery, la columna invertida
corresponde al factor D.
El ejemplo proporcionado por Box ser mencionado aqu brevemente para ilustrar el uso de la
tcnica. La fraccin inicial era una dieciseisava parte de un diseo factorial con 7 factores y con relacin
definidora I = ABD = ACE = BCF = ABCG. El experimento revel que las columnas [B] y [D] eran
estadsticamente significativas. El experimentador estaba interesado en estimar el efecto del factor D libre
de sus aliases y decidi correr una segunda fraccin con los signos para el factor D invertidos. En general,
cuando una fraccin con los signos de un factor invertido es aadida a un diseo factorial fraccional de
resolucin III o ms alta, el diseo combinado proporcionara estimaciones del efecto de ese factor
principal as como de todas sus interacciones de 2 factores (Montgomery, 2009). Las dos fracciones son
combinadas para formar un diseo en que cada fraccin es tratada como un bloque. La relacin definidora
completa para el diseo combinado puede ser obtenida usando la regla para foldover 1 desarrollada por
Montgomery y Runger (1996).
El segundo caso es el foldover de columna mltiple para fracciones de resolucin III. Cuando se aade
una segunda fraccin con todas las columnas invertidas a una fraccin de resolucin III se rompen las
correlaciones entre los efectos principales y las interacciones de 2 factores. Esta estrategia fue llamada
foldover de columna mltiple por Box et.al. (2005) y foldover completo por Li and Lin (2003). Cuando el
foldover de columna mltiple es aplicado a un diseo de resolucin III, la combinacin de las dos
fracciones es al menos resolucin IV.
Aunque el foldover de columna mltiple es el mtodo preferido para aumentar diseos de
resolucin III, mejoras a esta tcnica han sido hechas. Li y Mee (2002) describen una familia de diseos
de resolucin III en que la recomendacin usual de invertir todos los factores no es necesariamente la
mejor opcin. Para diseos de esta familia fracciones de foldover alternativas no slo incrementan la
resolucin a IV sino que tambin separan algunas de las interacciones de 2 factores. Es importante estar
conscientes de que existen diseos de resolucin III para los que ms de una fraccin de foldover
incrementar la resolucin de III a IV y cuando esto sucede la fraccin de foldover obtenida al invertir
todas las columnas es un diseo inferior.
En forma adicional Miller and Sitter (2005) realizaron foldovers de fracciones eficientes no
ortogonales de resolucin III y obtuvieron diseos no ortogonales de resolucin IV, despus compararon
estos diseos con sus competidores (diseos de resolucin III ortogonales de igual tamao tales como
factoriales fraccionados y diseos Placket Burman). Estos diseos se desempearon tan bien o mejor que
sus competidores en trminos de seleccin del modelo correcto cuando unas pocas interacciones de 2
factores estaban presentes y se desempearon significativamente peor que los diseos de resolucin III en
trminos de identificar correctamente los efectos principales.
El tercer caso involucra el foldover de columna simple para diseos de resolucin IV.
Montgomery y Runger (1996) mencionan que un foldover de un diseo de resolucin IV puede tener los
siguientes objetivos: Romper tantas cadenas de interacciones de 2 factores como sea posible, romper
todas las interacciones de dos factores en una cadena especfica y romper las interacciones de dos factores
que involucran un factor especfico. Para diseos de resolucin IV podemos estimar los efectos
principales y todas las k-1 interacciones de dos factores para un factor al revertir ese factor.
El cuarto caso es el foldover de dos columnas para diseos de resolucin IV. Montgomery y
Runger (1996) consideraron foldovers generados al invertir los signos de dos factores. En su anlisis ellos
descubrieron que al cambiar los signos de dos columnas en lugar de una, tiene el potencial para
desacoplar ms interacciones de dos factores y afirman que revertir los signos de dos columnas puede
reducir el nmero de trminos correlacionados en un 50%. Es claro que cuando el objetivo es desacoplar
ms interacciones de dos factores este mtodo debera ser preferido. En forma adicional algunos paquetes
de software consideran diferentes estrategias. Por ejemplo, RS/Discover sugiere revertir los signos del
factor si el generador en el que dicho factor est involucrado es una palabra impar (Li y Lin, 2003).
Como un comentario adicional se ha mencionado abundantemente en la literatura que un foldover
para resolucin IV no necesariamente separara todas las interacciones de dos factores. Si la fraccin
original posee una estructura de aliases con ms de dos interacciones de dos factores en cualquier cadena
de aliases el foldover no separara todas las interacciones de dos factores. Para diseos de resolucin IV la
estrategia de invertir los signos de todas las columnas no es directamente aplicable porque el diseo
combinado resultante tendr el mismo nmero de palabras de 4 letras (Li y Lin, 2003).
El cuarto caso lo constituye el semifold para diseos de resolucin IV. El correr un foldover
completo genera un diseo combinado completamente ortogonal pero planes de foldover completamente
ortogonales son con frecuencia ineficientes en el sentido de que slo la mitad de los grados de libertad
pueden ser usados para estimacin de efectos principales e interacciones (Daniel, 1962). Daniel discuti
un amplio rango de esquemas de experimentacin secuencial que incluyen fracciones adicionales que son
ms pequeas que la fraccin inicial. El sugiri aumentar una fraccin de 8 factores resolucin IV con 8
corridas adicionales para estimar las siete interacciones de dos factores que involucraban a un factor
especfico. Esta estrategia particular fue llamada semifold por Barnett, Czitrom, John y Leon (1997)
porque involucraba correr la mitad de la fraccin de foldover.
Montgomery (2001) seala que un foldover completo para un diseo de resolucin IV es
usualmente innecesario porque generalmente hay solo una o dos (o muy pocas) interacciones
correlacionadas que son de potencial inters. Estas interacciones pueden ser fcilmente desacopladas al
aadir un nmero pequeo de corridas a la fraccin inicial, una tcnica conocida como foldover parcial.
Mee y Peralta (2000) consideran que los diseos de foldover que siguen a una fraccin de resolucin IV
son generalmente ineficientes en trminos de grados de libertad porque en la mayora de las situaciones,
aadir una segunda fraccin de tamao n de la misma familia, proveer menos que n/2 grados de libertad
adicionales para interacciones de dos factores. El semifold involucra dos pasos, escoger la fraccin de
foldover y seleccionar la mitad de las combinaciones de tratamientos para ser corridas.
Barnett et. al. (1997) presenta un caso de estudio en que un semifold es aplicado a una fraccin
resolucin IV de 6 factores; se encontr que la interacciones AF+DE, AD+EF, AC+BE, y AE+BC eran
significativas. Dado que el factor A estaba involucrado en las cuatro interacciones, la fraccin de foldover
se obtuvo al revertir los signos de este factor. Despus slo 8 corridas adicionales en las que el factor era
positivo fueron utilizadas para crear el semifold. Debe recalcarse que foldovers completos para fracciones
de resolucin IV son dignos de consideracin si precisin de los estimadores de los efectos es requerida
pero son una mala opcin para aumentar diseos cuando el objetivo es estimar ms efectos.
El quinto caso es el semifold para fracciones de resolucin III. Mee y Peralta (2000) no
recomiendan el semifold como una estrategia til para estimar ms efectos despus de haber corrido una
fraccin de resolucin III, en su lugar ellos prefieren el semifold como el primer paso de una estrategia de
confirmacin. Si los resultados de la fraccin de semifold no son los esperados, la otra mitad puede ser
corrida, esto aplica tambin a fracciones de resolucin IV.
Li y Lin (2003) estudiaron planes de foldover ptimos para diseos regulares ortogonales con
respecto al criterio de aberracin mnima del diseo combinado. Li, Lin and Ye (2003) extendieron el
anlisis a diseos ortogonales no regulares usando una herramienta matemtica conocida como la funcin
indicadora. Guo (2006) desarroll planes de foldover ptimos para diseos de niveles mixtos.
En algunas situaciones en las que hay cadenas simples correlacionadas, el desacoplamiento puede
ser alcanzado en menos corridas que un semifold. Misra (2006) present un mtodo conocido como
Quarterfold que se enfoc en aadir corridas a un experimento factorial fraccional resolucin IV de dos
niveles. Las corridas fueron aadidas hasta que las cadenas de aliases bajo investigacin se separaron.
Simulacin Monte Carlo fue usada para generar informacin simulada, 5000 sets de informacin fueron
simulados para cada modelo usando SAS versin 9.1. Un modelo conocido fue usado para comparar el
desempeo de los tres mtodos (quarterfold, semifold y foldover) bajo 3 condiciones de ruido.
Un procedimiento fue diseado para aadir corridas haciendo nfasis en mantener las columnas
del diseo tan ortogonales como fuese posible. Las columnas de interacciones que necesitaban
desacoplarse fueron identificadas y corridas adicionales fueron aadidas para desacoplar estas cadenas en
lugar de los efectos principales, en esta forma el nfasis fue puesto en las columnas de interacciones de
dos factores que necesitaban ser desacopladas. Una vez que las corridas para las columnas
correlacionadas fueron determinadas, un algoritmo fue proporcionado para aadir los signos a las
columnas de efectos principales en el diseo. Esta investigacin mostr que en algunas situaciones, el
modelo correcto puede ser encontrado usando menos corridas que un semifold.
Los procedimientos hasta ahora descritos usan secuencias de fracciones adicionales de la misma
familia, En forma adicional, Miller y Sitter (2001) estudiaron foldovers de diseos Placket Burman, un
tipo de diseo no regular. Recientemente, Miller y Sitter (2005) examinaron el uso de diseos de foldover
no ortogonales y Daniel (1962) estudio secuencias de fracciones adicionales de familias diferentes pero
equivalentes.
La parte previa de estos antecedentes se ha enfocado en experimentacin secuencial aplicada a
diseos regulares de dos niveles. Sin embargo existe otro tipo de diseo que juega un papel importante en
la experimentacin industrial. Los diseos factoriales de niveles mixtos son diseos cuyos factores tienen
diferentes nmeros de niveles. Estos diseos son ampliamente usados en experimentos que involucran
factores cuantitativos y cualitativos. Los diseos de niveles mixtos presentan el mismo problema que los
de dos niveles, que es, cuando el nmero de factores y niveles de factores se incrementa, el nmero de
corridas se incrementa dramticamente. En forma adicional, mantener la propiedad de balance requiere
demasiadas corridas en algunas situaciones.
Existen investigaciones que se ha enfocado en desarrollar fracciones ortogonales o
aproximadamente ortogonales de diseos de niveles mixtos factoriales. Guo (2003) uso un nuevo criterio
de optimalidad llamado coeficiente de balance para evaluar la propiedad de balance de la matriz del
diseo y criterio de optimalidad J2 modificado que puede ser usado para medir el grado de ortogonalidad
de matrices de diseo desbalanceadas. Estos criterios fueron combinados en una funcin objetivo a ser
optimizada. Un algoritmo gentico fue utilizado para construir fracciones eficientes.
El propsito bsico del algoritmo gentico fue escoger un subgrupo de n corridas de una matriz
que contena todas las posibles combinaciones. Estas corridas constituyen un apropiado diseo de niveles
mixtos que optimiza la funcin objetivo. Existe una rica literatura sobre construccin de diseos de
niveles mixtos. Para una revisin completa de los diferentes algoritmos de construccin propuestos por
diferentes autores vea Guo (2003).
La tcnica de foldover comnmente utilizada para diseos de dos niveles no puede ser
directamente aplicada a los diseos de niveles mixtos porque estos diseos contienes factores con
diferentes nmeros de niveles. Un mtodo para crear foldovers para este tipo de diseos consiste en rotar
los niveles de los factores. La rotacin cambia cada nivel de factor a un nivel diferente y despus la
fraccin original y la fraccin de foldover se juntan para crear un diseo combinado Guo (2006) uso un
criterio llamado ndice de balance general o simplemente GBM para evaluar y comparar diseos. Con el
criterio de GBM los planes de foldover ptimos fueron encontrados al avaluar todas las alternativas
posibles. Un plan de foldover es una combinacin de columnas a ser rotadas.
Note que esta investigacin es similar a la realizada por Montgomery para los diseos de
resolucin IV en la que recomendaciones para cambiar los signos de una o ms columnas son
proporcionadas. En este caso no cambiamos las columnas sino que las rotamos. Guo (2006) menciona que
mejores resultados podran ser obtenidos al buscar corridas adicionales del diseo factorial completo.
En lo que respecta a diseos robustos la literatura actual no contena ningn trabajo sobre
estrategias de experimentacin secuencial para diseos robustos. La mayora del trabajo realizado en esta
rea se enfocaba en la metodologa de Taguchi el enfoque de superficie de respuesta o en resolucin
mixta, sin embargo la experimentacin secuencial nunca haba sido parte del anlisis. Ros (2009)
presenta un trabajo que proporciona las bases para realizar experimentos secuenciales de diseos
robustos, ste y otras tcnicas sern explicadas a continuacin.
DEFINICIN DE FOLDOVER

Foldover: Tcnica de experimentacin secuencial empleada para desacoplar trminos

correlacionados especficos o para incrementar la resolucin de un diseo inicial (usualmente una
fraccin) al aadir una segunda fraccin o un grupo ms pequeo de corridas que es obtenido al invertir
los signos de una o ms columnas (diseos de 2 niveles) o al rotar una o ms columnas (diseos de 3
niveles o diseos de niveles mixtos) en el diseo inicial. Un diseo es un diseo foldover si la matriz de
diseo X puede ser representada como:

,
=( )
,;,

Donde el diseo inicial es una matriz de n k cuyos elementos toman valores de 1 para
diseos de 2 niveles, {0,1,2} para diseos de 3 niveles o {0,1,2,3,4} para diseos de niveles mixtos y
es una matriz de m n renglones y k columnas obtenida al cambiar los signos de 1 k columnas
en D si el diseo inicial contiene factores con 2 niveles o al rotar 1 k columnas in D si el diseo
inicial contiene factores con ms de 2 niveles.
La nocin de foldover apareci a principios de los 50s, un claro ejemplo es el artculo publicado
por Box y Wilson (1951). En la terminologa de los autores Un diseo de tipo B puede ser obtenido al
duplicar con signos invertidos la matriz de variables independientes para el diseo de tipo A. La tcnica
no se llamaba foldover pero el concepto es claramente el mismo. En 1961 Box y Hunter introdujeron la
palabra foldover y en 1978, Box, Hunter y Hunter extendieron el concepto a plan de foldover que es, el
grupo de columnas cuyos signos se invierten.
Basados en esta informacin podemos concluir que la tcnica de foldover emergi a principios de
los 50s, el concepto de foldover fue formalmente introducido en 1961 y los planes de foldover fueron
introducidos en 1978.

Box, G. E. P. & Wilson, K. B. 1951, "On the Experimental Attainment of Optimum Conditions", Journal of the
Royal Statistical Society.Series B (Methodological), vol. 13, no. 1, pp. 1-45.

Box, G. E. P. & Hunter, J. S. 1961, "The 2 k-p Fractional Factorial Designs Part I", Technometrics, vol. 3, no. 3, pp.
311-351.

Box, G. E. P., Hunter, J. S., & Hunter, W. G. 1978, Statistics for Experimenters, 2 edn, John Wiley and Sons, Inc.,
Hoboken, New Jersey.
ROTACIN

Para una columna con l niveles, los niveles de factor son rotados al reemplazar el i-th nivel por i + p si
i l p y por i + p l si i > l p, donde 1 p l 1. Por ejemplo, Figura 1 muestra la rotacin de un
factor de 5 niveles usando diferentes valores p (Guo, 2006, p. 44).

Figura 1 Rotacin de un factor de 5 niveles (Guo, 2006)

CLASIFICACIN DE LOS FOLDOVERS

En general, los foldovers pueden ser clasificados usando un enfoque de clasificacin bidimensional
(Figura 2) en el que el eje horizontal representa el nmero de columnas que son invertidas o rotadas en la
fraccin de foldover y el eje vertical representa el nmero de corridas adicionales aadidas al diseo
inicial.

Figura 2 Diferentes tipos de foldovers

MOTIVACIN, PLANTEAMIENTO DEL PROBLEMA, OBJETIVOS

Motivacin
Correr un foldover completo para un diseo 2k-p hace al diseo combinado completamente
ortogonal pero planes completamente ortogonales son con frecuencia ineficientes en el sentido de que
solo la mitad de los grados de libertad pueden ser usados para estimar efectos principales e interacciones
(Daniel, 1962)
Varios autores sealaron esta deficiencia y realizaron investigacin enfocada en reducir el
nmero de corridas del foldover completo mientras obtenan la misma informacin y mantenan tanto
balance y ortogonalidad como fuese posible. Como resultado, el semifold (correr la mitad de un foldover)
y el quarterfold (menos corridas que un semifold) fueron desarrollados.
El conocimiento obtenido en esfuerzos previos de investigacin fue extendido a otros tipos de
diseos y tcnicas ms eficientes fueron desarrolladas. La tcnica de aumento para diseos de resolucin
IV desarrollada por Misra (2006) fue adaptada para satisfacer los requerimientos particulares de una
fraccin de resolucin III, lo que dio lugar a la creacin del algoritmo R3. Este algoritmo tambin puede
ser usado para aumentar diseos robustos de resolucin mixta.
Un enfoque de experimentacin secuencial se concentra en los efectos que son significativos o
importantes y tiene el potencial para reducir el nmero total de corridas del diseo combinado mientras
mantiene buenos niveles de balance y ortogonalidad, creando un diseo igualmente efectivo pero an ms
eficiente.
En forma adicional los planes de foldover ptimo actuales para diseos de niveles mixtos pueden
ser reducidos a la mitad para crear semifolds ptimos que poseen buen nivel de la propiedad de balance
para efectos principales e interacciones de 2 factores. Mostrare mejores de desarrollar experimentacin
secuencial para estos 3 tipos de diseos (resolucin III, niveles mixtos y diseos robustos) es el objetivo
de esta unidad.

Planteamiento del problema

La literatura en esta rea del diseo experimental muestra una tendencia en el desarrollo de
tcnicas de experimentacin secuencial cada vez ms eficientes. Un progreso significativo ha sido hecho
desde el temprano desarrollo de la tcnica clsica de foldover. Sin embargo, todava existen algunas reas
en las que el mejoramiento es an posible. Esta unidad se concentrara en presentar las estrategias de
experimentacin secuencial ms recientes para diseos de resolucin III, de niveles mixtos y robustos.
El primer algoritmo consiste en una seria de pasos estructurados para aumentacin secuencial de
fracciones de resolucin III , hasta aos recientes solo tcnicas generales de aumentacin estaban
disponibles (foldover y semifold). Una de las desventajas de los mtodos generales es que son incapaces
de desacoplar interacciones de 2 factores unas de otras cuando son aplicados a fracciones de resolucin
III, adems, requieren demasiadas corridas. Un algoritmo para aumentacin secuencial es capaz de
realizar desacoplamiento simultaneo de efectos principales de interacciones de 2 factores y de
interacciones de 2 factores de otras interacciones de 2 factores usando un pequeo grupo de corridas
mientras se enfoca en mantener la propiedad de balance y ortogonalidad en el diseo combinado.
Otra rea de oportunidad son los diseos de niveles mixtos, los cuales contienen factores con
diferentes nmeros de niveles. Estos diseos requieren un nmero muy grande de corridas para mantener
balance. La tcnica de aumentacin actual para este tipo de diseos es el plan de foldover ptimo (Guo,
2006). La principal desventaja del plan de foldover ptimo es que requiere un nmero demasiado grande
de corridas. Si la fraccin inicial contiene 20 corridas por ejemplo, el diseo combinado contendr 40
corridas. El plan de semifold ptimo es capaz de reducir el nmero de corridas a la mitad mientras se
mantienen buenos niveles de balance y ortogonalidad para efectos principales e interacciones de 2
factores.
 Para diseos robustos es posible combinar el enfoque de experimentacin secuencial basado en el
algoritmo R3 con la tcnica de resolucin mixta en un intento de crear experimentos ms eficientes.

Objetivos de la unidad
Presentar el algoritmo R3 el cual es un algoritmo que es capaz de agregar corridas en forma
secuencial a una fraccin de resolucin III con el objeto de desacoplar trminos de inters usando
un nmero mnimo de corridas mientras se mantiene tanto balance y ortogonalidad en el diseo
combinado como sea posible
Mostrar como el algoritmo R3 es capaz de desacoplar trminos de inters usando menos corridas
que un semifold
Mostrar una comparacin entre los resultados que podramos esperar al usar este algoritmo y los
resultados que se obtendran al usar las tcnicas generales de aumentacin (foldover y semifold)
Obtener conocimiento sobre cunto debe bajar la correlacin entre dos trminos para poder
estimar dichos trminos en forma separada
Mostrar los planes de semifold ptimos para diseos de niveles mixtos y explicar el concepto de
ndice de balance general
Proporcionar una metodologa para aumentacin de diseos robustos usando el algoritmo R3 y
proporcionar lineamientos para maximizar el desacoplamiento de interacciones de control ruido

MTODOS DE AUMENTO

Foldover de columna simple para fracciones de resolucin III

Considere una fraccin inicial 27III 4 con relacin definidora I = ABD = ACE = BCF = ABCG. La
tabla 2 presenta la estructura de aliases. El experimento revelo que las columnas [B] y [D] son
estadsticamente significativas. El experimentador est interesado en estimar el efecto del factor D libre
de aliases y decide correr una segunda fraccin con los signos para el factor D invertidos Las Tablas 3 y 4
muestran la segunda fraccin y la estructura de aliases con los efectos correspondientes.

Tabla 1. 27III 4 Fraccin inicial Tabla 2. Estructura de aliases y efectos

Factors Response
Run A B C D E F G y
1 - - - + + + - 69
2 + - - - - + + 52
3 - + - - + - + 60
4 + + - + - - - 83
5 - - + + - - + 71
6 + - + - + - - 50
7 - + + - - + - 59
8 + + + + + + + 88

Tabla 3. Foldover de columna simple Tabla 4. Estructura de aliases y efectos

Factors Response
Run A B C D E F G y
1 - - - - + + - 47
2 + - - + - + + 74
3 - + - + + - + 84
4 + + - - - - - 62
5 - - + - - - + 53
6 + - + + + - - 78
7 - + + + - + - 87
8 + + + - + + + 60
El anlisis del diseo combinado se hace al tomar el promedio de las sumas y diferencias de las
combinaciones lineales asociadas con los efectos (Tabla 5).

Tabla 5. Anlisis del diseo combinado

1/2 ( I + I') = average = 67.3
1/2 ( I - I') = block effect = -0.8
1/2 ( A + A') = A + CE + FG = 2.1
1/2 ( B + B') = B + CF + EG = 11.1
1/2 ( C + C') = C + AE + BF = 1.9
1/2 ( D + D') = D = 24
1/2 ( E + E') = E + AC + BG = -0.6
1/2 ( F + F') = F + BC + AG = -0.6
1/2 ( G + G') = G + BE + AF = 0.87
1/2 ( A - A') = BD = 1.4
1/2 ( B - B') = AD = 0.9
1/2 ( C - C') = DG = -0.9
1/2 ( D - D') = AB + EF + CG = -1.4
1/2 ( E - E') = DF = 1.1
1/2 ( F - F') = DE = 1.6
1/2 ( G - G') = CD = 1.6

En general, si una fraccin con los signos de un factor invertidos es aadida a un diseo factorial
fraccional de resolucin III o ms alta, el diseo combinado producir estimaciones del efecto principal y
de las interacciones de 2 factores que contengan a dicho factor. En forma alternativa las 16 corridas
pueden ser combinadas para formar un experimento combinado en el que cada una de las fracciones (la
inicial y el foldover) son tratados como bloques. La relacin definidora para el diseo combinado puede
ser calculada usando la regla 1 para foldover desarrollada por Montgomery (1996).

Regla 1 para foldover: La relacin definidora para el diseo combinado consiste de aquellos
efectos en la relacin definidora de la fraccin inicial que no cambian de signo en la nueva fraccin

La relacin definidora completa para la fraccin original es I = ABD = ACE = AFG = BCF =
BEG = CDG = DEF = ABCG = ABEF = ACDF = ADEG = BCDE = BDFG = CEFG = ABCDEFG y la
relacion defindora para la nueva fraccion es I = ACE = AFG = BCF = BEG = ABD = CDG = DEF =
ABCG = ABEF =CEFG = ACDF = ADEG = BCDE = BDFG = ABCDEFG. De acuerdo a la regla
1 para foldover la relacion definora del diseno combinado es: I = ACE = AFG = BCF = BEG = ABCG =
ABEF = CEFG.

Foldover de columna mltiple para fracciones de resolucin III

Agregar a un factorial fraccional de resolucin III una segunda fraccin con todas las columnas
invertidas rompe las uniones entre los efectos principales y las interacciones de 2 factores. La tabla 6
muestra un ejemplo proporcionado por Montgomery (2009). En este caso las dos fracciones fueron
combinadas en un experimento en 2 bloques. Los resultados muestran que despus de agregar la segunda
fraccin, los efectos principales estn completamente desacoplados de las interacciones de 2 factores.
Cuando el foldover de columna mltiple es aplicado a un diseo de resolucin III, la combinacin de las
dos fracciones resulta en un diseo que es al menos de resolucin IV.
74
Tabla 6. El 2 III ms foldover Tabla 7. Estructura de aliases del diseo
de columna mltiple combinado
Factors Factors/Aliases
Run Block A B C D E F G [Intercept] = Intercept
1 Block 1 -1 -1 -1 1 1 1 -1 [Block 1] = Block 1 + ABD + ACE + AFG + BCF + BEG + CDG + DEF
2 Block 1 1 -1 -1 -1 -1 1 1 [Block 2] = Block 2 - ABD - ACE - AFG - BCF - BEG - CDG - DEF
3 Block 1 -1 1 -1 -1 1 -1 1 [A] = A + BCG + BEF + CDF + DEG
4 Block 1 1 1 -1 1 -1 -1 -1 [B] = B + ACG + AEF + CDE + DFG
5 Block 1 -1 -1 1 1 -1 -1 1 [C] = C + ABG + ADF + BDE + EFG
6 Block 1 1 -1 1 -1 1 -1 -1 [D] = D + ACF + AEG + BCE + BFG
7 Block 1 -1 1 1 -1 -1 1 -1 [E] = E + ABF + ADG + BCD + CFG
8 Block 1 1 1 1 1 1 1 1 [F] = F + ABE + ACD + BDG + CEG
9 Block 2 1 1 1 -1 -1 -1 1 [G] = G + ABC + ADE + BDF + CEF
10 Block 2 -1 1 1 1 1 -1 -1 [AB] = AB + CG + EF
11 Block 2 1 -1 1 1 -1 1 -1 [AC] = AC + BG + DF
12 Block 2 -1 -1 1 -1 1 1 1 [AD] = AD + CF + EG
13 Block 2 1 1 -1 -1 1 1 -1 [AE] = AE + BF + DG
14 Block 2 -1 1 -1 1 -1 1 1 [AF] = AF + BE + CD
15 Block 2 1 -1 -1 1 1 -1 1 [AG] = AG + BC + DE
16 Block 2 -1 -1 -1 -1 -1 -1 -1 [BD] = BD + CE + FG

Foldover de columna simple para fracciones de resolucin IV

Para resolucin IV podemos estimar los efectos principales y todas las k-1interacciones de 2
factores para un factor al revertir ese factor. La Tabla 8 muestra un foldover de columna simple aplicado a
u. 28IV4. La Tabla 9 muestra la estructura de aliases para el diseo combinado. Note que la cambiar los
signos de la columna [A], es posible estimar el efecto de este factor y de todas las interacciones de dos
factores en que [A] est involucrado.

Tabla 8. El 28IV 4 ms foldover de columna simple Tabla 9. Estructura de aliases del diseo combinado
Factors Factors/Aliases
Run Block A B C D E F G H [Intercept] = Intercept
1 Block 1 - - - - - - - -
[Block 1] = Block 1
2 Block 1 + - - - - + + +
3 Block 1 - + - - + - + + [Block 2] = Block 2
4 Block 1 + + - - + + - - [A] = A
5 Block 1 - - + - + + + - [B] = B + CDE + CFH + DFG + EGH
6 Block 1 + - + - + - - +
7 Block 1 - + + - - + - +
[C] = C + BDE + BFH + DGH + EFG
8 Block 1 + + + - - - + - [D] = D + BCE + BFG + CGH + EFH
9 Block 1 - - - + + + - + [E] = E + BCD + BGH + CFG + DFH
10 Block 1 + - - + + - + -
[F] = F + BCH + BDG + CEG + DEH
11 Block 1 - + - + - + + -
12 Block 1 + + - + - - - + [G] = G + BDF + BEH + CDH + CEF
13 Block 1 - - + + - - + + [H] = H + BCF + BEG + CDG + DEF
14 Block 1 + - + + - + - - [AB] = AB
15 Block 1 - + + + + - - -
16 Block 1 + + + + + + + +
[AC] = AC
17 Block 2 + - - - - - - - [AD] = AD
18 Block 2 - - - - - + + + [AE] = AE
19 Block 2 + + - - + - + + [AF] = AF
20 Block 2 - + - - + + - -
21 Block 2 + - + - + + + - [AG] = AG
22 Block 2 - - + - + - - + [AH] = AH
23 Block 2 + + + - - + - + [BC] = BC + DE + FH
24 Block 2 - + + - - - + -
[BD] = BD + CE + FG
25 Block 2 + - - + + + - +
26 Block 2 - - - + + - + - [BE] = BE + CD + GH
27 Block 2 + + - + - + + - [BF] = BF + CH + DG
28 Block 2 - + - + - - - + [BG] = BG + DF + EH
29 Block 2 + - + + - - + +
[BH] = BH + CF + EG
30 Block 2 - - + + - + - -
31 Block 2 + + + + + - - - [CG] = CG + DH + EF
32 Block 2 - + + + + + + + [ACH] = ACH + ABF + ADG
Foldover de dos columnas para fracciones de resolucin IV
Montgomery y Runger (1996) consideraron foldovers generados al invertir los signos de 2
columnas. En su anlisis descubrieron que cambiando los signos de 2 columnas en lugar de una tiene el
potencial para desacoplar ms interacciones de dos factores y afirman que el cambiar los signos de dos
factores puede reducir el nmero de interacciones de 2 factores que estn correlacionadas en un 50%. La
Tabla 10 muestra un 28IV4 aumentado con un foldover de dos columnas. La Tabla 11 muestra la estructura
de aliases del diseo combinado

Tabla 10. El 2 8IV 4 ms foldover de dos columnas Tabla 11. Estructura de aliases del diseo combinado
Factors Factors/Aliases
Run Block A B C D E F G H
[Intercept] = Intercept
1 Block 1 - - - - - - - -
2 Block 1 + - - - - + + + [Block 1] = Block 1
3 Block 1 - + - - + - + + [Block 2] = Block 2
4 Block 1 + + - - + + - - [A] = A + BCG + BDH + BEF
5 Block 1 - - + - + + + -
6 Block 1 + - + - + - - +
[B] = B + ACG + ADH + AEF
7 Block 1 - + + - - + - + [C] = C + ABG + DGH + EFG
8 Block 1 + + + - - - + - [D] = D + ABH + CGH + EFH
9 Block 1 - - - + + + - + [E] = E + ABF + CFG + DFH
10 Block 1 + - - + + - + -
11 Block 1 - + - + - + + -
[F] = F + ABE + CEG + DEH
12 Block 1 + + - + - - - + [G] = G + ABC + CDH + CEF
13 Block 1 - - + + - - + + [H] = H + ABD + CDG + DEF
14 Block 1 + - + + - + - - [AB] = AB + CG + DH + EF
15 Block 1 - + + + + - - -
16 Block 1 + + + + + + + + [AC] = AC + BG
17 Block 2 + + - - - - - - [AD] = AD + BH
18 Block 2 - + - - - + + + [AE] = AE + BF
19 Block 2 + - - - + - + +
[AF] = AF + BE
20 Block 2 - - - - + + - -
21 Block 2 + + + - + + + - [AG] = AG + BC
22 Block 2 - + + - + - - + [AH] = AH + BD
23 Block 2 + - + - - + - + [CD] = CD + GH
24 Block 2 - - + - - - + -
[CE] = CE + FG
25 Block 2 + + - + + + - +
26 Block 2 - + - + + - + - [CF] = CF + EG
27 Block 2 + - - + - + + - [CH] = CH + DG
28 Block 2 - - - + - - - + [DE] = DE + FH
29 Block 2 + + + + - - + +
[DF] = DF + EH
30 Block 2 - + + + - + - -
31 Block 2 + - + + + - - - [ACH] = ACH + ADG + BCD + BGH
32 Block 2 - - + + + + + + [CDE] = CDE + CFH + DFG + EGH

Es claro que cuando el objetivo es desacoplar ms interacciones de dos factores, este mtodo debera ser
preferido. La Tabla 12 muestra los foldover recomendados para desacoplar el mximo nmero posible de
interacciones de 2 factores. Es importante recordar que un foldover para resolucin IV no necesariamente
separara todas las interacciones de 2 factores. Si la fraccin original tiene una estructura de aliases que
contiene ms de 2 interacciones de 2 factores en cualquier cadena de aliases, el foldover no separara todas
las interacciones de 2 factores.

Tabla 12. Algunos foldovers recomendados para diseos 2kIV p (Montgomery y Runger, 1996)

Design Sign Reversal for Foldover Design Sign Reversal for Foldover
6-2 9-3
1) 2 one factor, any 6) 2 one factor from ADHJ only
7-2
2) 2 one factor from CEFG only 7) 29-4 two factors, exvept E, or the pairs, AF, BG, CH, DJ
3) 27-3 one factor, any 8) 210-4 two factors needed
4) 28-3 one factor, except E or H 9) 210-5 two factors needed
8-4
5) 2 two factors, any
Para diseos de resolucin IV la estrategia de invertir los signos de todos los factores no es directamente
aplicable porque el diseo combinado resultante tendr el mismo nmero de palabras de 4 letras. Por lo
tanto un foldover de columna mltiple es completamente intil para fracciones de resolucin IV

Semifold para fracciones de resolucin III

Mee y Peralta (2000) no recomiendan el semifold como una estrategia para estimar mas efectos
despues de un 2kIII .p En su lugar ellos prefieren usar el semifold como el primer paso en una estrategia de
confirmacion. Si los resultados obtenidos despues de correr la fraccion de semifold no son los esperados,
la mitad restante de la fraccion de foldover puede ser aadida (esto aplica tambien a fraciones de
resolucion IV). La Tabla 13 muestra un 27III4 aumentado con un semifold. El semifold se construyo al
invertir la columna [A] y selccionar los signos positivos en dicha columna. La Tabla 14 muestra la
estructura de aliases del diseno combinado

Tabla 13. El 27III4 ms semifold en [A] Tabla 14. Estructura de aliases del diseo combinado
Factors Factors/Aliases
Run Block A B C D E F G [Intercept] = Intercept - BD - CE - FG
1 1 -1 -1 -1 1 1 1 -1 [Block 1] = Block 1 + BD + CE + FG
2 1 1 -1 -1 -1 -1 1 1 [Block 2] = Block 2 - BD - CE - FG
3 1 -1 1 -1 -1 1 -1 1 [A] = A + BD + CE + FG
4 1 1 1 -1 1 -1 -1 -1 [B] = B + AD + CF + EG
5 1 -1 -1 1 1 -1 -1 1 [C] = C + AE + BF + DG
6 1 1 -1 1 -1 1 -1 -1 [D] = D + AD + CG + EF
7 1 -1 1 1 -1 -1 1 -1 [E] = E + AE + BG + DF
8 1 1 1 1 1 1 1 1 [F] = F + AG + BC + DE
[G] = G + AG + BE + CD
9 2 1 -1 -1 1 1 1 -1
[AB] = AB - AD
10 2 1 1 -1 -1 1 -1 1
[AC] = AC - AE
11 2 1 -1 1 1 -1 -1 1
[AF] = AF - AG
12 2 1 1 1 -1 -1 1 -1

Semifold para fracciones de resolucin IV

k p
Mee y Peralta (2000) consideran que diseos de foldover aplicados a fracciones 2IV son
generalmente ineficientes en trminos de grados de libertad porque en la mayora de las situaciones aadir
una segunda fraccin de tamao n de la misma familia, proporcionara menos que n/2 grados de libertad
adicionales para interacciones de 2 factores. Barnett et al. (1997) presentan un estudio en el que un
semifold fue aplicado a un 26IV2 y significancia fue encontrada en las interacciones AF+DE, AD+EF,
AC+BE, y AE+BC. Dado que el factor A estaba involucrado en las 4 cadenas de aliases la fraccin de
semifold se obtuvo al invertir los niveles de este factor, despus, solo las 8 corridas en que A era positivo
fueron usadas. La Tabla 15 muestra el diseo y la Tabla 16 muestra la estructura de aliases del diseo
combinado.
Es importante mencionar que foldovers completos para diseos de resolucin IV son vlidos de
considerar si incremento en la precisin de los estimadores es importante, pero son opciones pobres para
experimentacin secuencial cuando el objetivo es estimar ms efectos.
 Tabla 15. El 26IV 2 mas semifold en [A] Tabla 16. Estructura de aliases del diseo combinado

Factors [Intercept] = Intercept - BCE - DEF

Run Block A B C D E F [Block 1] = Block 1 + BCE + DEF
[Block 2] = Block 2 - BCE - DEF
1 Block 1 -1 -1 -1 -1 -1 -1
[A] = A + BCE + DEF
2 Block 1 1 -1 -1 -1 1 -1 [B] = B + ACE + CDF
3 Block 1 -1 1 -1 -1 1 1 [C] = C + ABE + BDF
4 Block 1 1 1 -1 -1 -1 1 [D] = D + AEF + BCF
5 Block 1 -1 -1 1 -1 1 1 [E] = E + ABC + ADF
[F] = F + ADE + BCD
6 Block 1 1 -1 1 -1 -1 1
[AB] = AB - ACE
7 Block 1 -1 1 1 -1 -1 -1 [AC] = AC - ABE
8 Block 1 1 1 1 -1 1 -1 [AD] = AD - AEF
9 Block 1 -1 -1 -1 1 -1 1 [AE] = AE - ABC - ADF
10 Block 1 1 -1 -1 1 1 1 [AF] = AF - ADE
11 Block 1 -1 1 -1 1 1 -1 [BC] = BC + DF + ABC + ADF
[BD] = BD + CF + 0.333 * ABD + 0.333 * ACF - 0.333 * BEF - 0.333 * CDE
12 Block 1 1 1 -1 1 -1 -1
[BE] = BE + ABE
13 Block 1 -1 -1 1 1 1 -1 [BF] = BF + CD + 0.333 * ABF + 0.333 * ACD - 0.333 * BDE - 0.333 * CEF
14 Block 1 1 -1 1 1 -1 -1 [CE] = CE + ACE
15 Block 1 -1 1 1 1 -1 1 [DE] = DE + ADE
16 Block 1 1 1 1 1 1 1 [EF] = EF + AEF
17 Block 2 1 -1 -1 -1 -1 -1
18 Block 2 1 1 -1 -1 1 1
19 Block 2 1 -1 1 -1 1 1
20 Block 2 1 1 1 -1 -1 -1
21 Block 2 1 -1 -1 1 -1 1
22 Block 2 1 1 -1 1 1 -1
23 Block 2 1 -1 1 1 1 -1
24 Block 2 1 1 1 1 -1 1

Algoritmo R4

Considere la fraccin 241 descrita en la tabla 17 y asuma que la cadena de aliases [AB] = AB + CD
resulto ser significativa.
En el algoritmo R4 cada interaccin presente en la cadena de inters es llamada columna i, donde i =
{1, 2, 3, 4}. Por ejemplo, si la cadena de inters es [AB] = AB + CD, entonces AB podra ser nombrada
columna 1 y CD podra ser nombrada columna 2.

Tabla 17. La fraccin 2 4IV1

2 4IV1

Figura 3. Estructura de aliases

 Si la cadena de aliases significativa tuviese la forma [AB] = AB + CG + DH + EF como en el
caso de un diseno 2 7IV3 , entonces AB podria ser llamada columna 1, CG columna 2, DH columna 3 y EF
columna 4. El siguiente paso es determinar las coriidas adicionales que necesitan ser anadidas al diseno
inicial con el objeto de desacoplar estas columnas. Estas corridas han sido predefinidas y se muestran en
la Figura 4. Note que si la cadena de aliases contiene 2 columnas, entonces 2 corridas adicionales seran
requeridas para mantener balance, pero si la cedena contiene 3 o mas columnas, entonces 4 corridas seran
necesraias para mantener la propiedad de balance.

3 Columns 4 Columns
Runs Column 1 Column 2 Column 3 Runs Column 1 Column 2 Column 3 Column 4
2 Columns 1 -1 1 -1 1 -1 1 -1 1
Runs Column 1 Column 2 2 1 -1 -1 2 1 -1 -1 1
1 -1 1 3 -1 1 1 3 -1 1 1 -1
2 1 -1 4 1 -1 1 4 1 -1 1 -1
Figura 4. Corridas adicionales para desacoplar 2, 3 o 4 columnas

Estas corridas son agregadas en pares, primero loas corrida1 y 2 y despues (si son reuqeridas) las
corridas 3 y 4. Despues de cada aumento un analisis es realizado y el experimentador decide si desea
continuar desacoplando la misma cadena (en este caso anadira las corridas 3 y 4) o si comenzara el
procedimeinto desde el principio con una nueva cadena (en este caso anadira las corridas 1 y 2 para la
neuva cadena) El procedimiento se repite hasta que el modelo correcto ha sido identificado. En la mayoria
de los casos solo 4 corridas son requeridas para desacoplar una cadena pero si una quinta corrida es
necesitada (para el caso en que estamos desacoplando 3 o 4 columnas), esta puede ser agregada como la
imagen espejo de la tercer corrida, la sexta puede ser agregada como la imagen espejo de la cuarta corrida
y asi sucesivamente.
Una caracteristica importante de este algoritmo es que no dice como asignar signos a los efectos
principales en la matriz de diseno. Por ejemplo, considere el experimento 24IV1 descrito en la Tabla 17.
Suponga que 2 corridas adicionales se requieren para desacoplar la cadena [AB] = AB + CD, en la que
AB es considerada la columna 1 y CD es considerada la columna 2. Despus de que estas 2 corridas son
aadidas, los signos para los efectos principales se determinan de la siguiente manera:
Para el - de la columna AB, asigne - a la columna A y + a la columna B, para el +
de la columna AB asigne - a la columna A y - a la columna B. Para el - de la columna CD
asigne - a C y + a D y para el - de la columna CD asigne - a la columna C y - a la
columna D. Si la misma cadena necesita ms desacoplamiento, entonces las corridas3 y 4 son agregadas
con los signos invertidos.
Para el - de la columna AB asigne + a la columna A y - a la columna B; para el + de
la columna AB asigne + a la columna A y + a la columna B; para el - de la columna CD asigne
+ a C y - a D y para el - de la columna CD asigne + a la columna C y + a la columna D.
Si existen efectos principales cuyos signos no dependen de los signos previamente determinados,
entonces los signos para estos efectos principales se agregan en orden estndar

Algunas caractersticas importantes de este algoritmo incluyen:

Soluciona una cadena a la vez
Considera cada termino en la cadena como una columna individual
Posee una manera estructurada de aadir corridas adicionales para desacoplar cadenas con 2, 3 o
4 columnas.
 Agrega las corridas en pares
Despus de cada aumento se analiza el experimento y se determina si la cadena anterior necesita
ms desacoplamiento o si una nueva cadena necesita ser desacoplada.

La Figura 5 muestra la secuencia de pasos en que un aumento tpico de una fraccin resolucin IV es
realizada

2 4IV1

2 4IV1

2 4IV1
Run A B C D AB CD
1 -1 -1 -1 -1 1 1
2 1 -1 -1 1 -1 -1
3 -1 1 -1 1 -1 -1
4 1 1 -1 -1 1 1
5 -1 -1 1 1 1 1
6 1 -1 1 -1 -1 -1
7 -1 1 1 -1 -1 -1
8 1 1 1 1 1 1
Additional Run 1 -1 1 -1 -1 -1 1
Additional Run 2 -1 -1 -1 1 1 -1

Figura 5. Determinacin de los signos para las columnas A, B, C y D en base a los signos de AB y CD
Algoritmo R3

El algoritmo R3es una extensin del algoritmo R4 aplicada directamente a fracciones de resolucin III. El
mtodo es tambin llamado una cadena a la vez porque en cada aumento se enfoca en desacoplar la
cadena de aliases ms larga o ms significativa. Una cadena es desacoplada al considerar cada elemento
en la cadena como una columna individual y al aadir corridas adicionales de acuerdo al algoritmo R4.
Una vez que los signos para los efectos principales y las interacciones de 2 factores involucrados o
contenidos en la primera cadena han sido determinados, movemos nuestra atencin a la segunda cadena y
repetimos el procedimiento.
Cuando se utiliza este mtodo, un balance perfecto no puede ser alcanzado en los pasos iniciales. Sin
embargo cuando nuevos grupos de corridas son agregados, los signos para estas nuevas corridas se
determinan de tal forma que el anterior desbalance sea corregido, de esta manera el balance del diseo se
mejora significativamente. En la mayora de los casos balance aproximado puede ser alcanzado despus
de realizar el segundo aumento. Experimentacin ha demostrado que en la mayora de los casos la
primera cadena es suficiente para determinar signos para la mayora de los efectos y la segunda cadena (y
alguna veces una tercera) pueden ser desacopladas al usar los efectos restantes como factores
auxiliares (nos ayudan a desacoplar estas cadenas)
Despus de cada aumento las cadenas de aliases significativas son identificadas y priorizadas y corridas
adicionales son determinadas en base a la nueva estructura de aliases del diseo combinado. El
procedimiento se repite hasta que todos los trminos importantes han sido desacoplados y pueden ser
estimados en forma separada. El algoritmo R3 est compuesto de los siguientes pasos:

1) Identifique la cadena ms larga, la ms importante, o la ms significativa y la que sigue de esta.

Por ejemplo, considere la fraccin 26III3 con generadores D=AB, E=AC y F=BC (ver Tabla 20) y
asuma que los factores [B], [C] y [F] resultan significativos. Dado que todas las cadenas tienes la
misma longitud, podemos nombrar cadena 1 y 2 a cualquiera de ellas.

Tabla 20. La fraccin 2 6III3 con cadenas significativas [B], [C] y [F]

2 6III3

Figura 6. Estructura de aliases

2) Nombre las columnas en cada cadena de acuerdo al algoritmo R4, un efecto principal es siempre
nombrado columna 1 y las interacciones de 2 factores columna 2, 3, o 4 respectivamente. El
algoritmo R3 puede realizar desacoplamiento simultneo de efectos principales de interacciones
de 2 factores y de interacciones de 2 factores de otras interacciones de 2 factores. Este algoritmo
tambin puede enfocarse en desacoplar un factor especfico, digamos un efecto principal, de sus
 interacciones de 2 factores. Este desacoplamiento es hecho al fijar el efecto principal en la
columna 1 y al nombrar columna 2 en cada aumento a la interaccin ms fuertemente
correlacionada con este efecto principal. La razn de esto es que el desacoplamiento ser ms
fuerte entre las columnas 1 y 2 y ms dbil para cualquier otra combinacin de columnas. La
Tabla 21 muestra el nombramiento de columnas para el experimento 26III3descrito en la Tabla 20.

Tabla 21. Nombramiento de columnas cuando las cadenas significativas son: [B],[C] y [F]
Column 1 Column 2 Column 3
Chain 1 B AD CF
Chain 2 C AE BF

3) Agregue 2 corridas adicionales de acuerdo al algoritmo R4 para desacoplar la primera cadena (si
esta cadena es igual a la cadena previa, entonces las corridas 3 y 4 de la Figura 4 son agregadas
para mantener balance, de lo contrario las corridas 1 y 2 de la Figura 4 son aadidas) y use la
interacciones de 2 factores para determinar los signos de los efectos principales asociados con
estas interacciones. Los signos para los efectos principales son asignados en la misma forma que
en el algoritmo R4. La Tabla 22muestra las corridas adicionales y la Figura 7 muestra los signos
para los efectos principales.

Tabla 22. La fraccin 2 6III3 aumentada con 2 corridas para desacoplar la Cadena 1
2 6III3
A B C D E F AF AD CF
-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 -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 1 1 1 1 1 1 1 1
-1 1 -1
1 -1 -1

2 6III3
A B C D E F AF AD CF
-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 -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 1 1 1 1 1 1 1 1
-1 -1 -1 -1 1 -1 1 -1
-1 1 1 1 -1 1 -1 -1

Figura 7. Asignacin de signos a la matriz de diseo

 4) Determine si la segunda cadena puede ser desacoplada o si un factor auxiliar puede ser utilizado.
Note que para el diseo 26III3 los signos de A, D, C y F fueron determinados al usar los signos
asignados a AD y CF y sol el factor E contina sin ser asignado. En algunos casos el
desacoplamiento de la segunda cadena es realizado directamente al asignar signos a sus
respectivas columnas. La asignacin directa es posible cuando las cadenas bajo estudio son cortas
y queda espacio para determinar signos. En otros casos, el desacoplamiento de la segunda cadena
es realizado en forma indirecta al usar un efecto principal para crear un contraste entre sus
columnas (Figura 8).

2 6III3
A B C D E F AF AD CF AE BF BC DE
-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 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 -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 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 1 1

Figura 8. Desacoplamiento de la Cadena 2 al usar E como factor auxiliar

Para este caso en particular, asignar signos en orden estndar a E crea un contraste entre C, AE y BF, sin
embargo el orden estndar no debera ser usado como una regla general. El experimentador deber
intentar con diferentes combinaciones y escoger la ms apropiada.
5) Realice el experimento para las nuevas corridas, determine trminos significativos y cree matrices
xx
de correlaciones cuyos elementos son i j , para representar las correlaciones (Tabla 23)
n

Tabla 23. Matrices de correlaciones y trminos significativos despus del primer aumento de la fraccin
AB AC AD AE AF BC
2 63
BDIII BE BF CD CE CF DE DF EF
A 0 0 0 0 0 -0.2 0.6 -0.2 0.2 -0.2 0.6 0.2 -0.2 0.2 0.2
B -0.2 -0.2 0.6 -0.2 0.2 0 0 0 0 0 0 0.8 0 0 0
C -0.2 -0.2 -0.2 0.6 0.2 0 0 0 0.8 0 0 0 0 0 0
D 0.6 -0.2 -0.2 -0.2 0.2 0 0 0 0 0 0 0 0 0 0.8
E -0.2 0.6 -0.2 -0.2 0.2 0 0 0 0 0 0 0 0 0.8 0
F 0.2 0.2 0.2 0.2 -0.2 0.8 0 0 0 0 0 0 0.8 0 0

AB AC AD AE AF BC BD BE BF CD CE CF DE DF EF
AB 1 0.2 0.2 0.2 -0.2 0 0 0 0 0 0 0 0 0 0.8
AC 0.2 1 0.2 0.2 -0.2 0 0 0 0 0 0 0 0 0.8 0
AD 0.2 0.2 1 0.2 -0.2 0 0 0 0 0 0 0.8 0 0 0
AE 0.2 0.2 0.2 1 -0.2 0 0 0 0.8 0 0 0 0 0 0
AF -0.2 -0.2 -0.2 -0.2 1 0 0 0.8 0 0.8 0 0 0 0 0
BC 0 0 0 0 0 1 0.2 0.2 -0.2 0.2 0.2 -0.2 1 -0.2 -0.2
BD 0 0 0 0 0 0.2 1 0.2 -0.2 0.2 1 -0.2 0.2 -0.2 -0.2
BE 0 0 0 0 0.8 0.2 0.2 1 -0.2 1 0.2 -0.2 0.2 -0.2 -0.2
BF 0 0 0 0.8 0 -0.2 -0.2 -0.2 1 -0.2 -0.2 0.2 -0.2 0.2 0.2
CD 0 0 0 0 0.8 0.2 0.2 1 -0.2 1 0.2 -0.2 0.2 -0.2 -0.2
CE 0 0 0 0 0 0.2 1 0.2 -0.2 0.2 1 -0.2 0.2 -0.2 -0.2
CF 0 0 0.8 0 0 -0.2 -0.2 -0.2 0.2 -0.2 -0.2 1 -0.2 0.2 0.2
DE 0 0 0 0 0 1 0.2 0.2 -0.2 0.2 0.2 -0.2 1 -0.2 -0.2
DF 0 0.8 0 0 0 -0.2 -0.2 -0.2 0.2 -0.2 -0.2 0.2 -0.2 1 0.2
EF 0.8 0 0 0 0 -0.2 -0.2 -0.2 0.2 -0.2 -0.2 0.2 -0.2 0.2 1
 La Tabla 23 muestra las matrices de correlaciones las cuales proporcionan tres tipos de informacin: Los
trminos que pueden ser estimados en el modelo de regresin ([A], [B], [C], [D], [E], [F], y [AF]), los
trminos significativos reportados despus del anlisis ([B], [C] y [F]) y los trminos que estn
fuertemente correlacionados con estos trminos significativos (AD y CF con [B], AE y BF con [C] y BC
y DE con [F]). Note que la adicin de solo dos corridas no permite la estimacin de trminos adicionales
porque las interacciones de 2 factores an estn fuertemente correlacionadas con efectos principales. En
forma adicional, la cadena de aliases ms fuertemente correlacionada es [F] porque contiene las dos
correlaciones ms latas de 0.8 cada una. Por lo tanto, deberemos seguir desacoplando [F] de BC y DE.
6) Repita el procedimiento comenzando desde el paso 1 hasta que un modelo apropiado sea
encontrado.
Para este caso en particular decidimos continuar desacoplando [F]. Estudios han demostrado que si
continuamos desacoplando una cadena previa, un diseo ms balanceado es alcanzado, pero el
desacoplamiento general es menos efectivo. Por otro lado, si movemos nuestra atencin a la cadena ms
fuertemente correlacionada, el desacoplamiento es ms efectivo, pero se produce solo un diseo
cercanamente balanceado. Bsicamente depende del experimentador el cmo proceder.
Tambin es muy importante considerar las corridas aadidas en pasos anteriores cuando se seleccionen
los signos para las nuevas corridas.

Tabla 24. Nombramiento de columnas cuando las cadenas a desacoplar son [F] y [C]
Column 1 Column 2 Column 3
Chain 1 F BC DE New chain

Chain 2 C AE BF

Tabla 25. Segundo aumento de la fraccin 2 6III3 para desacoplar la Cadena 1

2 6III3
A B C D E F BC DE
-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
-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
-1 -1 -1 -1 -1 1 1 1
-1 1 1 1 1 -1 1 1
-1 1 -1
1 -1 -1

2 6III3 2 6III3
A B C D E F BC DE A B C D E F BC DE BF AE
-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 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 -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 -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 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 -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 -1 1 -1 1 -1
-1 1 1 -1 1 -1 -1 1 -1 1 1 -1 1 -1 -1 -1 -1

Figura 10. El uso de A como factor auxiliar para crear un contraste entre
Figure 9. Asignacin de signos a la matriz de diseo C, AE and BF
Tabla 26. Matrices de correlaciones y trminos significativos despus del segundo aumento de la fraccin 2 6III3
A B C D E F
A 1 0.00 0.00 0.00 0.00 0.00
B 1 0.17 0.17 0.17 -0.17
C 1 0.17 0.17 -0.17 ME vs ME
D 1 0.17 -0.17
E 1 -0.17
F 1

AB AC AD AE AF BC BD BE BF CD CE CF DE DF EF
A -0.17 0.00 0.00 0.00 0.00 -0.33 0.33 0.00 0.00 -0.17 0.50 0.17 -0.17 0.17 0.17
B -0.17 -0.33 0.33 0.00 0.00 0.00 0.00 0.00 0.00 -0.17 0.17 0.50 0.17 -0.17 0.17
C -0.33 -0.17 -0.17 0.50 0.17 -0.17 -0.17 0.17 0.50 0.00 0.00 0.00 0.00 0.00 0.00 ME vs 2FI
D 0.33 -0.17 -0.17 -0.17 0.17 -0.17 -0.17 0.17 -0.17 0.00 0.00 0.00 0.00 0.00 0.67
E 0.00 0.50 -0.17 -0.17 0.17 0.17 0.17 -0.17 0.17 0.00 0.00 0.00 0.00 0.67 0.00
F 0.00 0.17 0.17 0.17 -0.17 0.50 -0.17 0.17 -0.17 0.00 0.00 0.00 0.67 0.00 0.00

AB AC AD AE AF BC BD BE BF CD CE CF DE DF EF
AB 1.00 0.17 0.17 0.17 -0.17 0.17 0.17 -0.17 0.17 0.00 0.00 0.00 0.00 0.00 0.67
AC 0.17 1.00 0.33 0.00 0.00 0.00 0.00 0.00 0.00 0.17 -0.17 0.17 -0.17 0.83 -0.17
AD 0.17 0.33 1.00 0.00 0.00 0.00 0.00 0.00 0.00 0.17 -0.17 0.83 -0.17 0.17 -0.17
AE 0.17 0.00 0.00 1.00 -0.33 0.00 0.00 0.00 0.67 -0.17 0.17 -0.17 0.17 -0.17 0.17
AF -0.17 0.00 0.00 -0.33 1.00 0.00 0.00 0.67 0.00 0.83 -0.17 0.17 -0.17 0.17 -0.17
BC 0.17 0.00 0.00 0.00 0.00 1.00 0.33 0.00 0.00 0.17 0.17 -0.17 0.83 -0.17 -0.17
BD 0.17 0.00 0.00 0.00 0.00 0.33 1.00 0.00 0.00 0.17 0.83 -0.17 0.17 -0.17 -0.17 2FI vs 2FI
BE -0.17 0.00 0.00 0.00 0.67 0.00 0.00 1.00 -0.33 0.83 0.17 -0.17 0.17 -0.17 -0.17
BF 0.17 0.00 0.00 0.67 0.00 0.00 0.00 -0.33 1.00 -0.17 -0.17 0.17 -0.17 0.17 0.17
CD 0.00 0.17 0.17 -0.17 0.83 0.17 0.17 0.83 -0.17 1.00 0.00 0.00 0.00 0.00 -0.33
CE 0.00 -0.17 -0.17 0.17 -0.17 0.17 0.83 0.17 -0.17 0.00 1.00 -0.33 0.33 -0.33 0.00
CF 0.00 0.17 0.83 -0.17 0.17 -0.17 -0.17 -0.17 0.17 0.00 -0.33 1.00 -0.33 0.33 0.00
DE 0.00 -0.17 -0.17 0.17 -0.17 0.83 0.17 0.17 -0.17 0.00 0.33 -0.33 1.00 -0.33 0.00
DF 0.00 0.83 0.17 -0.17 0.17 -0.17 -0.17 -0.17 0.17 0.00 -0.33 0.33 -0.33 1.00 0.00
EF 0.67 -0.17 -0.17 0.17 -0.17 -0.17 -0.17 -0.17 0.17 -0.33 0.00 0.00 0.00 0.00 1.00
CALIDAD Y CONFIABILIDAD

Definicin de confiabilidad

Confiabilidad se refiere a calidad sobre el tiempo. Es correcto decir esto, sin

embargo, la calidad tiene muchos atributos y la confiabilidad es solo uno ms. Una definicin
ms moderna que probablemente toma en cuenta los asuntos relacionados a la forma en la que el
cliente usa el producto podra ser expresada de la siguiente manera:

Confiabilidad es la probabilidad de que un producto desemperne su funcin sobre su

periodo especificado de uso, y bajo condiciones de operacin especificadas, de una manera que
cumple o excede las expectativas del cliente.

Cada frase de la definicin previa requiere especial atencin. Cada uno de los
componentes de esta definicin se discutir por separado.

Probabilidad

La confiabilidad es un fenmeno probabilstico. Como tal, podemos hacer uso de

distribuciones de probabilidad para modelar informacin de pruebas e informacin de campo.
Las fuentes principales de variacin en el desempeo de un atributo (pero no limitadas a estas)
son
1) Diferencias en materia primas y componentes suministrados
2) Diferencias en como el producto es procesado y ensamblado
3) Diferencias en como el cliente usa el producto
4) Diferencias en exposicin a estrs que afectan el desempeo

La aceptacin de una nocin probabilstica de la confiabilidad, que admite la posibilidad

de una falla, es un asunto de inters para las organizaciones.

Funcin

La funcin del producto debe ser identificada en etapas tempranas del diseo para
asegurar que los requerimientos del cliente sean diseados dentro del producto. Es importante
que el cumplimiento de cada funcin sea comprendido en trminos de las expectativas del
cliente. La identificacin de la funcin es tambin una tarea importante en la etapa de planeacin
de la confiabilidad.
Algunas veces el equipo de diseo falla al identificar usos potenciales de un producto por
parte de los clientes durante el proceso de diseo. Las funciones escondidas podran ser vistas
como abusos o mal uso del producto.

1) Usar un desarmador como martillo

2) Usar el volante del SUV para jalarse hacia al asiento del pasajero

Desde un punto de vista legal todas las organizaciones necesitan tomar responsabilidad
de todos los posibles usos incorrectos del producto

Vida especificada del Producto

La vida especificada del producto provee un lapso de tiempo para anlisis. Una
organizacin sin visin podra simplemente disear un producto que sea confiable durante el
periodo de vida especificado. Una organizacin con visin podra escoger una vida de diseo,
que es proporcional al tiempo al que el producto se espera funciones de acuerdo a los parmetros
y condiciones de uso especificados. Dependiendo de la perspectiva del diseador, la vida
especificada podra estar basada en cualquiera de los siguientes criterios.

Vida til: La vida econmica estimada del producto. Este trmino es usado en
ingeniera econmica y finanzas. Ms all de este punto, el costo de mantenimiento y
reparacin no justifica el uso continuado del producto
Vida de Garanta: Desde el punto de vista econmico del fabricante, el producto
debera desempear su funcin apropiadamente en este periodo de tiempo para
minimizar la publicidad negativa. Las compaas que desean tener xito en el
mercado global comprenden que es necesario satisfacer a sus clientes ms all de este
periodo de garanta.
Vida de Diseo: Las especificaciones en uso deberan ser basadas en informacin
proveniente del cliente y de los mercados competitivos. Es importante poner especial
atencin en el clculo de esta especificacin para asegurar que problemas de
confiabilidad hacia el final de la vida til del producto resulten en excesiva
insatisfaccin del cliente.
Condiciones de Operacin

Para que un producto se desempee bien, debe estar diseado para realizar su funcin
bajo condiciones de operacin que son representativas de la forma en la que el cliente en realidad
usa el producto. Con frecuencia es difcil para los ingenieros tener informacin precisa del uso
del producto. Esto conduce a un producto sobre o sub diseado. El uso de mtodos para diseo
de producto robusto es til para asegurar el diseo de un producto cuyo desempeo es insensible
a combinaciones extremas de factores ambientales. Algunos de los factores que influencian el
desempeo y que deberan ser tomados en consideracin incluyen:

Factores ambientales como temperatura, humedad, contaminantes atmosfricos y

concentracin de sal
Carga, vibracin y otro estrs fsico que afecte el rendimiento a travs del tiempo
Contacto superficie a superficie que pueda causar grietas u otros cambios en la
geometra de la superficie y propiedades del material a travs del tiempo.
Variaciones de manufactura en materias primas, composicin, y geometra,
configuraciones de procesos y desempeo de procesos
Concentraciones de estrs residual debido a formado, corte, tratamiento trmico y
operaciones de ensamblaje
Otros factores que podran inducir desgaste o fatiga

Voz del Cliente

Ultimadamente depende del cliente decidir si el desempeo de un producto es aceptable.

Cada uno de los tres criterios para evaluar la confiabilidad (funcin, vida especificada y
condiciones de operacin especificadas) deben ser evaluado en trminos de cmo y por cunto
tiempo los clientes usan un producto y lo que ellos experimentan cuando lo usan. En el
competitivo mercado globalizado del siglo 21, la confiabilidad es un importante requisito para
asegurar el xito. Por un lado, cuando los clientes experimentan un desempeo libre de fallas,
esto conduce a un incremento en la satisfaccin del cliente y atrae nuevos compradores. Por otro
lado, una pobre confiabilidad se traduce en un deterioro de la satisfaccin del cliente y de su
lealtad.
Por estas razones es importante que el equipo de diseo de producto entienda las
expectativas del cliente. La funcin de despliegue de cal8idad (QFD) es una valiosa herramienta
para asegurar que la voz del cliente sea correctamente capturada y que un conjunto realista de
requerimientos de desempeo y confiabilidad sean desplegados.

Que es una Falla?

Debido a que la confiabilidad trata con el problema de que una pieza, componente o
subsistema realice su funcin a travs del tiempo, debemos ser claros sobre lo que es la funcin
del producto y sobre cundo es que ocurre una falla. Se dice que ha ocurrido una falla cuando
una o ms de las funciones principales del producto dejan de contribuir a la satisfaccin del
cliente.

Las fallas ms serias resultan cuando una deficiencia en el diseo del producto o proceso
no fue identificada previo a la produccin o liberacin del producto, en tales casos, esos errores
de diseo podran resultar en que el producto nunca haya funcionado correctamente o que lo
haya hecho por un periodo de tiempo hasta que su desempeo se degrado a un nivel inaceptable.
Los modelos descritos aqu estn todos basados en la suposicin de que el producto desempea
perfectamente su funcin en su fecha de liberacin al cliente o a los respectivos canales de
distribucin.
 ENFOQUES BSICOS PARA MODELAR FENMENOS RELACIONADOS CON
FALLAS

Modelos de control de calidad

Los modelos de control de calidad son usados para evaluar la capacidad del proceso. Sin
embargo, la conexin entre la capacidad del proceso y la vida del producto (aun cuando se sabe
que existe), no es muy exacta. En la ecuacin 1.1 se muestra el uso de un modelo probabilstico
de una caracterstica de calidad X, para modelar una fraccin de no conformidad p. En la
ecuacin 1-1 se hace uso de f(x), la funcin de densidad de probabilidad de X, para modelar la
probabilidad de su ocurrencia en el intervalo [LSL, USL]

Modelos de Tiempo para Falla

El segundo enfoque involucra el uso de funciones de densidad de probabilidad f(t) de una
variable continua T, la cual denota el tiempo para que se presente una falla, u otra medida
relacionada a edad, ciclos, etc. Este es probablemente el modelo ms ampliamente usado para
describir la confiabilidad a travs del tiempo. F(t), la funcin de distribucin acumulada es usada
para caracterizar la fraccin de fallas de la poblacin en cualquier nivel de uso t

Es importante darnos cuenta de las limitaciones del uso de un modelo probabilstico como el
sugerido en la ecuacin 1-2. Cuando usamos este modelo estamos esencialmente modelando una
proporcin de fallas F(t) sobre el tiempo. No estamos modelando el mecanismo responsable de
la falla. Es importante darnos cuenta de que invertir dinero en un sistema para rastrear la
confiabilidad no conducir a una mejora de la confiabilidad.
Pruebas de xito-Falla
Durante las pruebas de verificacin del diseo los artculos se someten a pruebas por
periodos de tiempo determinado. El nmero de artculos que sobreviven o fallan la prueba son
registrados y comparados a los requerimientos. La distribucin binomial es usada para modelar
la distribucin del nmero de artculos que han sobrevivido o fallado una prueba cuando n
artculos se someten a prueba.

La probabilidad binomial bi(r; p, n) es la probabilidad de observar exactamente r fallas en un

total de n pruebas independientes, con el parmetro p denotando la probabilidad independiente
de que un componente individual falle o sobreviva. El orden de ocurrencia de las n fallas no es
importante.

Diseo probabilstico
El estrs vara aleatoriamente a lo largo del tiempo, y como tal, niveles aleatorios altos de
estrs pueden llevar a una falla repentina. Las fuerzas varan debido al proceso de manufactura y
uso del producto y por lo tanto tambin poseen una distribucin. De acuerdo a esto, el estrs y las
fuerzas ambos poseen distribuciones. Un modelo conceptual es presentado en la Figura 1-3.
Tales modelos son conocidos como modelos de diseo probabilsticos. La falla de un elemento
estructural debida a la carga aleatoria excesiva de su fuerza de rompimiento en un ejemplo de tal
ocurrencia. Como otro ejemplo considere el desempeo de un dispositivo electrnico como un
capacitor por ejemplo, el cual tiene una resistencia especificada a un nivel de voltaje excesivo.
Una ocurrencia aleatoria de un nivel de voltaje que excede su resistencia resultara en una falla.
Conceptualmente, si consideramos Y como una variable aleatoria que denota la fuerza o
resistencia a la falla y X una variable aleatoria que denota estrs o carga sobre un sistema, la
probabilidad de falla pf podra ser modelada como
Modelos de Degradacin del Desempeo
Podemos definir P(t) como una caracterstica continua observable que sirve para modelar
la degradacin del desempeo o el dao acumulado. Es una medida del grado de progresin de
un proceso hacia su falla. Un modelo conceptual para la funcin P(t) es ilustrado en la Figura 1-
4. Muchos fenmenos de falla debido al desgaste, corrosin, difusin, radiacin, estrs,
relajacin, fisura, etc., pueden ser modelados en esta forma. La identificacin de una medida
adecuada para P(t) es el primer paso. El uso de experimentos diseados permite la identificacin
de los parmetros de diseo que reducen el ndice promedio de progresin hacia la falla o la
variabilidad asociada alrededor de la media. Las tcnicas de diseo robusto permiten la
identificacin de diseos que son menos sensibles a los efectos de factores de ruido no
controlables que tienden a acelerar la progresin hacia la falla.
Modelos de Fsica de Fallas
En este enfoque, el ingeniero de confiabilidad busca obtener una comprensin ms
profunda del mecanismo de falla y de las dinmicas que conducen a un evento de falla. En este
caso el ingeniero busca comprender el efecto del estrs (temperatura, carga, etc.) sobre la vida de
un producto, usando modelos basados en fsica. Los modelos pueden ser empricos, basados en
estudios cientficos.
HISTORIA DE LA CONFIABILIDAD

La historia del campo de la confiabilidad podra ser trazada a los principios de los 30s
podra ser trazada a los principios de los 30s podra ser trazada a los principios de los 30s
cuando los principios de probabilidad fueron aplicados a problemas relacionados con la
generacin de energa elctrica en Estados Unidos. Durante la Segunda Guerra Mundial
Alemania aplico conceptos bsicos de confiabilidad para incrementar la confiabilidad de sus
cohetes V1 y V2. Tambin durante la Segunda Guerra Mundial el Departamento de Defensa de
Estados Unidos reconoci la necesidad de mejoras de confiabilidad de su equipo. Durante el
periodo que data de 1945 a 1950 realizo varios estudios concernientes a las fallas de equipo
electrnico, equipo de mantenimiento y costos de reparacin. Los resultados de estos estudios
son los siguientes:

Un estudio realizado por el ejrcito indico que entre dos tercios y tres cuartos del
equipo utilizado por el ejrcito estaba bajo reparacin.
Un estudio de la fuerza area desarrollado sobre un periodo de 5 aos revelo que los
costos de reparacin y mantenimiento de la fuerza area fueron aproximadamente 10
veces el costo original.
Un estudio de la Armada realizado durante maniobras revelo que el equipo
electrnico era funcional cerca del 30% del tiempo

Como resultado de estudios como este, el Departamento de Defensa estableci un comit

de confiablidad en 1950. En 1952 este comit se convirti en un grupo permanente llamado
AGREE, o grupo consejero de confiabilidad de equipo electrnico. En 1957 el grupo libero su
reporte llamo el reporte AGREE, que finalmente resulto en la liberacin de una especificacin
para la confiabilidad de equipo electrnico militar.
En 1954 un Simposio Nacional sobre Confiabilidad y Control de Calidad se celebr por
primera vez en Estados Unidos. Dos aos despus, en 1956, el primer libro comercial sobe
confiablidad fue publicado. El primer programa de maestra en Ingeniera de Confiabilidad de
Sistemas fue abierto en el Instituto de Tecnologa de la Fuerza Area en 1962.
HISTORIA DE LA CALIDAD

La historia del campo de la calidad puede remontarse a los antiguos tiempos de

construccin de las pirmides en el antiguo Egipto (1315-1090 BC). Durante su construccin
principios relacionados a la calidad fueron seguidos, particularmente en lo que se refiere a la
mano de obra, tamao del producto y materiales. En el siglo 12 AD, estndares de calidad fueron
establecidos por gremios.
Sin embargo en tiempos modernos (1907) la compaa Western Electric fue la primera en
usar principios bsicos de control de calidad en diseo, manufactura e instalacin. En 1916, C.N.
Frazee de Telephone Laboratories exitosamente aplico enfoques estadsticos a problemas
relacionados con inspeccin y en 1917, G.S. Radford acuo el trmino control de calidad. En
1924 Walter A. Shewhart de la compaa Western Electric desarrollo grficos de control de
calidad. Ms especficamente el desarrollo un memorndum en Mayo 16 de 1924 que contena
un bosquejo del grafico moderno de control de calidad. Siete aos ms adelante, en 1931, el
pblico un libro que llamo Control Econmico de Calidad de Productos Manufacturados.
En 1944 el diario de Control de Calidad Industrial era publicado conjuntamente por la
Universidad de Bufalo y el captulo de la Sociedad de Ingenieros Control de Calidad. En 1946 la
Sociedad para el Control de Calidad (ASQC) fue formada y este diario se convirti en su voz
oficial.
A lo largo de los aos mucha gente y organizaciones han contribuido al campo de la
calidad y un vasto nmero de publicaciones sobre el tema han aparecido.