Escolar Documentos
Profissional Documentos
Cultura Documentos
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:
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.
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.
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
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.
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:
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:
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
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
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
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
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
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
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.
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
Esto indica que el modelo completo ser capaz de explicar el 74% de la variabilidad en la nueva
informacin.
Replica simple del diseo 2k
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 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
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
ab + + + - + - - -
Alternate
Fraction
ac + + - + - + - -
bc + - + + - - + -
(1) + - - - + + + -
[A] = A + BC
[B] = B + AC
[C] = C + AB
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.
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:
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.
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.
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.
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.
[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
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
1890-1899
1900-1909
1910-1919
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
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
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
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
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
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
2000-2004
2005-2009
2010
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)
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:
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.
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.
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:
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:
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
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.
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)
ANTECEDENTES
,
=( )
,;,
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).
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.
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.
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
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.
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
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
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.
2 4IV1
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
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:
Tabla 20. La fraccin 2 6III3 con cadenas significativas [B], [C] y [F]
2 6III3
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
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
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
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
Cada frase de la definicin previa requiere especial atencin. Cada uno de los
componentes de esta definicin se discutir por separado.
Probabilidad
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.
Desde un punto de vista legal todas las organizaciones necesitan tomar responsabilidad
de todos los posibles usos incorrectos 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:
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
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.
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