FASE DE MEJORA H. Hernández / P. Reyes Sept.

2007

FASE DE MEJORA

H. Hernández / P. Reyes
Septiembre 2007

Página 1 de 68
 FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

FASE DE MEJORA

Definir
Definir Medir Analizar Mejorar
Mejorar Controlar
Controlar

En la fase de Análisis identificamos las causas de variación. En esta fase

utilizamos el diseño de experimentos (DOE), para seleccionar las causas
que más afectan nuestro CTQ e investigar estás causas para conocer el
comportamiento del proceso. El método de DOE consiste en realizar
cambios en los niveles de operación de los factores (X’s) para obtener
los mejores resultados en la respuesta "Y". Esta información es de gran
ayuda para la optimización y mejora de procesos.

Objetivos:

 Conocer el uso de las herramientas de mejora.

 Conducir el diseño de experimentos para la optimización de procesos.
 Obtener las mejoras del proceso en el proyecto.

Herramientas:

No Herramient Para que es usada.

. a
5- Diseño de Los experimentos factoriales son utilizados cuando se
1 experiment involucran varios factores de interés en un experimento.
os En cada replica se utilizan cada uno de los factores que
factoriales se están investigando.
2k
5- Diseño Consiste en realizar replicas en ciertos puntos del
2 central experimento factorial 2k, para proveer una protección
compuesto contra la curvatura que pudiera estar presente.

Página 2 de 68
 FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

2k
5- DOE Es utilizado cuando el número de factores es demasiado
3 Taguchi grande ya que el número de combinaciones e
interacciones aumenta, y en ocasiones sería casi
imposible realizar un diseño aunque se utilice un diseño
fraccional; en este caso es más sencillo realizar la
metodología que propone Taguchi.
5- RSM La metodología de superficie de respuesta o RSM es una
4 colección de técnicas Matemáticas y Estadísticas,
utilizadas para modelar y analizar problemas en los
cuales la Respuesta de interés es influenciada por
varias variables, siendo el objetivo optimizar dicha
Respuesta.

Etapas:

1. Mostrar las causas potenciales y caracterización de X´s:

En la fase de análisis encontramos los pocos vitales X’s, en esta fase

vamos a determinar aquellos que específicamente afectan nuestro
proceso. Esto se lleva a cabo a través de datos históricos, conocimiento y
discusiones. En base a lo anterior también desechamos las variables que
no son utilizadas. Una opción para realizar esta actividad es mediante el
uso del diagrama de Ishikawa

Los pocos vitales son elementos críticos o factores, nombrados en tipo,

clase, o en cantidad

Los cambios en los parámetros de operación referentes a las X´s pueden

ser puestos en niveles múltiples, para estudiar como afectan la
respuesta en el proceso “Y”

Página 3 de 68
 FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

DOE es un método para probar la significancia, o sea que tanto afectan

cada uno de los factores a la variable de respuesta. Y para determinar la
interacción entre dichos factores.

Consideraciones:

 DOE sirve para identificar los pocos vitales de los CTQ´s

 En la optimización es utilizada para determinar los niveles más apropiados
de los pocos vitales.
 Sirve para comparar el resultado experimental contra el proceso actual

2. Descubrir las relaciones entre variables y proponer una

solución:

Una vez determinados los factores con mayor significancia, o sea

aquellos que afectan más al proceso, estamos interesados en proponer
los niveles óptimos para cada factor.

Para poder hacerlo generamos la función de transferencia, mediante

análisis de regresión , simple o múltiple. Al realizarlo tendremos una
solución que nos permitirá alcanzar el objetivo que es la optimización del
proceso.

Para conducir un diseño de experimentos debemos tomar en cuenta los

puntos siguientes:

 Contar con el presupuesto para la experimentación.

 Disponibilidad de personal.
 Disponibilidad del tiempo para las pruebas.
 Otros recursos

Página 4 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

RESUMEN DE LA FASE DE MEJORA

Perspectiva histórica
 Ronald Fisher los desarrolla en su estación agrícola experimental
de Rothamsted en Londres (ANOVA) 1930
 Otros que han contribuido son: F. Yates, G.E.P. Box, R.C. Bose, O.
Kempthorne, W.G. Cochran, G. Taguchi
 Se ha aplicado el DOE en la agricultura y ciencias biológicas,
industria textil y lana, en los 1930’s
 Después de la II Guerra mundial se introdujeron en la industria
Química e industria electrónica
 El DOE es una metodología donde se varía un cierto número de
factores de entrada simultáneamente de una manera
cuidadosamente planeada, de manera que sus efectos individuales
y combinados en la salida puedan ser identificados.

Introducción
Entre sus ventajas se incluyen:
 Se pueden variar muchos factores simultáneamente
 Algunos factores de entrada pueden ser controlados de manera de
que la salida sea insensible a factores de ruido
 No se requiere siempre el conocimiento estadístico
 Los experimentos pueden distinguir los factores importantes
 Hay confianza en los resultados, los factores pueden fácilmente ser
puestos en niveles óptimos
 Los resultados indican si los factores fueron sobrestimados
 Se pueden hacer análisis estadísticos con programas de cómputo
 La calidad y la confiabilidad pueden ser mejorados sin incrementar
el costo o se pueden lograr reducciones de costo

Página 5 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 El cambiar un factor a un tiempo presenta las desventajas

siguientes:
 Se requieren demasiados experimentos para el estudio
 No se puede encontrar la combinación óptima de vars.
 No se puede determinar la interacción
 Se puede llegar a conclusiones erróneas
 Se puede perder tiempo en analizar las variables equivocadas

 El DOE intenta evitar estos problemas con una planeación

adecuada variando varios factores simultáneamente de forma que
se puede identificar su efecto combinado en forma económica:
o Se pueden identificar los factores que son significativos
o Se pueden lograr mejoras en la calidad y productividad
o No es necesario un conocimiento profundo estadístico
o Las conclusiones obtenidas son confiables
o Se pueden encontrar los mejores niveles de factores
controlables que inmunizen al proceso contra variaciones en
factores no controlables

 Es una prueba o serie de pruebas donde se inducen cambios

deliberados en las variables de entrada de un proceso, para
observar su influencia en la variable de salida o respuesta

 Es el proceso de planear un experimento para obtener datos

apropiados, que pueden ser analizados mediante métodos
estadísticos, con objeto de producir conclusiones válidas y
objetivas.

Página 6 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Cambios deliberados y sistemáticos de las variables de entrada

(factores) para observar los cambios correspondientes en la salida
(respuesta).

Página 7 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Términos utilizados en DOE:

 Obtención de réplicas: repetición del experimento: Para determinar
el error experimental con objeto de identificar diferencias
significativas estadísticamente en los datos observados
 Aleatorización, hacer los experimentos en forma aleatoria:
o Permite confundir el efecto de los factores no controlables
 Análisis por bloques, para mejorar la precisión del experimento
o Un bloque es una porción del material experimental que es
más homogéneo que el total del material experimental.
o Se comparan las condiciones de interés dentro de cada
bloque
 Los factores son los elementos que cambian durante un
experimento para observar su impacto sobre la salida. Se designan
como A, B, C, etc.

- Los factores pueden ser cuantitativos o cualitativos

- Los niveles se designan como alto / bajo (-1, +1) o (1,2)

Factor Niveles
B. Temp de Moldeo 600 700
E. Tipo de Material Nylon Acetal

Página 8 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Orden aleatorio
- El orden de las corridas aleatorio, reduce los efectos de
variables que no se consideraron en el diseño.
 Bloqueo
- Orden de corridas aleatorio en cada bloque
(Ej. , bloque de tiempo: AM vs PM, o Día 1 vs Día 2).
 Bloques: Unidades experimentales homogéneas
 Bloqueo: cuando se estructuran experimentos factoriales
fraccionales, el bloqueo se usa para agrupar las variables que
desea evitar. Un bloque puede ser un factor artificial que no
interactúa con los factores reales

 Box Behnken: son diseños experimentales factoriales altamente

fraccionales de tres niveles. Son más eficientes en estudios de
superficies de respuesta con tres o más factores donde se aplican
modelos polinomiales completos de segundo orden
 Colinealidad
- Ocurre cuando 2 variables están completamente
correlacionadas
 Confundidos
- Cuando el efecto de un factor no se puede separar del efecto
de alguna de sus interacciones (A y BC, B y AC)
 Correlación: un número entre -1 y +1 que indica el grado de
relación lineal entre dos conjuntos de números. El cero indica que
no hay relación
 Covarianza: cosas que cambian durante los experimentos pero no
fueron planeadas a cambiar, como temperatura o humedad. Con la
aleatorización se alivia este problema. Registrar los valores del
covariado para su posible uso en análisis de regresión
 Curvatura: comportamiento no lineal que requiere un modelo de al
menos segundo grado

Página 9 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Grados de libertad (DOF, DF, df o n): número de mediciones

independientes para estimar un parámetro poblacional (vg. la
media con n-1)
 EVOP (Evolutive operations): describe una forma secuencial de
experimentación haciendo pequeños cambios en el proceso para
mejorarlo
 Error experimental: variación en respuesta bajo las mismas
condiciones de prueba. También se denomina error residual.
 Primer orden: se refiere a la potencia a la cuál un factor aparece en
el modelo. Si la “X” representa un factor y “B” su efecto, entonces
el siguiente modelo es de primer orden para X1 y X2:
Y = Bo + B1*X1 + B2*X2 + error
 Fraccional: un arreglo con menos experimentos que el arreglo
completo (1/2, ¼, etc.)
 Factorial completo: arreglo experimental que considera todas las
combinaciones de factores y niveles
 Interacción: ocurre cuando el efecto de un factor de entrada en la
respuesta depende del nivel de otro factor de entrada diferente

 Nivel: un valor específico para un factor controlable de entrada

(100ºC, 120ºC, 140ºC)
 Efecto principal: un estimado del efecto de un factor
independientemente del efecto de los demás

Página 10 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Experimento con mezclas: experimentos en los cuales las variables

se expresan como proporciones del todo sumando 1.0
 Experimentos anidados: es un diseño experimental donde los
experimentos no son completamente aleatorizados (vg. Algunas
partes de toman de ciertas cavidades del molde)
 Optimización: hallar las combinaciones de los factores que
maximizen o minimizen la respuesta
 Ortogonal o balanceado: Es el arreglo que permite estimar los
efectos de los factores principales y de sus interacciones sin
confundirlos (el factorial completo es un ejemplo)
 Comparaciones pareadas: en estos experimentos se ignoran las
diferencias entre muestra y muestra y sólo se consideran las
diferencias en las respuestas para cada una de las muestras para
evaluar la variabilidad causada por el efecto de un factor
 Réplicas: experimentos repetidos en diferente tiempo para estimar
el error puro experimental entre intentos de modo que se pueda
evaluar la falta de ajuste
 Experimentos aleatorios: reduce la influencia de variables extrañas
en la experimentación
 Error residual (e o E): es la diferencia entre los valores observados
y los estimados por un modelo determinado empíricamente. Puede
ser la variación en resultados de condiciones de prueba
virtualmente idénticas

 Residuales: Es la diferencia ente las respuestas experimentales y

los valores estimados por el modelo

Resolución:
 Resolución I: Experimentos donde se varia sólo un factor a la vez
 Resolución II: Experimentos donde algunos efectos principales se
confunden, es indeseable

Página 11 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Resolución III- Exp. Fraccionales: Experimentos fraccionales donde

no se confunden los efectos principales entre sí, sólo con sus
interacciones de dos factores
 Resolución IV- Exp. Fraccionales: No se confunden los efectos
principales ni con sus interacciones pero si lo hacen las
interacciones entre si
 Resolución V – Exp. Fraccionales: Sólo puede haber confusión entre
interacciones de dos factores con interacciones de tres factores o
de mayor orden
 Resolución VI - Exp. Factorial completo V+, Experimentos sin
confusión, factoriales completos o dos bloques de 16 experimentos
 Resolución VII – Exp. Factoriales completos, Experimentos en 8
bloques de experimentos

Otros diseños:
 Método de Superficie de respuesta (RSM): es la gráfica de la
respuesta del sistema vs los factores del sistema. RSM emplea el
diseño experimental para descubrir la forma de la superficie de
respuesta y aprovecha los conceptos geométricos
 Variable de respuesta: Variable que muestra los resultados
observados de un tratamiento experimental, es la variable
dependiente
 Diseño robusto: De acuerdo a Taguchi, un experimento en el cual la
variable de respuesta es inmune a los factores de ruido que puede
ser difícil o imposible de controlar
 Experimento de filtrado: Técnica para identificar los factores más
importantes para el diseño de experimentos. Se emplean diseños
de dos niveles. Si un factor no altamente significativo no significa
que sea insignificante
 Experimentos secuenciales: Son experimentos que se realizan uno
después de otro como en el EVOP

Página 12 de 68
 FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Simples: Es una figura geométrica que tiene un número de vértices

(esquinas) mayor en uno al número de dimensiones en el espacio
factorial
 Diseño simples: Un diseño espacial usado para determinar la
combinación más deseada de variables (proporciones) en una
mezcla
 Tratamientos: En un experimento son los diversos niveles de los
factores que describen como se debe realizar el experimento (30º
y 3pH)

El Diseño de experimentos tiene como objetivos determinar:

 Las X’s con mayor influencia en las Y’s
 El mejor valor de X’s para lograr Y’s nominales
 El mejor valor de X’s de manera que la variabilidad de Y sea
pequeña
 El mejor valor de las X’s de manera que se minimizen los efectos
de las Z’s – Proceso robusto

Pasos del DOE:

 Establecer objetivos
 Seleccionar variables del proceso
 Seleccionar un diseño experimental
 Ejecutar el diseño
 Verificar que los datos sean consistentes con los supuestos
experimentales
 Analizar e interpretar los resultados
 Usar / presentar los resultados

Objetivos:
La selección de un diseño experimental depende de los objetivos del
experimento y del número de factores a ser investigados:

Página 13 de 68
 FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Objetivo comparativo
 Objetivo de filtraje de factores
 Objetivo del método de superficie de respuesta
 Optimizar las respuestas cuando los factores son proporciones en un
objetivo de mezclas
 Ajuste óptimo en un objetivo de modelo de regresión

Selección y escala de variables del proceso

Las variables de proceso incluyen ambas entradas y salidas, es decir factores
y respuestas. La selección de estas variables debe:
 Incluir todos los factores relevantes
 Ser brillantes en seleccionar los niveles de factores bajos y altos
 Evitar ajustes de factores para combinaciones imprácticas o
imposibles
 Incluir todas las respuestas relevantes
 Evitar usar respuestas que combinen dos o más mediciones de
proceso
 Evitar valores extremos en los factores de entrada

Página 14 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Lista de verificación del DOE:

 Definir los objetivos del experimento
 Aprender acerca del proceso antes de la tormenta de ideas
 Tormenta de ideas para definir la lista de las variables clave
dependientes e independientes
 Correr experimentos preliminares para afinar el equipo y obtener
resultados preliminares
 Asignar niveles a cada variable independiente en función del
conocimiento sobre el proceso
 Seleccionar un plan estándar de DOE o desarrollar uno
 Correr los experimentos en orden aleatorio y analizar los
resultados periódicamente
 Mientras que un experimento puede dar un resultado útil, es más
común realizar dos o tres o más experimentos antes de dar una
respuesta completa. Esto es mejor y más económico.
 Establecer conclusiones

Página 15 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Supuestos experimentales
 ¿Son capaces los sistemas de medición para todas las respuestas?
 ¿Es estable el proceso?
 ¿Los residuos se comportan adecuadamente?
Modelo X1 La varianza se Requiere un
término
Adecuado incrementa con X2 cuadrático agregado a X2

 Una interacción ocurre cuando el efecto de un factor de entrada en la

salida depende del nivel de otro factor de entrada. A veces se pierden
con los diseños factoriales fraccionales.

Sin interacción Interacción Interacción Interacción

moderada fuerte fuerte

Factoriales completos vs fraccionales

 Un diseño factorial completo es el que contiene todos los niveles de
todos los factores, no se omite ninguno

Página 16 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Un diseño factorial fraccional es un diseño experimental balanceado

donde que contiene menos combinaciones de todos los niveles y
factores. Por ejemplo para 3 factores y 2 niveles se tiene:

Experimentos de 3 factores y 3 niveles

 Estos diseños experimentales se utilizan para filtrar un gran número
de variables, pueden ser factoriales completos o fraccionales, por
ejemplo el 1/3 fraccional. Con dos niveles se usan (-) y (+) y con tres
niveles (0, 1, 2)

Página 17 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Claves para Experimentar con Éxito

1. Medición Adecuada de los Resultados

Usar un resultado relacionado directamente con la función del proceso,
usar datos variables..

2. Diseño Experimental Sólido

Ni el mejor análisis de datos puede compensar un experimento mal
diseñado. Selecciona cuidadosamente la respuesta de salida, los
factores y los niveles así como el esquema del DEE.

3. Planeación Metículosa
Para asegurar que las condiciones se puedan controlar como se
estableció en el diseño experimental, se deben preparar con anticipación
todos los recursos (gente, materiales, etc.) necesarios para realizar el
experimento.

4. Sistemas de Medición Verificados

Para asegurar que todos los datos sean “buenos”, verifica todos los
sistemas de medición antes de realizar el DEE.

5. Identifica las Unidades Experimentales

Marca cada unidad de acuerdo con la condición experimental que la
produce. De lo contrario, se perderá toda la información.

Página 18 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Pasos para Diseñar y Realizar un Diseño de Experimentos

1. Observar datos históricos y/o recolectar datos para establecer la

capacidad actual del proceso debe estar en control estadístico.

2. Determinar el objetivo del experimento (CTQs a mejorar).

3. Por medio de un equipo de trabajo multidisciplinario

Determinar qué se va a medir como resultado del experimento.

4. Identificar los factores (factores de control y de ruido) que pueden

afectar el resultado.

5. Determinar el número de niveles de cada factor y sus valores reales.

6. Seleccionar un esquema experimental que acomode los factores y

niveles seleccionados y decidir el número de replicas.

7. Verificar todos los sistemas de medición (R&R < 10%)

8. Planear y preparar los recursos (gente, materiales, etc.) para llevar a

cabo el experimento. Hacer un plan de prueba.

9. Realizar el experimento, marcar partes con la condición experimental

que la produce.

10. Medir las unidades experimentales.

11. Analizar los datos e identificar los factores significacivos.

Página 19 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

12. Determinar la combinación de niveles de factores que mejor alcance

el objetivo.

13. Correr un experimento de confimación con esta combinación

"óptima".

14. segurar que los mejores niveles para los factores significativos se
mantengan por largo tiempo mediante la implementación de Procesos de
Operación Estándar y controles visuales.

15. Re evaluar la capacidad del proceso.

Ejemplo:

Proceso de soldadura de una tarjeta de circuito impreso

Objetivos de los experimentos
o Caracterizar el proceso (identificar los factores que influyen en
la ocurrencia de defectos)
o Optimizar, identificar el nivel óptimo de los factores críticos
para reducir el número de defectos en los circuitos impresos
 Identificar la variable de respuesta
 Identificar los factores controlables que pueden afectar Y
 Identificar los factores de ruido que no podemos o queremos controlar

 Variables de control X’s

o Temperatura de la soldadura
o Temperatura de precalentamiento
o Velocidad de la banda
o Tipo de fundente
o Densidad relativa del fundente
o Altura de la ola de soldadura
o Angulo de la banda transportadora

Página 20 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 Variables que no se pueden o desean controlar Z’s – Variables de

ruido
o Espesor de la tarjeta de circuito impreso
o Tipos de componentes usados en el CI
o Disposición de los componentes
o Operario
o Ritmo de producción

Página 21 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Página 22 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Página 23 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Página 24 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Página 25 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

ANOVA

 ANOVA de un factor, una vía o una dirección

 ANOVA de un factor y una variable de bloqueo, dos vías o dos

direcciones

 ANOVA de un factor y dos variables de bloqueo – CUADRADO

LATINO

 ANOVA De un factor y tres variables de bloqueo – CUADRADO

GRECOLATINO

Experimentos factoriales completos

Página 26 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Página 27 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Error experimental
 Si la variabilidad a causa de un factor (o interacción) es
suficientemente mayor que el error experimental (normalmente
0.05) , el factor (o interacción) afecta la salida.
 La precisión de las pruebas de efectos significativos depende de la
exactitud del cálculo del error experimental.

Tamaño de la Muestra
 El tamaño de la muestra (la cantidad de valores de los datos en
cada combinación de prueba) también ejerce un impacto sobre el
cálculo del error experimental.
 Generalmente, mientras más datos (más grados de libertad), mejor
el cálculo.
 Sin embargo, debemos evaluar las consideraciones prácticas
contra las consideraciones estadísticas.
 Aunque pueden existir excepciones, una buena práctica es
recolectar un mínimo de 3 valores de datos para cada combinación
de prueba.

Gráficas de efectos principales

Página 28 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Gráfica de interacciones

Gráfica de superficie de respuesta

Página 29 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Diseño factorial fraccional

 Ventajas
o Se pueden obtener conclusiones parecidas que con
experimentación de diseños factoriales completos con menos
experimentos (1/2 o ¼)
o Resulta más económico
o Dado que en muchos casos las interacciones no son
significativas, no importa que su efecto se confunda con los
de los factores principales
 Desventajas
o En muchos casos sólo se pueden estimar los efectos
principales de los factores (diferencia de promedios)

Diseños de Plackett - Burman

 Se utilizan para identificar los factores significativos de entre varios
factores como filtro.
 El número de experimentos es múltiplo de 4 (4, 8, 16, 32, 64, 128)
donde cada efecto de interacción está confundido con
exactamente un efecto principal
 Hay arreglos no geométricos de 12, 20, 24, 28, etc. Cada
interacción está parcialmente confundida con los efectos
principales, significa que si las interacciones no son significativas
se pueden utilizar sólo para efectos principales, por ejemplo un
arreglo de 12 experimentos para 11 factores
 Ventajas: son muy económicos
 Desventajas: sólo proporcionan una guía de cuales factores son
significativos para posteriormente hacer un diseño factorial
completo o menos fraccional con ellos y estimar los puntos
óptimos

Página 30 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Diseño de experimentos de Taguchi

Concepto de robustes de Taguchi

El Dr. Genichi Taguchi indica que la consistencia del producto es muy

importante. Sin embargo, no es práctico controlar la variación de cada
variable. Hay una pocas variables clave (factores de señal o ruido) y su
interacción en cualquier proceso. Cuando se fijan en los niveles
adecuados, el proceso será insensible a variaciones en otros factores de
entrada o “Robusto”

Robustes del diseño

Hay tres tipos de consideraciones de diseño involucradas para cualquier
producto o proceso:1. Diseño de sistemas: incluye la selección de partes,
métodos, y valores tentativos de parámetros de producto

2. Diseño de parámetros: es la selección de niveles de operación de

producto y proceso, para determinar la combinación óptima

3. Diseño de tolerancias: es el establecimiento de la variación permisible

de productos y procesos para lograr una salida consistente

De estas tres etapas, la más importante es el diseño de parámetros

cuyos objetivos son:

a) Identificar qué factores afectan la característica de calidad en cuanto

a su magnitud y en cuanto a su variabilidad.

b) Definir los niveles “optimos” en que debe fijarse cada parámetro o

factor, a fin de optimizar la operación del producto y hacerlo lo más
robusto posible.

Página 31 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

c) Identificar factores que no afecten substancialmente la característica

de calidad a fin de liberar el control de estos factores y ahorrar costos de
pruebas.

Factores de señal

Los factores de señal son factores que tienen una gran influencia en la
media de la respuesta. Normalmente tienen poca influencia en la
variabilidad de la respuesta y son controlables. Se varia su nivel para
ajustar la media.

Factores de ruido

Son factores que tienen influencia en la variabilidad de respuesta de

salida. Los factores de control se varían durante la experimentación, para
ver que combinación da la mayor relación señal a ruido. Esta es la clave
para lograr “robustes” del diseño.

Relación Señal a Ruido

Se calcula para cuantificar los efectos (en dBs) de variación en los
factores de control en la variabilidad de la respuesta.

Página 32 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Para el caso de mayor es mejor se tiene:

Para el caso de menor es mejor se tiene:

N = número de observaciones de los factores de control

Y = respuesta de salida para cada experimento realizado

Por ejemplo para el caso siguiente de un factor en tres niveles, se

selecciona el nivel entre medio y alto ya que la variación es mínima.

Página 33 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Sugiere tres pasos que son:

a) Diseño del sistema
b) Diseño de parámetros
c) Diseño de tolerancias

De estas tres etapas, la más importante es el diseño de parámetros

cuyos objetivos son:

a) Identificar qué factores afectan la característica de calidad en cuanto

a su magnitud y en cuanto a su variabilidad.

b) Definir los niveles “optimos” en que debe fijarse cada parámetro o

factor, a fin de optimizar la operación del producto y hacerlo lo más
robusto posible.

c) Identificar factores que no afecten substancialmente la característica

de calidad a fin de liberar el control de estos factores y ahorrar costos de
pruebas.

Taguchi ha propuesto una alternativa no del tododiferente que se que

conoce como Arreglos Ortogonales y las Gráficas Lineales.

La herramienta son diseños Factoriales fraccionados, sin embargo

cuando el número de factores se ve incrementado, las posibles
interacciones aumentan, así como la complicaciones para identificar
cuáles son las condiciones específicas a experimentar

Un arreglo ortogonal se puede comparar con una replicación factorial

fraccionada, de manera que conserva el concepto de ortogonalidad y
contrastes. Un experimento factorial fraccionado es también un arreglo
ortogonal . Taguchi desarrolló una serie de arreglos particulares

Página 34 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

que denominó:

La (b)C

a = Representa el número de pruebas o condiciones experimentales

que se tomarán. Esto es el número de renglones o líneas en el arreglo.
b = Representa los diferentes niveles a los que se tomará cada factor
c = Es el número de efectos independientes que se pueden analizar,
esto es el número de columnas.

Taguchi ha desarrollado una serie de arreglos para experimentos con

factores a dos niveles: La.

Página 35 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Por ejemplo para un proceso químico:

Se usa un arreglo L8:

Se ejecutarán por lo tanto 8 pruebas o condiciones experimentales, ¿ A

qué columna especificamente se asignará cada factor?, en estos casos
se pueden asignar a cualquier columna, aunque se recomienda que
aquellos factores que en la practica sea más dificil de variar de
nivel continuamente, sean los que se asigne a las primeras
columnas.

El arreglo L8 y su descripción para este caso se muestra a continuación:

Página 36 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Observe que los factores Resina, concentración, tiempo, humedad y

presión fueron asignados en orden a las columnas A, B, C, D, y E. En las
columnas restantes, F y G no se asignó ningún factor y nos ser-virán para
tener una estimación del error aleatorio. Esto se explica porque con ocho
observaciones tenemos siete grados de libertad, como estamos
interesados únicamente en cinco factores quedan dos grados de libertad
para el error aleatorio. El análisis de variancia de los resultados es:

A1 = Total de lecturas con el factor A a su nivel 1 = 0.49 + 0.42 +

0.38 + 0.30 = 1.59
A2 = Total de lecturas con el factor A a su nivel 2 = 0.21 + 0.24 +
0.32 + 0.28 = 1.59
SSA = Suma de cuadrados debido al factor A SSA = (A2 - A1)2
/8 = 0.3645 con 1 g.l

Similarmente :
SSB = (B2 - B1)sq/8= 0.00080 con 1g.l
SSC = (C2 -C1)sq/8 = 0.01805 con 1g.l
SSD = (D2 -D1)sq/8= 0.00320 con 1g.l
SSE = (E2 - E1)sq/8= 0.00245 con 1g.l
Sse1 = (F2 - F1)sq/8= 0.00080 con 1g.l, 1a. Columna de error F
Sse2 = (G2 -G1)sq/8= 0.00045 con 1g.l 2a. Columna de error G

Las sumas de cuadrados de las columnas donde no se asignó factor se

toman como asignaciones del error, en este caso SSF y SSG se
consideran como error y se obtiene:

Sse = SSF + SSG = 0.00080 + 0.00045 = 0.00125 con 2g.l.

La tabla ANOVA es :

Página 37 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

* significante al nivel 5% ya que F0.05 (1,2) = 18.51

** significante al nivel 10% ya que F0.10 (1,2) = 8.16

Nota : No se incluye en esta tabla específicamente la suma de cuadrados

del promedio o media. El error total es la suma de cuadrados total
corregida por el factor de corrección.

Se acostumbra que aquellos efectos que no resultaron significantes, se

consideren como error aleatorio a fin de obtener una mejor estimación
del error aleatorio, (con mayor número de grados de libertad).

En éste caso, por ejemplo, la estimación de Sse es :

Sse = SSB + SSD + SSE + Sse = 0.00080 + 0.00320 + 0.00245 +

0.00125 = 0.0077
Con , 1 + 1 + 1 + 2 = 5 grados de libertad.
Y (Ve) = (Sse) /5 = 0.0077 / 5 = 0.00154

Al nivel 5%, el valor crítico de tablas es F 0.05 (1,5) = 6.607877

Las estimaciones que se obtienen de esta forma se suelen escribir entre
paréntesis.
Fc para el factor (A ) = 23.66 y Fc para el factor (C) = 11.72,
comparando ambos contra

Página 38 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Fcrítico = 6.6, continuan siendo significativos los factoresA y C

Los promedios de la emisión de Formaldehido para cada nivel son

El promedio global es
_
Y = (0.3975+ 0.34+ 0.3775+ 0.35 + 0.3475+ 0.2625+ 0.32+
0.31+0.3125)/ 10
= 0.33

Sí únicamente los factores A y C son significativos, estos factores

deberán fijarse al nivel que minimice la emisión de Formaldehido, ésto es
A2 y C2; resina tipo II y 15 segundos como tiempo de prensado. El resto
de los factores se fijará a su nivel más económico, ya que no afectan la
característica de calidad dentro del intervalo analizado.

¿Cuál será el nivel esperado de emisión ?, el efecto de cada factor

respecto al promedio general es:

EF A = A2 - Y = 0.2665 - 0.33 = -0.06435

EF C = C2 - Y= 0.2825 - 0.33 = -0.0475

Y el efecto estimado bajo las condiciones A2 y C2 es

Página 39 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

EF A + EF C + Y = -0.0635 - 0.0475 + 0.33 = 0.219

Si las lecturas no siguen un orden secuencial, o se toman en otra prueba
bajo las mismas condiciones se le conoce como “Replica”. Taguchi
considera dos tipos de error aleatorio con lecturas múltiples:

Error Primario. (e1). Error que existe entre las diferentes condiciones de
experimentación, aparte del efecto de los factores en si. Es decir lo que
hace diferentes a las lecturas bajo diferentes condiciones de
experimentación.

Error Secundario (e2). Aquel que hace diferentes las lecturas tomadas
bajo una misma condición experimental. Cuando se toma una lectura no
es posible evaluar el error secundario.

Ejemplo: Considere que el acabado superficial de un proceso de

maquinado, medido en picos/plg. Se puede ver afectado por cinco
factores que son:

Dado que se tienen 5 factores, se necesitan por lo menos 5 grados de

libertad, se usará por lo tanto un arreglo ortogonal . Los factores se
asignarán en orden, a las primeras cinco columnas .

Página 40 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

La suma de cuadrados del total es:

SST = SYi2 - T2 / n

donde S Yi2 es la suma de lecturas individuales al cuadrado.

n es el número de lecturas y T es el total de las Yi’s. Para este caso :

2 2 2 2 2 2 2

SST = 15 + 17 + 18 +…………..17 + 16 + 18 - 463/24

SST = 278.9584 con 24 - 1 grados de libertad.
Sse2 = Y12 + Y22+ Y32 - T2i / ni

Por ejemplo para el experimento i = 1 se tiene:

Sse2 = 15*15 + 17*17 + 18*18 - (15 + 17 + 18)2 / 3 = 4.6666

Y así se continua para cada uno de los restantes 7 experimentos

obteniéndose la tabla de la página siguiente.

Condición SSe2
1 4.6667
2 0.6667
3 4.6667
4 2.6667
5 4.6667
6 24.6667

Página 41 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

7 4.6667
8 2.000

Total SSe2 = 48.669

El error primario es localizado en las columnas F y G ¿por que?.
SSe1 = SSeF + SSeG

SSe1 = 4.08334 con 2 grados de libertad

La suma de cuadrados de los factores se calcula de la misma manera

que ya se conoce.

SSA = (A2 -A1)2 / n y así sucesivamente para todas las columnas,

SSA = 26.04167, SSB = 5.04167……...

Finalmente recordemos que suma de cuadrados del error primario,

secundario, primario y de los efectos es igual a la suma de cuadrados
total 278.9586.

Página 42 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Reglas de Análisis:

1.-Antes de la ANOVA el primer críterio es probar el error 1 e1 vs. el

error 2 e2. Sí no resulta significante se adicionan y se obtiene una
estimación del error aleatorio “e”, contra el que se prueban todos los
demás factores.

2.- Sí el error 1 es significativo, entonces todos los factores se prueban

contra el.

3.- Realizar la ANOVA.

Prueba de e1 vs e2
Fexp = e1/e2 = 4.08334/2 / 48.666/16
Fexp para e1 = 0.6712 con 2 gL en el numerador y 16 en el
denominador.

El F de tablas con (0.05, 2, 16) = 3.63; por lo tanto los errores

se suman 4.08334 + 48.6667 = 52.7500

Dado que F tablas con (0.05, 1, 18) = 4.41, sólo los efectos A y C
son significantes al nivel del 5%. Sólo lubricante y ángulo de corte

Nota: Sí las lecturas provienen de “Replicas”, no se puede diferenciar el

error 1 y 2, por lo que se adicionan sin más tramites.

Página 43 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Regla del pulgar . Sí la Fc = Fexp. es menor a 2, no es significante.

Arreglos con Interacciones.

Al analizar una característica de calidad con n factores se tiene la

posibilidad de que interactúen entre si y se afecten positiva o
negativamente. En ese caso la interacción pasa a ocupar una columna
en los arreglos ortogonales, como si fuera otro factor. Se deberá tener
cuidado especial, en la manera como se asignan las columnas, para que
sus interacciones no se confundan con otros factores principales.

Gráficas Lineales. Para ayudar en la asignación de factores en las

columnas de un arreglo G. Taguchi diseñó las gráficas lineales cuyo
objetivo es simplificar el diseño del experimento y evitar patrones
indeseables de confusión.

Página 44 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Gráficas lineales para el arreglo ortogonal L8

A La matriz triangular las columnas están remarcadas, las

interacciones forman la parte interior del triangulo. Como ejemplo, sí
asignamos el factor A en la columna 3 y el factor B en la columna 5, la
interacción AxB aparecerá en la en la intersección de las columnas, el
número 6.

Página 45 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

B En esta gráfica se observa el arreglo de tres factores ( 1,2 y 4) y la

interacción entre ellos líneas 3, 5 y 6.

C En esta gráfica se indican cuatro factores (puntos 1,2,4 y 7) y las

interacciones en las lineas 3, 5 y 6.

El arreglo ortogonal es exactamente el mismo, en este caso un L8.

Las gráficas lineales indican que varios factores pueden ser asignados a
diferentes columnas y varias interacciones diferentes pueden evaluarse
en diferentes columnas. Si tres factores (A, B y C) se asignan, la gráfica
lineal L8 indica la asignación a columnas 1, 2 y 4 localizadas en los
vértices del triangulo tipo A.

Si ahora se agrega el factor D al experimento, la potencia de resolución

del experimento se reduce debido a que hay una mayor confusión en las
columnas

Página 46 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

La resolución del diseño es el grado de confusión en diseños de filtraje

fraccionales de dos niveles. O sea, el grado en el cual los factores se
incluyen de manera que no se pueden separar sus efectos.

Los diseños de resolución II tienen algunos efectos principales

confundidos con otros efectos principales.

Los diseños de resolución III, con confunden sus efectos principales, pero
se confunden con las interacciones de factores.

Los diseños de resolución IV, tienen confusión entre interacciones de dos

factores, no hay confusión de factores principales con interacciones de
tres factores.

Los diseños de resolución V, no confunden los efectos principales con

interacciones de tercer orden, pero confunden interacciones de dos
factores con interacciones de mayor orden.

Realización de experimentos de Taguchi

Aleatorizacioón

El orden de realización de los experimentos debe incluir alguna forma de

aleatorización para evitar sesgo de los factores e interacciones
asignadas a las columnas experimentales. Hay tres formas de
aleatorización:

Página 47 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

1. Aleatorización completa o ideal, significa que cualquier arreglo

experimental tiene la misma posibilidad de ser seleccionado como
primera corrida.

2. Repetición simple, significa que cada experimento tiene una

posibilidad similar se ser seleccionado como el primero, pero una vez
seleccionado, se corren todas las repeticiones antes de que otro
experimento sea seleccionado.

3. Aleatorización completa dentro de los bloques, se usa cuando se

cambian los ajustes, por decir el factor C, puede ser costoso pero el
cambio de los demás es fácil y barato, los experimentos en C1 pueden
ser seleccionados aleatoriamente y realizados y después todos los de C2
de la misma forma.

Pasos del Método Taguchi

 Definir factores y niveles
o Factores de control (que se controlarán – arreglo interno)
o Factores de ruido (no se quieren o pueden controlar pero se
controlan durante el experimento – arreglo externo)
 Crear diseño de experimentos ortogonal de Taguchi
 Analizar el diseño de experimentos de Taguchi
 Predecir la respuesta con los niveles seleccionados

Ejemplo: Datos y gráficas factoriales de la respuesta

Página 48 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Página 49 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Diseños de mezclas
En un diseño de experimentos con mezclas, los factores independientes
son proporciones de diferentes componentes de una mezcla que deben
sumar 100%. Hay diseño estándar como los diseños Simplex Lattice y
Simplex Centroid. Cuando hay restricciones adicionales, tales como
valores máximos y mínimos, se usan los diseños de mezclas restringidos
o diseños de vértices extremos.

La repuesta de salida se asume que depende solo de las proporciones

relativas de los componentes y no de la cantidad de la mezcla. El
propósito del experimento es modelar la superficie de mezclas con
alguna ecuación, de forma que:
 La predicción de la respuesta para cualquier mezcla se pueda
hacer de forma empírica
 Se obtenga la influencia de la respuesta de cada uno de los
componentes.

Se asume que los errores son independientes e idénticamente

distribuidos con media cero y varianza común. Otro supuesto es la
superficie de respuesta sobre la región de estudio es continua

 Los factores independientes son proporciones de diferentes

componentes de una mezcla

 Cuando las proporciones tienen la restricción de sumar la unidad

se pueden utilizar modelos de estructura Simplex o Simplex con
centroide

 Cuando además algunos componentes tienen la restricción

adicional de tener un valor máximo o mínimo los modelos a utilizar
son los de Vértices extremos

Página 50 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Un diseño de estructura Simplex (q, m) para q componentes cuya

proporción puede tomar las proporciones asumidas para cada
componente en los niveles m+1 igualmente espaciados entre 0 y 1
Xi = 0, 1/m, 2/m, ...., 1 para i = 1, 2, ..., q

Se usan todas las combinaciones posibles (mezclas) de las proporciones

de la ecuación.

Note que el diseño estándar Simplez Lattice consiste de puntos en la

frontera. Cuando hay interés en predecir algun punto en el interior, se
recomienda aumentar el diseño simplex con puntos en el interior del
diseño.

Para un diseño (3,3) Simplex Lattice hay un total de 10 corridas

experimentales.

El número de puntos de diseño = (q+m)! /(m! (q-1)! )

La restricción para los componentes es X1+X2+…+Xn = 1, por tanto la

forma de la función de regresión se denomina polinomio canónico. Se
puede obtener con la regresión que ajusta los punbto (q, m) del diseño

Página 51 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Simplex Lattice y substituyendo las relaciones de dependencia entre los

términos Xi.

El número de términos en el polinomio es (q+m-1)!/m!(q-1)!. Que es el

mismo que los puntos del diseño Simplex Lattice.
En general, la forma canónica del modelo de mezcla es como sigue:

Los términos se interpretan como sigue. Geométricamente el parámetro

Beta-i, representa la respuesta esperada con una mezcla pura con Xi =
1; Xj = 0, y es el vértice en Xi =1. Cada una de las sumas es la porción
de mezclas. Cuando la mezcla es estrictamente aditiva, la forma lineal
del modelo es apropiado.

 Para una mezcla de q = 3 componentes donde el número de

niveles igualmente espaciados para cada componente es m + 1 =
4 (X1 = 0, 0.333, 0.666, 1)
 Las mezclas posibles con los 3 componentes es:

Página 52 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 X1 X2 X3 Rendimiento
0 0 1
0 0.333 0.667
0 0.667 0.333
0 1 0
0.333 0 0.667
0.333 0.333 0.333
0.333 0.667 0
0.667 0 0.333
0.667 0.333 0
1 0 0
X2

Las ecuaciones de la restricción y del modelo lineal son:

Por ejemplo:

Página 53 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Análisis del diseño Simplex

 Como b3 > b1 > b2 se concluye que el componente 3 produce la
mayor elongación

 Como b12 y b13 son positivos la mezcla de componentes 1 y 2 así

como 2 y 3 aumenta la elongación

 Como b23 es negativo la mezcla de los componentes 2 y 3 tiene

efectos antagónicos en la mezcla

Diseños de superficie de respuesta

 Un modelo de primer orden es el siguiente:

 Su gráfica de contornos son líneas rectas que nos permiten seguir

experimentando en la trayectoria de ascenso rápido, perpendicular
a los contornos

Página 54 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

En un diseño experimental los contornos normalmente no son conocidos.

El objetivo es moverse desde un punto inicial P en (X1, X2) del espacio
dentro del sistema de contornos.

La línea cuya dirección se orienta desde el punto P hacia el círculo más

pequeño es la que representa la trayectoria de ascenso más rápido en el
espacio de contornos.
La ruta de asenso rápido es perpendicular a las líneas de contorno en el
el espacio, se mide en las mismas unidades seleccionadas en la escala
del diseño.

Página 55 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Método Simplex para la trayectoria de ascenso rápido

1. Requiere de un punto adicional al número de variables independientes
2. Moverse desde el punto de respuesta más baja hasta el punto medio
de los otros dos puntos a una distancia similar del otro lado
3. Repetir este ciclo eliminando el punto más bajo en cada paso
NOTA: Se puede expandir a cualquier número de variables,
proyectándose desde el punto más bajo, pasando por el centroide de los
puntos remanentes

Superficies de respuesta

Página 56 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Si en la prueba de ANOVA el modelo presenta curvatura significativa

entonces el modelo a aplicar es:

Un diseño central compuesto de Box Wilson contiene un diseño factorial

o matriz factorial fraccional con puntos centrales aumentados con un
grupo de “puntos axiales”, que permiten la estimación de la curvatura. Si
la distancia del centro del espacio del diseño a un punto factorial ±1
unidad para cada factor, la distancia del centro del espacio de diseño a
un punto axial es a±, con |a|>1. Para 2 factores se tiene:

Página 57 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Un diseño central compuesto siempre contiene dos veces tantos puntos

axiales como factores del diseño. Los puntos axiales representan los
nuevos valores extremos para cada diseño factorial. Tres tipos son:

CCC circunscrito
Los puntos axiales están a una distancia a del centro, dependiendo de
las propiedades deseadas y del número de factores del diseño.
Establecen nuevos puntos extremos. Los diseños tienen simetría circular,
esférica o hiperesférica y requieren 5 niveles por factor.

Para 3 factores se tiene:

Página 58 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

CCI inscrito
Usa los niveles del factor como puntos axiales y crea un diseño factorial
o fraccional dentro de estos límites. Requiere 5 niveles por factor

CCF Centrado en las caras

Los puntos axiales están en el centro del espacio factorial, de forma que
a = ±1. Requiere 3 niveles para cada factor.
Determinar a en Diseños centrales compuestos

Para conservar la rotabilidad, el valor de a depende del número de

corridas experimentales en la proción factorial del diseño central
compuesto:
a = [ número de corridas experimentales ] ¼
Si el diseño factorial es factorial completo, entonces:

Donde K = el número de factores

Se puede aplicar en esta región el Diseño central compuesto:

Página 59 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

 La ecuación de regresión de la superficie de respuesta es:

Y = 79.94 + 0.995ª + 0.515B –1.376 A*A – 1.001 B*B + 0.25AB

 Con las ecuaciones de la página siguiente el punto máximo óptimo

queda en X1 = 0.389 y X2 = 0.306 Con una respuesta estimada
Yest = 80.21

Página 60 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Página 61 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Diseño de Box Behnken

Este diseño es un diseño cuadrático independiente ya que no contiene
una matriz factorial o factorial fraccional. Sus combinaciones de
tratamientos se encuentran en los lados del espacio de proceso y en el
centro. Estos diseños son rotables (o aprox. Rotables) y requieren 3
niveles de cada factor. Estos diseños tiene capacidades limitadas para
bloqueo ortogonal con respecto a los diseños centrales compuestos.

Ejemplo de diseño de Box – Behnken para tres factores (13 exp.)

Selección de un diseño de superficie de respuesta

CCC – proporciona alta calidad predictiva en todo el espacio de diseño,

pero requiere el uso de niveles más allá del rango de los niveles de los
factores del diseño factorial original. Requiere 5 niveles por factor.

CCI – proporciona menor calidad predictiva que el CCC, usa niveles

dentro del rango de los factores especificados originalmente. Requiere 5
niveles por factor

CCF – proporciona alta calidad predictiva en todo el espacio de diseño, y

no requiere el uso de niveles más allá del rango de los niveles de los

Página 62 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

factores del diseño factorial original. Sin embargo da poca precisión para
estimar los coeficientes cuadráticos puros. Requiere 3 niveles por factor

Box – Behnken – requiere menos combinaciones de tratamientos que

un CCC para 3 o 4 factores. El diseño Box – Behnken es rotable pero
contiene regiones de poca calidad predictiva como el CCI. Requiere 3
niveles por factor

Página 63 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Operaciones evolutivas - EVOP

El EVOP proporciona una estrategia experimental conservadora para

mejora continua de procesos. Las pruebas se hacen en la fase A hasta
que se establece un patrón. Después se centra la fase B en las mismas
condiciones de la fase A. Este procedimiento se repite hasta que se
encuentra un mejor resultado. Cerca del pico, se cambia a un paso más
pequeño o se examinan diferentes variables. El EVOP puede incluir
pequeños cambios incrementales de forma que no se genere desperdicio
o sea muy poco.

Preguntas de examen

Página 64 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Preguntas de examen

1. En cada experimento hay un error experimental, ¿Cuál de las

afirmaciones siguientes es verdadera?
a. El error se debe a la falta de uniformidad del material usado en el
experimento y a la variabilidad inherente de la técnica experimental
b. El error puede ser cambiado estadísticamente aumentando los grados
de libertad
c. El error puede ser reducido solo al mejorar el material
d. En un diseño de experimentos bien diseñado no hay efectos de
interacción

2. ¿Cuál de las siguientes afirmaciones es correcta?

a. Las variables son confundidas si son difíciles de estudiar
b. Dos o más variables están confundidas si sus efectos no pueden ser
separados dados los datos experimentales
c. Las variables están confundidas si forman una combinación lineal
d. Dos o más variables se confunden si producen los mismos efectos

3. Un experimento 23 significa que se está considerando:

a. Dos niveles de tres factores
b. Dos variables dependientes y tres variables independientes
c. Dos variables pasa / no pasa y tres variables continuas
d. Tres niveles de dos factores

Resp. 1 a, 2 b, 3 d

4. Un experimento se corre con 8 factores. Dos de los cuales son

temperatura (25, 50 y 75º) y presión (14, 28,42 y 56 psi). ¿Cuántos
grados de libertad se requieren para determinar el efecto de la
interacción entre temperatura y presión?

a. 1 b. 2 c. 4 d. 6

5. El siguiente ejemplo ¿corresponde a la superficie de respuesta?

a. Valle ascendente
b. Máximo o mínimo
c. Valle estacionario
d. Minimax

Página 65 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

6. Cuando se considera el EVOP como una herramienta estadística:

a. Un cambio en las medias indica que estamos usando el modelo
equivocado
b. Es necesaria la evaluación externa del error experimental
c. El EVOP puede extenderse más allá del caso factorial de dos niveles
d. Estamos limitados a una variable de respuesta a un tiempo

Resp. 4 d, 5 a, 6 c

7. ¿A que se refiere el diseño experimental mostrado abajo?

a. Greco latino
b. Cuadrado latino
c. Bloques completamente alegorizados
d. Cuadrado de Youden

8. Los experimentos pueden tener diferentes objetivos. ¿Cuál de los

siguientes deben ser incluidos en las opciones?
I. Objetivo comparativo
II. Objetivo de filtraje
III. Objetivo de optimización de proporción de mezclas
IV. Determinación de la superficie de respuestas
a. I, II y III c. I, III y IV
b. II y III d. I, II, III y IV

Página 66 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

9. Identificar los supuestos que NO son hechos cuando se realiza un

experimento:

a. Que el sistema medición sea capaz para todas las respuestas incluidas
b. Que los factores sean los únicos de importancia
c. Que el proceso permanezca relativamente estable durante la
realización de las pruebas
d. Que el comportamiento de los residuos sea adecuado

Resp. 7 a, 8 d, 9 b

10. Un diseño hipergrecolatino (4x4) se construye como sigue:

Asumir que el kilometraje de los coches es el la variable de respuesta. Si

el diseño fuera convertido a un diseño factorial, ¿cuántas pruebas serían
necesarias?

a. 256 b. 1024 c. 1096 d. 4096

11. Un diseño básico de Taguchi L4 es el mismo que:

a. Un diseño de dos factores, dos niveles, factorial completo
b. Un diseño de dos factores, dos niveles, factorial ½ fraccional
c. Un diseño de tres factores, dos niveles, factorial completo
d. Una prueba de una variable en cuatro niveles

12. En el siguiente diseño Simples Lattice, cual es la proporción del

componente X3 en el punto indicado de prueba?

a. 1.000 c. 0.500
b. 0.667 d. 0.333

Página 67 de 68
FASE DE MEJORA H. Hernández / P. Reyes Sept.
2007

Resp. 10 b, 11 a, 12 d

13. Cuando se intente ir en la dirección de ascenso rápido, en un

experimento de dos factores independientes, el mejor método es:
a. Usar un modelo simplex modificado
b. Ir en sentido perpendicular a las líneas de contorno y ajustar como sea
necesario
c. Usar la ecuación generada en el experimento como una guía de ruta
d. Estar seguro que no hay condiciones mínimas

14. Cuando se compara un diseño Box – Behnken con un diseño central

compuesto, ¿cuál de las afirmaciones siguientes es FALSA?
I. El diseño Box-Behnken requiere menos corridas para 3 y 4 factores que
los diseños CCC
II. Los diseños Box-Behnken requieren menos corridas para 2 y 5 factores
que los diseños CCC
III. Los diseños Box-Behnken requieren menos niveles que los diseños
CCC

a. I y II c. II y III
b. I y III d. I, II y III

15. Para un diseño factorial CCC completo de cuatro factores, ¿Cuál es el

valor de alfa?

a. 1.3333 b. 1.6820 c. 2.0000 2.3785

Resp. 13 b, 14 c, 15 c

Página 68 de 68