ME00806C

9
Introduccin a la metodologa
de superficie de respuesta
En los captulos 7 y 8 se han expuesto las tcnicas de diseo y anlisis de experimentos, que permiten
al experimentador seleccionar aquellos factores que influyen en una determinada caracterstica de
calidad, y los niveles de los mismos que optimicen tal caracterstica en la regin donde se haya
experimentado.
En la prctica, el experimentador desea extender estos objetivos a otras regiones de
experimentacin y se pregunta: qu factores influyen en la caracterstica en general?, cul es la
regin ptima?, cmo se relacionan los factores con la respuesta en esta regin?
En este captulo presentaremos tcnicas que comprenden lo que se denomina metodologa de
superficie de respuesta (MSR), que permitirn encontrar la regin de inters y contestar a las anteriores
preguntas en esta regin.
9.1 Introduccin. Necesidad de los modelos

Uno de los deseos ms fuertes que a lo largo de la historia ha mostrado la humanidad es el de modelar
la realidad, es decir, el de encontrar funciones matemticas que expliquen los distintos fenmenos de
ndole fsica, social, econmica, etc.
Este deseo de encontrar modelos responde principalmente a las dos aplicaciones ms
inmediatas que se pueden derivar de ellos:
a) La capacidad de predecir o explicar el valor de cierta respuesta Y una vez conocidos los valores
de ciertas variables X1, X2,..., Xk.
b) El hecho de poder seleccionar aquellas condiciones de los factores X1, X2,..., Xk que permitan
optimizar la respuesta Y.
Aunque, como veremos en el captulo 10, conocer el modelo ayuda tambin a:
c) Determinar aquellas condiciones de los factores X1, X2,..., Xk en que la respuesta sea ms robusta
o insensible al efecto de variaciones en factores que no son controlados por el experimentador
(tales factores se denominan factores ruido).
En la prctica, es muy difcil intentar resolver este problema de buscar un modelo nico, si no
utpico. En su lugar, se intenta aproximar tales relaciones de forma local a travs de funciones
polinmicas de primer y segundo orden. Adems, el anlisis de estas aproximaciones permitir, como
se ver ms adelante, localizar la regin ptima de una manera secuencial.
los autores, 1998; Edicions UPC, 1998. Quedan rigurosamente prohibidas, sin la autorizacin escrita de los titulares del "copyright", bajo las sanciones
establecidas en las leyes, la reproduccin total o parcial de esta obra por cualquier medio o procedimiento, comprendidos la reprografa y el tratamiento
informtico, y la distribucin de ejemplares de ella mediante alquiler o prstamo pblicos, as como la exportacin e importacin de ejemplares para su
distribucin y venta fuera del mbito de la Unin Europea.
201
MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD
La figura 9.1 refleja la utilidad del uso de

aproximaciones locales para abordar la relacin
terica de la respuesta. En esta figura se ha
representado con curvas de nivel una supuesta
relacin entre cierta caracterstica Y, y dos
factores 1 y 2, en un amplio rango de
variacin de estos dos factores. Aunque la
mejor funcin que expresa tal relacin en toda
la regin es una funcin complicada, en la
regin R1 podra aproximarse dicha relacin
mediante un modelo lineal, ya que el incremento de la respuesta parece ser lineal en tal
regin. Sin embargo, en la zona R2 cercana al
mximo, la superficie ya presenta evidencia de
curvatura y, por lo tanto, la aproximacin local
se ha de hacer con modelos que incluyan trminos cuadrticos.
Fig. 9.1 Relacin entre una caracterstica Y con dos factores 1
y 2 a travs de las curvas de nivel
En la prctica, generalmente nunca se
obtendr el modelo que rige la relacin
existente para cualquier combinacin de los factores, sino que se obtendrn aproximaciones locales a
tal modelo en diferentes regiones de los factores.
202
GRADO DE
DESCONOCIMIENTO
OBJETIVO
ESTADO
NOMBRE DESCRIPTIVO
Determinar el subconjunto de las Eliminacin de variables

variables importantes de un conjunto X grande de variables poten- Diseos factoriales fraccionales
cialmente importantes
CUL
Determinar empricamente los

efectos de las variables conocidas
Determinar una aproximacin de
f( , ) mediante interpolacin local
g( X, )
Construccin del modelo emprico

Diseo de experimentos
Determinar f
Determinar
Construccin de un modelo
mecanicista
Estimacin de un modelo
mecanicista
Metodologa
respuesta
de
superficie
CMO
de
POR QU
Tabla 9.1 Grado de conocimiento y objetivos en las diferentes etapas de la investigacin
9.2 Grado de conocimiento y objetivos

Los modelos pueden ser, atendiendo al mtodo que se siga para obtenerlos, mecanicistas o
empricos (este tema fue anteriormente tratado en el apartado 7.1 del captulo 7). En los primeros
se utilizan leyes fsicas especializadas en el dominio concreto para seleccionar la estructura del
los autores, 1998; Edicions UPC, 1998.
INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA
modelo y, en general, es necesario estimar los parmetros que en ellos aparecen a travs de la recogida
de datos.
Cuando no se tiene conocimiento terico de la estructura del modelo, se hace una
aproximacin de forma emprica con los datos obtenidos en la experimentacin. Tal experimentacin
se ha de realizar de una forma secuencial y con una metodologa que depender del grado de
conocimiento que se tenga del problema. Este conocimiento ayudar en la seleccin de un modelo
que se ajuste a la respuesta y en la seleccin del diseo a realizar para poder estimar todos los
parmetros de inters.
La tabla 9.1 presenta la relacin existente entre el grado de conocimiento que se tiene de un
problema, los objetivos en cada instante y la metodologa estadstica que se lleva a cabo para conseguir
tales objetivos.
A la etapa de seleccin de variables y estimacin de sus efectos se han dedicado los captulo 7
y 8 de este libro y a ellos remitimos a aquellos lectores que deseen ampliar estos puntos.
En una primera etapa experimental, los mtodos que se denominan metodologa de superficie
de respuesta utilizan la experimentacin para lograr principalmente tres objetivos:
> Encontrar un modelo capaz de explicar la relacin existente entre cierta respuesta seleccionada
y determinados factores en una regin de inters.
> Localizar las condiciones ptimas de los factores de experimentacin para la respuesta (las
condiciones que hagan mxima la respuesta, por ejemplo).
> Realizar un estudio geomtrico de la relacin existente entre la respuesta y los factores en la
regin ptima, por medio del anlisis cannico del modelo estimado.
El logro de tales objetivos est ligado a las caractersticas que definen la MSR. En primer
lugar, es una metodologa secuencial: la aproximacin a la regin de inters se realiza de forma
iterativa utilizando diseos cada vez ms complejos dependiendo de la informacin que se obtiene en
cada etapa.
En segundo lugar, el mtodo de trabajo que se utiliza es el descrito en el ciclo PDCA (ver el
apartado 1.2.2 del captulo 1), que consiste esencialmente en plantear un modelo tentativo, seleccionar
un diseo que permita estimar los parmetros de inters, analizar los datos y verificar si el modelo
planteado es adecuado.
9.3 Estrategias de la metodologa de superficie de respuesta

La metodologa de superficie de respuesta contiene toda una serie de estrategias que el investigador
puede seguir para estimar el modelo, f(,), que relaciona la respuesta de inters Y con los factores
lo ms adecuadamente posible, con el mnimo coste de experimentacin. El investigador acta como
un detective buscando las pistas que le lleven a la resolucin del problema. Tales pistas son obtenidas
a travs de la informacin que proporciona la experimentacin secuencial.
Al comienzo de la experimentacin se puede conocer poco del problema y en tal caso es
razonable suponer que la regin donde se comienza a experimentar est lejos de la regin ptima. Si
es as, una aproximacin suficientemente buena a f(,) es la que se obtiene con modelos lineales de
primer orden estimados a partir de diseos factoriales fraccionales a dos niveles.
Por el contrario, cuando se tiene un conocimiento ms preciso sobre la relacin existente, o se
est prximo a la regin ptima, el experimentador se aproxima a la relacin f(,) mediante modelos
de segundo orden estimados a partir de diseos ms complejos.
Por lo tanto, distinguiremos entre dos tipos de estrategias:
203
>
Estrategias de primer orden:

Diseo 2k-p
Estimacin por mnimos cuadrados1
Y = 0 + 1 X 1 + 2 X 2 +
Modelos de primer orden
Mapas de contornos o curvas de nivel
Camino de mximo ascenso o steepest ascent
> Estrategias de segundo orden:
Diseo central compuesto
Estimacin por mnimos cuadrados
Modelos de segundo orden Y = 0 + 1 X 1 + 2 X 2 + 11 X 12 + 22 X 22 + 12 X 1 X 2 +
Mapas de contornos y anlisis cannico
En la primera etapa, a la vez que se emplean los diseos 2k-p, se pueden llevar a cabo otras
acciones propias de los comienzos de la experimentacin, tales como borrar o aadir factores en el
diseo, cambiar la escala de variacin de los factores, replicar para una mejor estimacin del error
experimental, aadir fracciones para romper las confusiones, etc. Estas acciones, representadas
grficamente en la figura 9.2, tienen en comn que, utilizadas adecuadamente, ayudan a salir de
diversas situaciones de incertidumbre.
204
Figura 9.2 Algunas acciones que se llevan a cabo con ms frecuencia durante las primeras etapas de la
experimentacin. (A: Borrar o aadir factores; B: Cambiar la escala; C: Replicar y D: Aadir fracciones )
Por otra parte, en cada momento existen mtodos de chequeo que permitirn comprobar si el
modelo lineal de primer orden es suficientemente bueno, o detectar una evidencia de curvatura en la
respuesta. Este hecho implicar la seleccin de modelos de segundo orden y, por tanto, estrategias de
segundo orden.
En cuanto al modelo matemtico a utilizar para aproximar f(,), se emplearn funciones
polinmicas g(X,) de primer o segundo grado, las cuales pueden ser interpretadas como las resultantes
de hacer el desarrollo de Taylor de f(,) alrededor de (0,0), centro de la experimentacin en unidades
codificadas, cortando el desarrollo en los trminos de primer o segundo grado respectivamente.
Estos polinomios tienen la siguiente estructura para el caso particular de dos factores:
( )
r
g x,
0 + 1 X 1 + 2 X 2 +
(9.1)
La estimacin de los efectos en diseos 2k-p tal como se ha realizado en los captulos 7 y 8 utilizando la regla de los signos
o el algoritmo de Yates, es equivalente a la estimacin por mnimos cuadrados.
para los modelos de primer orden, y
( )
r
g x,
0 + 1 x1 + 2 x 2 + 12 x1 x 2 + 11 x12 + 22 x 22 +
(9.2)
para los modelos de segundo orden. En ambos, representa el efecto de aquellos factores que no se
han tenido en cuenta en la experimentacin o el efecto de aquellos presentes en el estudio, pero cuyo
efecto no se ha podido recoger adecuadamente con el modelo seleccionado.
Los modelos de segundo orden necesitan ms experimentos para ser estimados y slo se recurre
a ellos cuando existe evidencia de curvatura en el modelo y, por lo tanto, la aproximacin lineal no es
adecuada. Para poder detectar la curvatura, a los diseos de primer orden 2k-p se les aaden puntos
centrales, los cuales, como se ver en el apartado 9.4, permitirn realizar un test de curvatura.
Aquellas regiones de experimentacin en las que la superficie no presenta evidencia de
curvatura son interpretadas como regiones lejanas a la zona ptima y, una vez ms, existe una
estrategia consistente en acercarse lo ms rpidamente a esta zona a lo largo de la direccin de mximo
cambio de la respuesta. La figura 9.3 presenta las dos
ltimas estrategias para k=2 factores.
Por ltimo, una vez se detecta la cercana de la
regin ptima, se pasa a la utilizacin de estrategias de
segundo orden. Una de ellas consiste en la seleccin de
un diseo de segundo orden apropiado que permita una
buena estimacin de un modelo cuadrtico.
Los diseos ms utilizados son los diseos
centrales compuestos que aparecen en la figura 9.4,
obtenidos al aadir un diseo estrella a un diseo
factorial. Las caractersticas de estos diseos en cuanto
a los niveles en que se han de colocar los factores,
propiedades de las estimaciones obtenidas, etc., se
estudiarn ms adelante en el apartado 9.5.
Una vez obtenida una aproximacin cuadrtica
que se ajuste a la superficie, es conveniente realizar un
anlisis cannico del modelo resultante para interpretar
Fig. 9.3 Estrategias de experimentacin. A) Aadir
de manera sencilla la geometra de la superficie
puntos centrales para detectar curvatura. B)
estimada en la regin de experimentacin y obtener
Experimentar a lo largo del camino de mximo
informacin que pueda ser til para sugerir posibles
crecimiento o decrecimiento
explicaciones tericas del problema.
Fig. 9.4 Diseo central compuesto formado al aadir un diseo estrella

a un diseo 2k-p
205
En lo que queda de captulo se van a desarrollar las diferentes estrategias presentadas en este
apartado, aplicadas en un ejemplo particular, el de la fundicin de una determinada pieza de aluminio
por inyeccin.
El apartado 9.4 se dedica a las estrategias secuenciales de primer orden, los test de curvatura y
los mtodos de seleccin del modelo lineal. A continuacin, en el apartado 9.5 se presenta la tcnica
del camino de mximo ascenso (descenso).
En el apartado 9.6 aparecen las estrategias de segundo orden, la estimacin del modelo
cuadrtico y los test que permiten la comprobacin de la validez del modelo obtenido.
Finalmente, el apartado 9.7 est dedicado al anlisis cannico de la superficie obtenida. En este
mismo apartado se incluir la clasificacin cannica de las superficies en funcin de su modelo
cannico.
9.4 Aproximacin lineal a las condiciones ptimas
206
El presente ejemplo trata de un proceso de fundicin de tapas de aluminio por inyeccin, en el que se
intenta minimizar el ndice de porosidad encontrado en ellas. Tal ndice es obtenido mediante un
mtodo estndar a travs de rayos-X. Al parecer la temperatura del aluminio lquido y la presin con
que ste se inyecta en el molde afectan al ndice de porosidad de la placa resultante.
Los objetivos de la experimentacin son encontrar unas condiciones ptimas de trabajo en las
cuales la porosidad sea mnima, y
estimar la relacin existente entre
el ndice de porosidad con la
temperatura y la presin, en una
regin prxima a las condiciones
ptimas.
Los conocimientos que sobre
el tema tienen los tcnicos del
proceso recomiendan no trabajar con
temperaturas externas al intervalo
600-900 C ni con presiones por debajo de 700 Kg/cm2. Tales restricciones definen la regin de operabilidad.
En la figura 9.5 se presentan
las estrategias de primer orden que
se seguirn en este ejemplo. En
primer lugar se plantea la hiptesis
sobre el modelo que mejor aproxima la respuesta en la zona de
experimentacin de partida. Puesto
que estamos en los comienzos de la
experimentacin y poco conocemos, se asume que las condiciones
ptimas no tienen por qu estar
Fig. 9.5 Estrategias de primer orden en el ejemplo de la porosidad en tapas de
aluminio
prximas y que, por lo tanto, la
superficie de respuesta puede ser aproximada

TEMPERATURA
PRESIN
NDICE DE
mediante un modelo de primer orden.
POROSIDAD
(C)
(kg/cm2)
Para estimar tal modelo se selecciona un
-1 (640)
-1 (950)
6.09
diseo 22 con dos puntos centrales tal como aparece
+1 (660)
-1 (950)
5.53
en la tabla 9.2.
-1 (640)
+1 (1.000)
6.78
Los puntos centrales permitirn comprobar
+1 (660)
+1 (1.000)
6.16
mediante un test de curvatura que se presenta en
0
(650)
0
(975)
5.93
(9.13), si el modelo de primer orden es adecuado
o, por el contrario, se necesita un modelo de se0 (650)
0 (975)
6.12
gundo orden.
Adems, el hecho de tener rplicas (en este
Tabla 9.2 Resultados de un primer experimento con
caso para 650C y 975 Kg/cm2) permite obtener una
llantas de aluminio. Entre parntesis figuran las unidades
estimacin de 2 independiente del modelo selecoriginales de los factores
cionado. Tal estimacin puede ser comparada con la
estimacin obtenida a travs de los residuos del modelo mediante un test de comparacin de varianzas,
tal como se vio en el apartado 4.12 del captulo 4. En el caso de que ambas estimaciones difieran
significativamente, tendremos la prueba de que el modelo propuesto no se ajusta bien a la superficie y
tendremos que pensar en transformar los datos o en aproximaciones cuadrticas.
El diseo anterior permite estimar los parmetros de un modelo como el presentado en (9.1) que
puede ser expresado en forma matricial como:
Y = X+e
(9.3)
donde Y corresponde al vector de observaciones, X es la matriz de diseo, es el vector de los
parmetros del modelo y es el vector de errores. Para el ejemplo que nos ocupa:
6.09
5.53
6.78
=
,
.
616
5.93
.
612
1 1 1
1 1 1
1 1 1
=
,
1 1 1
1 0
0
0
1 0
0
= 1
2
(9.4)
La estimacin mnimo cuadrtica de los coeficientes del modelo en 9.3 se puede realizar
empleando las tcnicas de regresin lineal, lo cual equivale a resolver la ecuacin siguiente:
b
( X ' X ) 1 X ' Y
1
Varianza (b) = $ 2 ( X ' X )
(9.5)
con
(X' X)
X' =
1/ 6
1/ 6
1/ 6
1 / 4
1/ 4 1/ 4
1 / 4 1 / 4
1/ 4
1 / 6 1 / 6 1 / 6
1/ 4
0
0
1/ 4
0
0
obtenindose los resultados
(9.6)
207
b =
6.10
0.29
0.33
Desv. estandar (b)
0.045
0.055
0.055
(9.7)
y, por lo tanto, todos los coeficientes significativos.

En esta etapa, y tal como aparece en la figura 9.5, se ha de comprobar si existe alguna prueba
de que el modelo lineal estimado no sea una buena aproximacin a la respuesta y se necesiten modelos
ms complejos, es decir, modelos cuadrticos.
Ello equivale a plantear el siguiente test:
y = 0 + 1 x1 + 2 x 2 +
> H0 = Modelo esperado:
y = 0 + 1 x1 + 2 x 2 + 12 x1 x 2 + 11 x12 + 22 x 22 +
> H1 = Modelo temido2:
o en forma matricial
Y = X +
> H0 = Modelo esperado:
Y = X +Z +
> H1 = Modelo temido:
(9.8)
donde Z corresponde a la matriz de trminos cuadrticos y al vector de sus coeficientes.
El test que se debe utilizar para tomar una decisin en (9.8) est relacionado con las
consecuencias que se derivan de aceptar como mejor aproximacin la que da un modelo lineal (H0),
cuando en realidad la mejor es la de un modelo cuadrtico (H1).
En efecto, si se estiman los parmetros del modelo como en (9.5), suponiendo que H0 es cierta,
cuando en realidad lo es H1 se obtiene
E [ b] = E ( X ' X )
208
es decir,
X 'Y = ( X ' X )
X ' E[Y ] = ( X ' X )

E [b]
X '( X + Z ) = + ( X ' X )
+ A
E [ b1 ] = 1 ;
X'Z
(9.9)
(9.10)
con A = (XX)-1XZ denominada matriz de alias o de confusiones.

Esta confusin en las estimaciones para el caso de las tapas de aluminio es
2
E b0 = 0 +
+ 22
3 11
[ ]
E [ b2 ] = 2
(9.11)
Por lo tanto, en caso de que b11+b22 fuese significativo, al aproximar la superficie mediante
modelos lineales se comete un error en la estimacin de la constante del modelo.
Los diseos de primer orden no pueden estimar por separado 11 y 22, pero s su efecto
conjunto, 11+22. La estimacin de tal efecto por mnimos cuadrados es equivalente a comparar los
promedios de la porosidad en el centro de la superficie con el promedio en las esquinas del cubo, tal
como lo muestra la figura 9.6.
Luego el test de hiptesis planteado en (9.8) sobre la necesidad de modelos de segundo orden
es equivalente al test de hiptesis:
H 0 : Ycubo Ycentro
H1 : Ycubo Ycentro
2
= 0
(9.12)
The Feared Model tal como lo denomina el profesor N. Draper, autor, junto con G. Box, del libro Empirical Model-Building
and Response Surfaces.
sobre la existencia de curvatura, que puede comprobarse comparando el valor del estadstico
Ycubo Ycentro
(9.13)
s / ncubo + s 2 / ncentro
2
con el valor de la t de Student con grados de libertad, siendo los grados de libertad con los que se
ha estimado ,. a partir de s.
En el ejemplo de las tapas, al aplicar la ecuacin 9.12 se obtiene
6.14 6.025
0.012 / 4 + 0.012 / 2
= 1.21
con s2=0.012 estimada con 3 grados de libertad. Por lo tanto,

al obtener un valor no significativo, no encontramos
evidencia de curvatura. En consecuencia, no se puede
rechazar Ho en (9.8), y concluimos que el modelo lineal
realiza una aproximacin suficientemente buena de la
respuesta de inters.
En consecuencia, se intuye que se est lejos de la
regin ptima y, por lo tanto, la siguiente estrategia ser la de
en alejarse lo ms rpidamente posible en la direccin de
mximo decrecimiento (se desea obtener llantas con mnimo
ndice de porosidad) hacia las condiciones ptimas de
experimentacin, y all volver a plantear un diseo de primer
orden con puntos centrales, o directamente uno de segundo si
existe alguna evidencia de curvatura.
(9.14)
Fig. 9.6 Figura que representa la diferencia

entre la respuesta en el centro y en las
esquinas del cubo en una superficie que
presenta curvatura
9.5 Aproximacin por el camino de mxima pendiente

En este momento del experimento, la estrategia que se debe adoptar es la de experimentar a lo largo
de la direccin de mximo decrecimiento hasta que la porosidad deje de disminuir. Tal hecho indicar
que, o bien se ha cruzado la zona ptima, o bien hay que rectificar la direccin de mximo
decrecimiento.
Siguiendo con el ejemplo de las tapas de aluminio, a partir del modelo
Y = 6.10 - 0.29 T + 0.33 P
(9.14)
obtenido de (9.7), se puede obtener la direccin de mximo crecimiento de la respuesta a travs de la

direccin del gradiente, la cual se obtiene derivando respecto a cada factor,
Y
= 0.29
T
Y
= 0.33
P
(9.15)
y, por lo tanto, la direccin de mximo decrecimiento ser la opuesta,

d=[0.29, -0.33]
(9.16)
209
la cual marca una direccin orientativa sobre la direccin a seguir en los nuevos experimentos. Si se
desea experimentar en puntos a distancias de una unidad, similar a la distancia entre las condiciones
experimentales anteriores, se puede utilizar el vector unidad como vector orientativo.
u
0.33
0.295
0.44 , 0.44
[0.67 , 0.75]
(9.17)
El nmero de experimentos que

deben realizarse y la cercana de stos
( C)
(Kg/cm2)
POROSIDAD
depende en todo momento del cono1
3 u = (2.01, -2.25)
670
920
4.53
cimiento que tenga el experimentador
2
5u = (3.35, -3.75)
685
880
3.28
sobre el proceso. En el ejemplo de las
3
7u = (4.69, -5.25)
700
845
2.54
tapas se han realizado cuatro
4
9u = (6.03, -6.85)
710
805
4.15
experimentos ms, cada uno a dos
unidades de distancia del anterior, tal
como lo muestra la tabla 9.3.
Tabla 9.3 Experimentos adicionales en la direccin de mximo decrecimiento
Cabe notar que, para obtener
los valores originales de la temperatura y la presin, basta con descodificar las unidades de la tabla 9.3
utilizando las expresiones:
T 650
P 975
x1 =
x2 =
10
25
(9.18)
POSICIN
210
TEMPERATURA
PRESIN
T = 650 + 10 x1
NDICE DE
975 + 25 x 2
donde x1 y x2 son los valores de la temperatura y la presin en unidades codificadas.

La direccin de mximo decrecimiento se ha de tomar como un camino orientativo, pero los
experimentos no tienen porqu coincidir exactamente con tal direccin. En el ejemplo de las tapas, los
valores en unidades originales resultantes de descodificar las cuatro posiciones se han adaptado a la
operabilidad del proceso.
Como se puede observar, la porosidad ha ido disminuyendo excepto en el experimento 4, donde
ha vuelto a aumentar significativamente. Ello induce a pensar que se ha atravesado la superficie y
que por lo tanto, no es recomendable proseguir experimentando por este camino, aunque exista
incertidumbre sobre la zona por donde se ha atravesado.
Si sta es la zona ptima, la superficie ha de mostrar una curvatura tal, que ser necesario
utilizar modelos de segundo orden para aproximarla. En cambio, si no es as, pudiera ser que la
aproximacin por modelos de primer orden fuese todava lo suficientemente buena como para
continuar por este camino. En tal situacin, se seguira experimentando posteriormente a lo largo de
una direccin del steepest descent rectificada.
En cualquier caso, la MSR permite experimentar secuencialmente utilizando un diseo de
primer orden para estimar el modelo plano, pudiendo aadir en un segundo bloque uno de
segundo orden, si se llega a la conclusin de que el modelo lineal no se ajusta suficientemente bien
a la respuesta.
En el ejemplo de las tapas, seleccionando el experimento 3 de la tabla 9.3 como el centro de
la nueva regin de experimentacin, se ha decidido utilizar un diseo de primer orden y se han
obtenido los resultados que aparecen en la tabla 9.4. El experimento sealado con una flecha es el
experimento 3 de la etapa anterior; se ha considerado conveniente incluirlo para una mejor estimacin
de la respuesta.
Con las rplicas de este experimento se puede obtener una estimacin del error experimental
con dos grados de libertad. Asimismo, se puede obtener otra estimacin del error con un grado de
libertad con las rplicas del primer experimento, que se
encuentran en la tabla 9.2. Ponderando estas dos
TEMPERATURA
PRESIN
NDICE DE
estimaciones se obtiene una estimacin de 2 con tres
(C)
(kg/cm2)
POROSIDAD
grados de libertad de s2 = 0.0318. Esta estimacin, obtenida
-1 (690)
-1 (820)
2.20
a travs de rplicas, se denomina error puro.
+1 (710)
-1 (820)
3.71
A continuacin se trata de repetir los pasos del
-1 (690)
+1 (870)
2.86
apartado 9.4 para confirmar si el modelo lineal realiza una
+1 (710)
+1 (870)
3.49
aproximacin suficientemente buena a la superficie o si, por
0 (700)
0 (845)
2.53
el contrario, existen indicios de curvatura. Aplicando el test
0 (700)
0 (845)
2.30
de curvatura de (9.13) para los datos en la tabla 9.4 se obtiene:
0 (700)
0 (845)
2.54 7
Ycubo Ycentro
s / ncubo + s / ncentro
2
3.06 2.46
.
014
1/ 4 + 1/ 3
(9.19)
Tabla 9.4 Resultados del experimento 3 en el

ejemplo de las llantas de aluminio.
que es un valor estadsticamente significativo en la t de Student con tres grados de libertad. Por lo
tanto, en el test planteado en (9.8) se rechaza la hiptesis nula y se acepta que el modelo de segundo
orden:
y = 0 + 1 x1 + 2 x 2 + 12 x1 x 2 + 11 x12 + 22 x 22 +
(9.20)
se aproxima mejor a la respuesta.
As pues, ahora es el momento de comenzar a utilizar las estrategias de segundo orden, que
estn esquemticamente representadas en la figura 9.7.
Fig. 9.7 Estrategias de segundo orden
211
9.6 Aproximacin cuadrtica. Diseos centrales compuestos

En estos momentos de la experimentacin se ha de aadir un segundo diseo al realizado anteriormente
en la tabla 9.4 si se quiere estimar un modelo cuadrtico con la precisin suficiente.
El hecho de realizar la experimentacin en dos tiempos puede provocar un efecto bloque (ver
el apartado 7.8 del captulo 7 sobre efectos bloque si se quiere ampliar el tema), que puede afectar a la
estimacin de los efectos si las condiciones experimentales del segundo diseo no se han seleccionado
adecuadamente.
Para que esto no ocurra, es decir, para que la estimacin de los factores sea independiente del
hecho de haber experimentado en dos bloques, el efecto bloque ha de ser ortogonal a efectos de las
dems variables.
Si adems se desea que las estimaciones de los factores sean independientes entre s, los dos
diseos han de ser ortogonales en sus factores y ortogonales con los bloques.
El primer diseo,
212
1 1 1
1 1 1
1 1 1
= 1 1 1
1 0 0
1 0 0
1 0 0
ya cumple la condicin de ortogonalidad, basta con multiplicar las columnas del diseo entre s y
observar que todos los productos se anulan.
El segundo diseo, denominado diseo estrella, contiene los experimentos dispuestos de la
siguiente forma
1
1
1 0
= 1 0
1 0
1 0
1 K
0
0

0
K
donde y el nmero de puntos centrales n0e se han de determinar segn los criterios que se explican a
continuacin.
El resultado de aadir un diseo factorial y un diseo estrella se conoce como diseo central
compuesto o central composite design. La forma de tal diseo para tres factores se puede ver en la
figura 9.4.
La seleccin de y n0e est basada en dos criterios: el criterio de ortogonalidad mencionado
anteriormente y el criterio de rotabilidad. Se dice que un diseo es rotable si la precisin en la
estimacin de la superficie es igual para todos los puntos equidistantes del centro del diseo,
independientemente de la direccin en que se encuentren; es decir, se puede girar la superficie sobre

su centro y la precisin en la estimacin es la misma.
La rotabilidad en diseos centrales compuestos slo depende del valor de y del nmero de
experimentos que se haya realizado en el cubo sin contar los puntos centrales, Nc, a travs de la frmula,
(9.23)
Nc
La condicin de ortogonalidad en cambio, implica que las estimaciones de los parmetros en el

modelo (9.20) son independientes entre s e independientes a su vez del efecto bloque. Para que esto
ocurra se han de cumplir dos condiciones:
1. Cada bloque debe contener un diseo ortogonal.
2. La fraccin del total de la suma de cuadrados de cada variable xi en cada bloque debe ser igual
a la fraccin del nmero total de observaciones distribuidas en cada bloque. Es decir, para cada
variable i y sobre cada bloque b se ha de cumplir:
nb
xbij2
j =1
N
x
j =1
2
bij
nb
N
(9.24)
i = Indicador de la variable i.
j = Indicador de la observacin j de la variable i en el bloque b.
nb = Nmero de observaciones en el bloque b.
N = Nmero total de observaciones.
Llamando n0c y n0e al nmero de puntos centrales en el cubo y en el diseo estrella
respectivamente, y k al nmero de factores en el diseo, al aplicar la condicin de ortogonalidad (9.24)
al caso particular de los diseos compuestos centrales se obtiene la frmula simplificada siguiente
N c ( 2k + noe )
2 ( N c + noc )
(9.25)
donde Nc el nmero de puntos en el primer diseo exceptuando los puntos en el centro. (Nc ser de la
forma 2k o 2k-p.)
La tabla 9.5 muestra algunos diseos compuestos centrales con los correspondientes valores de
si se quiere obtener ortogonalidad y rotabilidad. Como se puede observar, algunas veces no se
pueden conseguir los dos criterios exactamente.
Volviendo al ejemplo de las tapas de aluminio, si se desea aadir un nuevo diseo ortogonal al
presentado en la tabla (9.4) y tal que el conjunto sea rotable, basta con sustituir los valores de las
constantes: k=2, Nc=4 y n0c=3 en las expresiones (9.23) y (9.25), y se obtiene:
4 ( 4 + noe )
2 ( 4 + 3)
4 =
(9.26)
para la condicin de ortogonalidad y rotabilidad respectivamente.

Por lo tanto, si se han de cumplir las dos condiciones, el nmero de puntos centrales que ha de
contener el diseo estrella ser de noe =3.
213
5(1/2)
Fraccin del cubo
Nc
16
32
16
32
Bloques en cubo
2x4
2x8
4x8
2 x 16
Ne=2 k
10
10
12
nco por bloque
2x2
2x2
2x4
4x2
nso
N total
14
20
30
54
33
54
(ortogonalidad)
1.4142
1.6330
2.000
2.3664
2.000
2.3664
(rotabilidad)
1.4142
1.6818
2.000
2.3784
2.000
2.3784
Generadores de
bloque
B=123
B=1234
B1=123
B2=2345
B=123
Generadores del
diseo fraccional
5=1234
6=12345
Tabla 9.5 Algunos diseos centrales compuestos
214
4 ( 4 + noe )
2 ( 4 + 3)
noe = 3
(9.27)
La matriz del diseo estrella resultante, junto con los

resultados de la experimentacin, se puede encontrar
en la tabla 9.6. Adems, en la figura 9.8 se puede
3.02
localizar el conjunto de los experimentos realizados
4.40
hasta el momento y desde el comienzo con las dife3.90
rentes estrategias utilizadas.
3.76
Con los datos de los dos diseos en las tablas
3.20
9.4 y 9.6 se puede estimar un modelo de segundo
3.28
orden por mnimos cuadrados, resolviendo la
3.17
ecuacin (9.5) para el modelo en (9.20). Si adems
Tabla 9.6 Diseo estrella y resultados en el ejemplo de
se aade una variable con signos -1 y 1, se lograr
las tapas de aluminio con los puntos en la estrella a una
estimar el efecto bloque como diferencia entre los
distancia de 1.41
promedios de los dos bloques dependiendo
de si los experimentos vienen del primer
La ecuacin de regresin es
diseo o del segundo.
Porosidad = 2.84+0.36 B + 0.51T + 0.26 T2 + 0.32 P2 - 0.22 TP
El resultado del anlisis por regrePredictor
Coef.
Stdev.
t-ratio
p-valor
sin se encuentra en la tabla 9.7. El modelo
0.000
59.65
0.048
2.84
Constante
as obtenido explica un porcentaje elevado
0.000
11.70
0.031
0.36
Bloque
de la variabilidad en el ndice de porosidad
0.000
12.42
0.041
0.51
Temperatura
en funcin de los dos factores estudiados:
0.000
6.07
0.043
0.26
(Temperatura)2
0.000
7.47
0.043
0.32
(Presin)
presin y temperatura.
0.005
-3.78
0.058
-0.22
Temp. Presin
Se observa que existe un efecto
bloque
estadsticamente significativo, es
s = 0.1165 (8 g. l.)
R-Sq = 98.0 %
R-Sq(adj) = 96.7 %
decir, el hecho de realizar el experimento
en dos tiempos diferentes ha afectado a la
Tabla 9.7 Resultado del anlisis por medio de regresin lineal de los
datos de la tabla 9.6
respuesta con un aumento de 0.71 unidades
TEMPERATURA
PRESIN
(C)
-/22 (685)
/22 (715)
0 (700)
0 (700)
0 (700)
0 (700)
0 (700)
(kg/cm2)
0 (845)
0 (845)
-/22 (810)
/22 (880)
0 (845)
0 (845)
0 (845)
NDICE DE
POROSIDAD
de porosidad del segundo al primer experimento. Este hecho induce a una investigacin por parte de
los tcnicos para encontrar las condiciones que han cambiado en las dos etapas y que provocan este
cambio en la porosidad.
Antes de aceptar el modelo obtenido por regresin se ha de hacer una prueba de ajuste de los
datos al modelo. Esta prueba se realiza comparando dos estimaciones independientes de 2, una de las
cuales depende totalmente de la bondad del ajuste del modelo.
La estimacin de 2 en la tabla 9.7 ha sido obtenida como un promedio de otras dos estimaciones:
2
stotal
>
>
2
4 s 2puro + 4 sajust
(9.28)
Donde sp2 es la obtenida a travs de las seis

rplicas (una vez eliminado el efecto bloque)
y denomina estimacin pura
sp2 =0.011 con 4 g. l.
(9.29)
2
Y saj es la obtenida a travs de los residuos
por falta de ajuste de los datos al modelo. A
esta estimacin se le denomina estimacin
por falta de ajuste y tendr 3 g. l. Llevando
el valor de (9.29) a (9.28) se obtiene
saj2 =0.016 con 4 g. l.
(9.30)
Fig. 9.8
Direccin del camino de mximo descenso
Por lo tanto, si el modelo se ajusta bien a los

(steepest descent)
datos, los valores en (9.29) y (9.30) son estimaciones
independientes de 2 y, segn se vio en el captulo 3, el cociente de ambos valores ser un valor tpico
en la distribucin F de Snedecor con cuatro y cuatro grados de libertad.
2
sajuste
s 2puro
0.016
0.011
= 145
.
(9.31)
lo cual es cierto. En consecuencia, se acepta que la aproximacin a la respuesta en la regin prxima

a las condiciones de 700 C y 845 kg/cm2 por el modelo
y = 2.84 + 0.36 B + 0.51 Temp. + 0.26 Temp.2 + 0.32Presion2 - 0.22 Temp. * Presin
(9.32)
es una buena aproximacin.

Una vez obtenida la aproximacin cuadrtica a la respuesta, se ha de analizar si la regin en que
se ha aproximado contiene las condiciones ptimas de porosidad. Para poder resolver este dilema se
ha de realizar el anlisis cannico que se presenta en el prximo apartado.
9.7 Anlisis cannico de la superficie

La interpretacin del modelo resultante puede hacerse bien a travs de curvas de nivel, o bien en
funcin del anlisis cannico del modelo. El anlisis grfico es posible cuando se estudian dos o tres
factores. Si el nmero de factores aumenta no se pueden representar conjuntamente los factores y la
respuesta en un mismo grfico. Cuando el nmero de factores es alto, se puede trabajar con
proyecciones sobre un subconjunto de dos o tres factores, pero entonces la interpretacin de la
superficie es ms compleja.
215
Para k=2 factores, stos se representan

en los ejes de ordenadas y abcisas indistin3.7
tamente. Entonces, sustituyendo pares de
3.1
valores de la temperatura y la presin en (9.32)
se obtiene el valor de la respuesta, el cual se
850
lleva al grfico situndolo sobre el punto
representado por el par de condiciones. Una
6.1
vez obtenida una cantidad suficiente de valores
6.7
de la respuesta, se trazan lneas de nivel para
7.3
800
7.9
valores de respuesta similar. Las lneas as
8.5
formadas representan la proyeccin tridimen675
685
695
705
715
725
sional de la respuesta en el plano de experiTemperatura
mentacin formado por los dos factores.
Vemoslo en el ejemplo de las tapas de
Fig. 9.9. Anlisis grfico de la porosidad por curvas de nivel
aluminio. La representacin se ha realizado
promediando el efecto bloque, ya que el efecto bloque no influye en la localizacin del ptimo. Para el
grfico se han utilizado las variables en unidades originales.
Del anlisis grfico se observa que las curvas de nivel son concntricas y su valor disminuye
conforme se acercan al punto central. Existe, por lo tanto, una nica condicin ptima en cuanto a
porosidad mnima en torno a la condicin: temperatura 690 C y presin 835 Kg/cm2.
Las coordenadas de tal punto tambin se pueden encontrar derivando la ecuacin de la respuesta
respecto a sus parmetros e igualando a 0.
900
4.9
5.5
Presin
4.3
216
2
2
Y 2.84 + 0.36 B + 0.51T + 0.26 T + 0.32 P 0.22 T P
=
= 0.51 + 0.52 T 0.22 P = 0
T
T
Y
P
2.84 + 0.36 B + 0.51T + 0.26 T 2 + 0.32 P 2 0.22 T P

P
(9.33)
= 0.64 P 0.22 T = 0
T = -1.15, P = -0.39
Las coordenadas del punto crtico en unidades originales, as como el valor estimado de la
porosidad, son:
Pc (688.5 C, 835.1 Kg/cm2)
YPc = 2.19 (Bloque 1)
(9.34)
YPc = 2.91 (Bloque 2)
Anlisis cannico
El conjunto de todas las superficies cuadrticas se clasifican segn su forma cannica. sta
corresponde a la representacin de la superficie con ejes de simetra paralelos a los ejes de coordenadas
y centrada en el origen (de coordenadas 0 en todas las variables x).
Las superficies que se obtienen de la metodologa de superficie de respuesta no tienen por qu
cumplir las dos condiciones anteriores y, en tal caso, resulta difcil conocer el tipo de superficie de que
se trata. Sin embargo, mediante las dos operaciones que a continuacin se detallan, se puede
recodificar la superficie para expresarla en su forma cannica. Estas dos operaciones son:
> Utilizar los ejes de simetra como nuevos ejes de coordenadas.
> Seleccionar el punto crtico de la superficie como nuevo origen de coordenadas.
La ecuacin resultante de la primera operacin se denomina forma cannica A y, si se aplica la

segunda condicin, la ecuacin resultante se denomina forma cannica B.
Si llamamos,
b0 = ( b0 )
x1
x
2
x3
X =
K
K

x k
b1
b
2
b3
b=
K
K

bk
1 / 2b12
b11
1 / 2b
b22
12
B=
K
K
/
/ 2b2 k
1
2
1
b
1k
K
K
K
K
1 / 2b1k
1 / 2b2 k
bkk
(9.35)
el mtodo general de obtener las dos formas cannicas es muy simple y est basado en las propiedades
algebraicas de la matriz B.
Para ello, primero expresaremos el modelo de segundo orden para la superficie de respuesta en
forma matricial,
Y = b0 + Xb + X B X
(9.36)
Ahora, si M es la matriz en cuyas columnas estn los vectores propios estandarizados de B: m1,
m2, ..., mk, siendo 1, 2, ...,k, sus valores propios, se cumple:
BM = M
M= M
(9.37)
MBM = MM =
donde es la matriz diagonal con 1, 2, ...,k, en la diagonal.
Dado que MM = I, se puede intercalar este producto de matrices en la ecuacin (9.36), y
agrupando convenientemente se obtiene
Y
b0 + ( x ' M ) ( M ' b ) + ( x ' M ) ( M ' BM ) ( M ' x )
(9.38)
Utilizando las propiedades en (9.37) en (9.38), la ecuacin (9.36) puede reescribirse como,
Forma cannica A
Y = b0 + X + XX
(9.39)
X=Mx y =Mb
La forma cannica A obtenida en (9.39) slo contiene trminos cuadrticos puros, ya que han
desaparecido las interacciones. Si se representa de nuevo la superficie, pero ahora respecto a las nuevas
variables X, se observa que los ejes de simetra de la superficie son paralelos a los ejes de coordenadas.
Para hallar la forma cannica B hay que determinar la distancia a la que se encuentran los
puntos crticos de la superficie (mximo, mnimo, punto silla, zona de mximos, etc.) del origen de
coordenadas. Si la zona crtica est dentro de la regin de experimentacin, se considera que la
aproximacin de la superficie ser igual de vlida alrededor del nuevo origen de coordenadas. Si en
cambio la regin crtica est lejos de la zona de experimentacin, no tiene sentido extrapolar la
superficie hasta la zona crtica y, por lo tanto, no se halla la forma cannica B.
En el ejemplo de las tapas, la distancia del punto crtico al centro de experimentacin es
d
115
. 2 + 0.39 2
= 1.2
(9.40)
y; por lo tanto, podemos considerar que la aproximacin obtenida en (9.26) puede extenderse a la
regin alrededor de este punto.
217
Por consiguiente, para obtener la forma cannica B, se puede realizar la segunda operacin de
cambiar el origen de coordenadas de (0,0) por (-1.15,-0.39), si se trabaja en unidades codificadas
originales, o de (0,0) por M (-1.15,-0.39), si se trabaja con las coordenadas nuevas.
Dado que el resultado final es independiente del orden en que se realicen estas dos operaciones
(cambio de ejes de coordenadas y traslacin del origen), en aquellos casos en que se han calculado con
anterioridad las coordenadas del punto crtico, es ms sencillo trabajar con las coordenadas del punto
crtico en unidades originales x.
Por lo tanto, si se aplica este cambio de origen en (9.38) antes de pasar a cambiar los ejes, se
obtiene la expresin
=
Y0 +
(( x x )' M ) ( M ' b) + (( x x )' M )( M ' BM ) ( M ' ( x x ))

0
(9.41)
que se simplifica dando lugar a la forma cannica B, que aparece en (9.39) en su forma general.
Forma cannica B
Y
~
Xi
218
~
~
~
Y0 + 1 X 12 + 2 X 22 + K + k X k2
M ' ( xi xio ) d
M ' xi M ' xio
(9.42)
X i X io
Es decir, las nuevas coordenadas se pueden obtener trasladando xo (en unidades originales
codificadas) y girando con M, o girando con M para obtener las nuevas coordenadas X y trasladando
X0 respecto a las coordenadas del punto estacionario (en las nuevas coordenadas).
Con la ecuacin (9.42) se est en situacin de interpretar la superficie. El signo de los valores
propios i determinarn el tipo de superficie, y su valor absoluto determina el tamao de los ejes de
simetra.
La figura 9.9 contiene la clasificacin de las superficies para dos factores. Para interpretar
superficies con ms factores se pueden seleccionar subgrupos de dos factores e interpretar la
proyeccin de la superficie en ellos.
En el caso de las tapas de aluminio, para hallar la forma cannica B se han de obtener los valores
propios y los vectores propios de la matriz B en el modelo (9.32).
x1
X =
x2
b0 = (2.84)
0.61 0.79
0.79 0.61
0.51
b=
.
0.26 011
B=
011
.
0
.32
0.40
(9.43)
018
.
Por lo tanto, llevando los valores de (9.43) a (9.42) se obtiene la forma cannica B:
Y
~
~
2.55 + 0.36 B + 0.40 X 12 + 018
. X 22
(9.44)
donde la relacin entre las nuevas coordenadas y las anteriores es:

~
X1 = 0.61( x1 + 115
. ) + 0.79 ( x2 + 0.39) = 0.61 x1 + 0.79 x2 0.39
~
X2
= 0.79 ( x1 + 115
. ) + 0.61( x2 + 0.39) = 0.79 x1 + 0.61 x2 115
.
(9.45)
donde x1 y x2 los son valores de la presin y la temperatura en unidades codificadas.

Una vez en la ltima etapa de la investigacin (figura 9.6) se ha de hacer un estudio de la forma
cannica de la superficie si se desean conocer las condiciones ptimas y la manera en que se relaciona
la porosidad con los factores de control.
Analizando la forma cannica se puede contestar a los objetivos planteados en el apartado 9.2.
Se aprecian los siguientes hechos:
3
37
40
2
43
46
49
0
-1
-2
-3
-3
-2
-1
3
18.5
16.0
13.5
11.0
8.5
8.5
3.5 6.0
6.0
3.5
11.0
-1
13.5
-2
219
16.0
18.5
-3
-3
-2
-1
A
3
2
3.5
5.0 6.5 8.0
9.5
8.0 6.5
9.5
5.0
3.5
1
0
-1
-2
-3
-3
-2
-1
A
3
6
2
1
10
0
-1
12
-2
-3
-3
-2
-1
Figura 9.10 Representacin de superficies cuadrticas en dos factores. a) Mximo (1 y 2 <0) (o mnimo (1 y 2 >0);
b) Punto silla (1 y 2 de distinto signo); c) Teja horizontal (2 = 0 ); d) Teja inclinada (2 =0) y trmino lineal en X1)
>
>
Al ser positivos los coeficientes de los trminos cuadrticos en la forma cannica B, existe un
nico punto donde se obtiene un ndice de porosidad mnimo. Las coordenadas de este punto
son aproximadamente (688.5C, 835.1 kg/cm2).
Si se desean hacer predicciones del valor de la respuesta para determinadas condiciones de los
factores, se puede obtener el modelo en unidades originales. No obstante, hay que tener en
cuenta que el modelo obtenido es una aproximacin local de la superficie en la zona de
experimentacin y que, cuanto ms alejado de tal zona se est, menor precisin en la prediccin
se obtendr. La manera ms sencilla de obtener el modelo en unidades originales es
descodificando la ecuacin (9.32) mediante:
x1
T 700
10
x2
P 845
25
(9.46)
para obtener el modelo en unidades originales,

(9.47)
= 1087 6 + 0.36 B 2.85 T 0.25 P + 0.0026 T 2 + 0.00051 P 2 0.00088 T P
~ ~
~ ~
La porosidad cambia ms rpidamente en la direccin de X 1 ( X 2 = 0 ) que en la de X 2 ( X 1 = 0 ) ello
Y
>
es debido a que el valor propio 1 =0.39 es mayor que 2 = 0.17. La direccin de mnimo cambio
en porosidad viene determinada por
~
X1
0.61 x1 + 0.79 x 2 0.39
(9.48)
.
0.79 x1 + 0.61x 2 + 115
(9.49)
y la de mximo por
~
X2
220
>
es decir, manteniendo similares los valores de x1 y x2 , se logra la mnima variacin en la

porosidad al variar las condiciones de temperatura y presin.
Dada una porosidad lmite, existe una variedad de combinacin de condiciones para la
temperatura y la presin que permite trabajar con menor porosidad. Basta con hallar la curva de
nivel apropiada para este valor y seleccionar cualquier combinacin que quede en la regin
interna de la curva de nivel.
Ejercicios
9.1.
a)
b)
c)
d)
Se realiza un experimento con dos variables codificadas x1 = (X1-450)/10 y x2 = (X2-130)/5 y se

obtienen los siguientes resultados:
Es necesario el uso de un modelo de segundo orden para aproxix1
x2
y
marnos a la superficie estimada por y?
44.1
-1
-1
Razonar si un modelo de primer orden se ajusta bien a la superficie de
53.2
-1
1
47.3
1
-1
respuesta representada por y. (Use algn tipo de test de ajuste del
56.4
1
1
modelo.)
49.5
0
0
Est el punto (X1,X2) = (268,98) en el camino de mximo decre51.0
0
0
cimiento?
D un modelo que permita predecir los valores de la respuesta a travs
de los valores de X1 y X2 sin codificar.
Un experimentador ha realizado un diseo 25-1 con cuatro puntos aadidos en el centro y desea
aadir una estrella a una distancia axial y ne0 puntos en el centro.
a) Qu valor de se ha de seleccionar si se quiere conseguir rotabilidad?
b) Y si se quiere conseguir que los dos bloques sean ortogonales?
c) Se puede conseguir rotabilidad y ortogonalidad a la vez?
9.2.
9.3.
Realice un anlisis cannico de la superficie:

y = 6.88 + 0.0325 x1 + 0.2588 x2 - 0.1363 x3 - 0.1466 (x1)2 -0.0053 (x2)2 + 0.1359 (x3)2
obtenida por un anlisis de regresin usando las variables codificadas:
x1=(x1-5)/3, x2 =(x2-4)/10 y x3=(x3-25)/9
a) Cules son las coordenadas del punto estacionario y el valor de la respuesta en tal punto?
b) Qu tipo de superficie es?
c) Realice un grfico de contornos en funcin de x1 y x2 (variables codificadas originales)
alrededor del punto estacionario, dejando fijo el valor de x3 en la coordenada que posee el punto
estacionario.
9.4.
Un experimentador realiza un experimento con dos

variables x1 y x2 alrededor del punto (90,20), para el
que realiza cinco experimentos:
a) Ajuste un modelo a los datos y diga cul de

las siguientes observaciones estaran en la
direccin del steepest ascent.
El experimentador decide ahora combinar
los dos experimentos de coordenadas
(X1,X2,Y) = (43.25, 53, 65) y (34.75, 59,68)
con las seis siguientes:
X1
80
100
80
100
90
X2
10
10
30
30
20
11
29
12
X1
64.5
47.5
39
30.5
43.25
X2
38
50
56
62
53
34.75
59
43
58
72
62
65
68
X1
34.75
43.25
39
39
39
39
X2
53
59
56
56
56
56
71
68
71
72
72
73
b) Ajuste un modelo de primer orden a los datos.

c) Realice un test de falta de ajuste usando las rplicas.
d) Realice un dibujo de cmo han sido expuestos los experimentos con los respectivos valores de
la respuesta.
221
10
Diseo de productos robustos
Las metodologas de diseo de experimentos y superficie de respuesta presentadas en los

captulos anteriores han sido utilizadas para la determinacin de los factores que afectaban a una
caracterstica particular de calidad, para la seleccin de los niveles ptimos de tales factores, y para la
estimacin local de la relacin existente entre la respuesta y los factores de diseo en la regin de las
condiciones ptimas.
En la prctica, muchas caractersticas de calidad vienen afectadas por factores de difcil control
o que no han podido ser controlados durante la obtencin del producto, incluso por factores que
aparecen una vez que el producto est en manos del cliente.
Una manera de atacar este problema sera mediante el control de tales fuentes de variacin, lo
cual resulta caro y muchas veces imposible. Por el contrario, se pueden disear productos o procesos
robustos que sean insensibles a estas causas.
En este captulo vamos a presentar la aplicacin de las tcnicas anteriormente citadas en la
consecucin de tales objetivos.
10.1 Concepto de producto robusto

La definicin que da el diccionario a la palabra robusto es fuerte, vigoroso, sano, saludable.
Por ejemplo, decimos que un ciclista es robusto cuando su rendimiento queda poco afectado por
los cambios que se producen en su entorno: pedalea con igual intensidad en das de sol o en das de
lluvia, no le afectan las crticas de los peridicos, se adapta a los diferentes tipos de bicicletas, etc.
En la industria tambin se desea obtener productos robustos y sern aquellos que mantengan
sus caractersticas de calidad con un mnimo nivel de variabilidad. Como veremos en el apartado 10.2,
esta variabilidad en el nivel de calidad es debida a factores externos (temperatura ambiente, humedad,
etc.), internos (deterioro, etc.) y de produccin (capacidad de los procesos de fabricacin).
Veamos dos situaciones en las que se desea obtener productos robustos, que sern analizadas en
detalle a lo largo del captulo.
> Se desea obtener una frmula para fabricar un suavizante de ropa. La caracterstica de calidad
que se estudia es su viscosidad. Se conocen el tipo de materia prima, la cantidad de
estabilizante, el Ph del producto y el tipo y la cantidad de sales que han de entrar en la frmula
del producto. Ahora bien, la viscosidad as obtenida puede verse alterada una vez que el
223
224
producto est en manos del cliente, debido al tiempo en que el envase del producto permanece
abierto o debido a caractersticas del agua de lavado. El suavizante que se desea ha de ser
robusto a estos factores externos a su frmula, es decir, su viscosidad debe mantenerse en un
nivel aceptable sea cual sea el agua de lavado o el tiempo en que el envase est abierto.
> Se desea disear un tubo calefactor seleccionando los niveles de tres parmetros de diseo:
temperatura interior y exterior del cilindro calefactor y proporcin entre dimetro exterior e
interior. El tubo resultante, adems de permitir el paso de un flujo determinado de calor por su
superficie, ha de ser robusto, o insensible, a pequeas variaciones en los parmetros de diseo.
Esta preocupacin reciente en las empresas por obtener productos robustos ha sido motivada
por las demandas actuales del cliente dentro de un entorno competitivo muy particular.
Un mismo producto puede ser fabricado en empresas situadas en zonas geogrficas lejanas, las
cuales pueden ser aprovisionadas por diferentes proveedores, e incluso tener diseados sus procesos de
diferente manera. Sin embargo, cuando el cliente compra un producto quiere que sea robusto a estas
condiciones del mercado o a otras tales como las caractersticas culturales, condiciones ambientales,
etc. El producto es identificado por la marca y no por la empresa que lo fabrica.
Un cliente no satisfecho puede reclamar una compensacin econmica por la falta de calidad o
incluso puede cambiarse a un producto de la competencia. Ello conlleva unas prdidas econmicas a
la empresa que se estima que son directamente proporcionales a la desviacin cuadrtica de la
caracterstica de calidad respecto a su valor nominal u objetivo.
Algunos autores prefieren hablar de una funcin matemtica que mide la calidad de un producto
en funcin de la desviaciones cuadrticas de cada individuo respecto al valor nominal. El ingeniero
Genichi Taguchi (1986), por ejemplo, define la funcin de prdidas que presentamos en el apndice 10.A.
El objetivo del diseador es por lo tanto definir productos en los que las prdidas debidas a estas
fuentes de variacin sean mnimas. No basta con fabricar bajo el nivel nominal, hay que hacerlo con
la mnima variabilidad.
10.2 Variabilidad funcional

La variabilidad entre productos una vez que stos estn en manos del cliente es inevitable. Sin
embargo, si se identifican las causas de tales variaciones, se pueden tomar medidas con el fin de
reducirla.
Las causas que originan tal variabilidad pueden englobarse en tres grupos:
> Causas que provocan variabilidad en el proceso que da lugar al producto, y que determinan la
capacidad de aqul: variaciones en la materia prima, mtodos de trabajo, mantenimiento, etc.
> Causas en el entorno en que se usa el producto: variaciones humanas en el uso del producto,
condiciones ambientales, etc.
> Causas relacionadas con las caractersticas internas del producto: envejecimiento, deterioro de
partes, etc.
El efecto, en general impredicible, que estas causas producen sobre la caracterstica de inters
se denomina ruido y, por extensin, a las causas de tal variabilidad se las denomina factores ruido.
Para reducir el ruido la empresa puede adoptar varias posturas. Una sera controlar los factores ruido
que estn a su alcance (aquellos que aparecen antes de que el producto salga de la empresa), y
segmentar la produccin de acuerdo con los hbitos del consumidor. Esta postura es en general costosa
y resulta imposible imaginrsela implantada totalmente en las empresas. (Ello no quiere decir que sea
totalmente descabellada; por ejemplo, algunas multinacionales del sector del automvil ya estn
reduciendo al mximo el nmero de proveedores, lo cual reduce una gran fuente de variabilidad.)
DISEO DE PRODUCTOS ROBUSTOS
Una segunda estrategia ms econmica y eficaz, consistira en tomar contramedidas contra cada
una de las causas de variabilidad a lo largo de las etapas de desarrollo de un nuevo producto. La tabla
10.1 (Kackar 1985) presenta en qu fases del desarrollo de un producto es posible actuar para
minimizar el efecto de cada una de las causas de variabilidad.
CAUSAS DE VARIABILIDAD
(RUIDO)
FASES DEL DESARROLLO
DE UN PRODUCTO
O Contramedidas posibles
X Imposibilidad de contramedidas
Externas
(Ambiente)
Internas
(Deterioro)
Produccin
(Fabricacin)
Diseo del producto
Diseo del proceso
Proceso de produccin
Tabla 10.1 Contramedidas posibles en cada una de las fases del desarrollo de un producto
Estas etapas, de una manera simplificada, son las siguientes:

Etapa de diseo del producto de acuerdo con las expectativas del cliente.
Etapa de diseo del proceso que ha de generar los productos diseados en la etapa anterior.
Etapa de produccin de acuerdo con las etapas anteriores en la que se obtendr el producto final.
La estadstica, como ciencia que estudia los fenmenos a travs de la cuantificacin de la
informacin procedente de los mismos, es de una gran ayuda en estas fases.
As, en la fase de produccin, mediante la utilizacin del control estadstico de procesos (SPC)
se controla el proceso para identificar la aparicin de causas asignables de variabilidad y actuar sobre
ellas de una manera adecuada para mantener el proceso bajo control (en el captulo 11 se presenta este
tema de una manera ms amplia).
En general, la reduccin de variabilidad utilizando slo SPC (o por otra parte inspeccin del
producto acabado) requiere inversiones econmicas considerables (seleccionar los mejores
proveedores, aumentar el mantenimiento de las mquinas, etc.); y el resultado final, una vez ms,
depender de lo bien que est diseado el proceso.
En el diseo del proceso de produccin tambin se pueden tomar medidas contra la variabilidad
en la produccin, escogiendo mquinas con la mnima capacidad o variabilidad, lo cual es tambin
costoso.
Sin embargo, slo en la fase de diseo del producto se pueden tomar medidas contra cada una
de las diferentes causas de variabilidad. Las tcnicas estadsticas que hemos denominado diseo de
experimentos robustos son tcnicas que, aplicadas en las etapas del diseo del producto y del proceso,
producen una reduccin considerable de la variabilidad final del producto en manos del cliente y con
una inversin econmica, en general, inferior a cuando se utiliza slo SPC.
>
>
>
10.3 Metodologa del diseo

Las primeras ideas para conseguir el aseguramiento de la calidad de un producto centrando los
esfuerzos especialmente en su fase de diseo, se deben al ingeniero Genichi Taguchi, quien comenz
a aplicar las tcnicas de diseo de productos robustos a comienzos de los aos 80.
G. Taguchi (1986) divide la etapa de diseo del producto en tres fases claramente diferenciadas:
> Diseo primario: consiste en el diseo conceptual o funcional del producto para responder a
una necesidad del mercado. En esta fase utilizan conocimientos especializados del dominio.
225
>
Diseo secundario, o diseo de los parmetros: consiste en la obtencin de los valores

nominales ptimos de los factores, para minimizar la variabilidad de las caractersticas de
calidad del producto. En esta fase se necesita de la colaboracin de los tcnicos del
producto y de personal conocedor de las tcnicas estadsticas de diseo y anlisis de
experimentos.
> Diseo terciario: diseo de tolerancias, para garantizar la mnima variabilidad requerida,
cuando la variabilidad final del diseo secundario es todava excesiva.
En este captulo presentaremos las tcnicas estadsticas que ayudan a la consecucin del
diseo secundario o diseo de parmetros. Estas tcnicas comprenden la seleccin de una matriz de
diseo adecuada y el anlisis e interpretacin de los resultados.
A pesar de que existe una metodologa ampliamente divulgada denominada metodologa de
Taguchi, para llevar a cabo los objetivos anteriormente citados, en los ltimos aos se han
presentado crticas en cuanto a sus aspectos estadsticos y metodolgicos y se han propuesto
alternativas como las de Box (1986), Grima (1993), Maghsoodloo (1990), Ryan (1988), Shoemaker
(1991), Tort-Martorell (1985), Tribus (1989) y Wu (1987).
En este captulo hemos optado por tomar aquellos aspectos del mtodo de Taguchi que,
siendo tiles por su simplicidad, no se alejan demasiado de la tcnica ptima. Por otra parte, aquellos
aspectos dbiles en la metodologa, tales como el anlisis de los resultados, los hemos sustituido por
mtodos alternativos. El lector interesado en conocer los aspectos fundamentales de la metodologa
de Taguchi puede dirigirse al apndice 10.B.
226
10.4 Diseo de parmetros

El diseo de parmetros consiste principalmente en una estrategia de experimentacin durante la etapa
de diseo del producto o del proceso mediante la cual, con un anlisis adecuado de los resultados, se
determinan los niveles de los factores o parmetros del diseo, bajo los cuales se obtienen productos
que cumplen el doble objetivo de presentar la caracterstica de calidad lo ms cercana al valor nominal
deseado y con mnima variabilidad.
La experimentacin se realiza con los dos tipos de factores que hemos introducido
anteriormente y que hemos denominado:
> factores de control,
> factores ruido.
Los primeros son los factores cuyos valores pueden ser seleccionados por el experimentador
durante el diseo del producto (o proceso): temperatura del horno, tiempo en el horno, porcentaje de
enzima, etc.
Llamamos factores ruido a aquellos factores que, afectando a la caracterstica de calidad del
producto (bien en las fases iniciales de fabricacin, o bien cuando el cliente utiliza el producto), no
pueden ser controlados, bien por los costes que ello implica o por otras causas, si bien en muchas
situaciones ser posible realizar experimentos con valores controlados de este tipo de factores. Algunos
de estos factores son: la temperatura ambiente en la lnea de fabricacin, el conocimiento por parte del
operario del proceso, la humedad relativa cuando se utiliza el producto, etc.
La presencia de variabilidad, como ya hemos comentado en al apartado 10.2, es consecuencia
del ruido externo y del ruido interno. Es decir, de la variabilidad provocada por factores no controlables
y la transmitida por los factores de control. Durante la experimentacin, los factores de control y
algunos de estos factores ruido son seleccionados y prefijados para conocer su efecto en la
caracterstica de calidad.
As, se podrn tomar contramedidas contra la presencia de variabilidad, si ocurre alguna de

estas dos circunstancias:
1 Ruido externo: existen interacciones entre factores de control y factores ruido. Ello implica que
el efecto del factor ruido en la respuesta depende del nivel en que se encuentre el factor de
control. En consecuencia, se podr seleccionar un nivel de este ltimo donde la respuesta sea
ms insensible al ruido externo (ver figura 10.1).
2 Ruido interno: la relacin entre los factores de control y la respuesta no es lineal. De esta
manera, se puede seleccionar aquel nivel del factor de control en que la respuesta sea ms
robusta al ruido interno.
A continuacin presentaremos un mtodo de seleccin de la matriz de diseo, as como la
manera de analizar los resultados.
227
Fig. 10.1 Variabilidad transmitida por un factor ruido R

para diferentes niveles del factor de diseo D
a) La variabilidad transmitida por el factor R al cambiar
de Ro a R1 es la misma para cualquier nivel de D.
b) La variabilidad transmitida por R es diferente dependiendo del nivel en que se encuentre el factor de
diseo D: existe por lo tanto una interaccin entre el
factor de diseo y el factor ruido. En este ejemplo,
cuando D est en el nivel D1 la variabilidad
transmitida es menor.
Fig. 10.2 Relacin lineal y no lineal entre los parmetros

del producto (o proceso) y la caracterstica de calidad
a) Si la relacin entre el parmetro y la respuesta es
lineal, la variabilidad que se transmite a Y, por la
relacin f(x), es de la misma magnitud en x0 o en x1.
b) Sin embargo, si la relacin entre el parmetro del
diseo y la caracterstica no es lineal, la variabilidad se
transmite de manera diferente, dependiendo del valor
en que est fijado el parmetro. En x1 la variabilidad
transmitida es menor que en x0.
10.5 Matriz de diseo

Las dos circunstancias anteriormente citadas pueden ser detectadas mediante la experimentacin, si se
selecciona adecuadamente la matriz de diseo y se analiza convenientemente los resultados.
En este apartado estudiaremos la seleccin de una matriz de diseo para disear productos
robustos a la variabilidad externa. La metodologa a seguir cuando se trabaja con ruido interno se
presentar en el apartado 10.7 con un ejemplo.
La matriz de diseo deber permitir estimar un modelo del tipo

Y = o + i X i + ij X i X j + k Z k + kl Z k Z l + ik X i Z k +
228
(10.1)
en el que una vez estimados sus parmetros, su correcta interpretacin debe permitir alcanzar el valor
nominal con la mnima variabilidad.
> Aquellos efectos ik que sean significativos nos permitirn seleccionar los niveles de los
factores de control Xi en que el producto sea ms robusto a la variabilidad transmitida por los
factores ruido Zk.
> Aquellos factores Xi que sean significativos pero que no interaccionen con factores ruido,
permitirn llevar la respuesta a su nivel nominal.
> Aunque la estimacin de los efectos de los factores ruido k en principio no es til, puesto que
son factores que no se controlan, el conocimiento de su significacin puede servir a los tcnicos
para replantear el diseo del producto o proceso.
Por lo tanto, el diseo seleccionado debe permitir estimar, como mnimo, los efectos asociados
a los factores
Xi , XiXj, y Xi Zk
(10.2)
y ser de ayuda si adems permite estimar los efectos asociados a los factores ruido.
Las soluciones dadas a este problema han sido principalmente tres:
> Disear por separado las matrices para los factores de control y para los factores ruido y cruzar
las dos para dar lugar a una matriz producto. Esta matriz producto puede ser obtenida a travs
de los diseos 2k-p propuestos en los captulos 7 y 8 y tambin de los orthogonal arrays
propuestos por Taguchi (1986).
> Realizar un diseo fraccional de resolucin V con todos los factores de control y ruido
estudiados conjuntamente.
> Seleccionar diseos especiales de resolucin IV que no confundan las interacciones a estudio.
La primera opcin es la ms sencilla. Adems, permite seleccionar un grado de fraccionamiento
diferente para cada tipo de factores. En general, el diseo para los factores ruido suele ser ms
fraccionado de lo que se acostumbra cuando se trabaja con factores de control. Ello es debido a que no
estamos tan interesados en la estimacin, libre de confusiones, de las interacciones entre factores ruido.
Aunque la tercera opcin conlleva la realizacin de menos experimentos que la primera y la
segunda, la matriz producto est ms difundida en la industria y es ms fcil que sea seleccionada por
personal poco experto. Es esta la razn principal que nos ha hecho decidirnos por presentar esta matriz
en este captulo aunque existen otras razones de tipo analtico (con esta matriz se puede desglosar mejor
la variabilidad debida al ruido en: la transmitida
por los factores ruido que han intervenido en el
z1
experimento y el ruido ajeno a estos).
z1
Factores
ruido
Factores
ruido z2
z2
Matriz
externa
La matriz de diseo se representa con
Matrizexterna
z3
z3
Factoresde
Factores
dediseo
diseo
dos entradas tal como aparece en la figura 10.3.
..
x1, x2
x2, x3.
... .
x1
x3 .
Por una parte aparecen los k factores de control
combinados segn un diseo 2k-p y, por otra, los
r factores ruido combinados segn otro diseo
Matriz
interna
Matrizproducto
Matriz
producto
Matriz
interna
2r-q. Por consiguiente, se obtienen 2k-p 2r-q
condiciones experimentales.
Una vez aleatorizado el orden de
experimentacin de las 2k-p 2r-q condiciones
experimentales, se realiza cada experimento y se
Fig. 10.3 Diseo de la matriz de experimentacin 2k-p 2r-q
mide la caracterstica de calidad. Las filas de la
matriz pueden ser consideradas como prototipos idnticos de un producto diseado con los niveles de los
parmetros de la parte izquierda de la tabla y sometidos a diferentes condiciones de los factores ruido.
Si la muestra fuese lo suficientemente grande, la representacin grfica en histogramas de la
caracterstica de calidad en estos individuos dara una idea general de la distribucin de la calidad del
producto; bastara con observar el centro de la distribucin y su dispersin.
Esta manera intuitiva de interpretar la matriz de diseo ha dado lugar a un anlisis de los datos
basndose en la informacin obtenida para cada fila o condicin de los parmetros de diseo.
Una vez ms, existen diferencias en el tratamiento de estos datos. Remitimos al lector al apndice
10.B si quiere obtener informacin sobre el mtodo seguido por Taguchi basado en la seal ruido.
Nosotros introduciremos al lector dos mtodos de anlisis que creemos que mejoran
sustancialmente el enfoque expuesto en dicho apndice:
> El primero est basado en el anlisis de los datos directamente de la matriz producto. Para
llevarlo a cabo se obtendrn la media y la variabilidad para cada condicin de diseo y se
aplicarn las tcnicas de anlisis de los captulos 7 y 8. Ello permitir estimar los parmetros de
un modelo del tipo:
Y= 0 + i Xi + ij Xi Xj +
(10.3)
> Para aplicar el segundo mtodo juntaremos los factores de control y los factores ruido en una
nica matriz 2(k+r)-(p+q) y pasaremos a estimar los parmetros del modelo en (10.1) que es
sensiblemente diferente al modelo en (10.3), puesto que incorpora los factores ruido en su
estructura.
Debemos decir que, si uno planifica analizar los resultados del experimento con la segunda
opcin, puede seleccionar la matriz producto de tal forma que el diseo 2(k+r)-(p+q) resultante sea ptimo
en el sentido de mxima resolucin a costa de, en general, no reproducir todas las condiciones de los
factores ruido para cada condicin de los factores de control.
A continuacin presentamos el ejemplo de suavizante donde se aplicarn los mtodos de
anlisis aqu mencionados.
10.6 Ejemplo de producto robusto a ruido externo: suavizante

El experimento que se presenta a continuacin est relacionado con un suavizante de ropa. La
caracterstica de calidad que se estudiar es la viscosidad del producto; es deseable que sea lo mnima
posible y robusta a factores externos.
En un principio se han seleccionado cinco
FACTORES DE CONTROL
+
factores de control partcipes en la frmula del
A
Tipo de materia prima
M1
M2
suavizante, y tres factores ruido que aparecen una
B
Cantidad de estabilizante
baja
alta
vez el suavizante est en manos del cliente final.
C
Ph
del
producto
2.5
3.5
La tabla 10.2 presenta estos factores junto con los
D
Tipo
de
sales
S1
S2
niveles en que se trabaj.
E
Cantidad
de
sales
baja
alta
El diseo seleccionado ha sido
un 25-2 23-1 con generadores:
FACTORES RUIDO
+
> D=AB y E=BC para los factores
M
Tiempo
que
el
producto
est
abierto
<
10
das
10
das
de control,
N
Tipo
de
agua
blanda
dura
> O=MN para los factores ruido.
O
Temperatura del agua
fra
templada
Ntese que, si juntamos dos
k-p
r-q
diseos de la forma 2 y 2 , el
resultado se podr interpretar como un
Tabla 10.2 Factores que toman parte en la experimentacin con sus niveles
229
diseo 2(k+r)-(p+q) que, en general, no es de mxima resolucin. En este caso podemos considerar el
diseo como un 28-3.
La matriz del diseo junto con los resultados de la viscosidad medida en centipoises se
encuentra en la tabla 10.3.
M.PRIMA
ESTABILZ.
PH
T. SALES
C. SALES
TIEMPO
T. AGUA
+
+
C AGUA
3200
4500
175
1560
37.5
42.5
300
242.5
1600
475
137.5
60
1900
2200
302.5
3660
125
112.5
965
1900
250
325
325
1920
50
112.5
445
2050
175
97.5
492.5
340
Tabla 10.3 Matriz de diseo y resultado del experimento para el ejemplo del suavizante
230
En la parte izquierda estn definidos los niveles en que se han colocado los factores de control
para todas las condiciones de ruido situadas en la parte superior derecha de la tabla. Para cada una de
estas condiciones se obtienen cuatro suavizantes (en el orden de experimentacin preestablecido), que
son sometidos a las condiciones de ruido que vienen dadas por los niveles de la parte superior derecha
de la matriz
As, en la primera fila aparecen los cuatro suavizantes fabricados con la frmula determinada
por la materia prima M1, el estabilizante E1, con ph 2.5, con el tipo de sal S2 y con una cantidad de
sal alta. stos, como todos los dems, han sido sometidos a las cuatro condiciones de ruido.
M. PRIMA
ESTABILIZ.
PH
T. SALES
C. SALES
LOG(s)
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
2358.7
155.6
568.1
2015.6
775.6
705.0
664.4
276.3
3.28
2.13
2.85
3.14
2.92
2.90
2.97
2.25
Tabla 10.4 Media y variabilidad en el ejemplo del suavizante
Anlisis de los datos. Mtodo de matriz producto

Como hemos comentado anteriormente, para cada condicin experimental de los factores de control
deberemos hallar la media y la variabilidad a lo largo de las condiciones de ruido, y obtendremos los
resultados de la tabla 10.4.
Para estimar los parmetros del modelo (10.3) para la media, por una parte, y para la
variabilidad por otra, se pueden utilizar los mismos procedimientos utilizados en los captulos 7 y 8.
EFECTOS
MEDIA
LOGN(S)
media
A+BD
B+AD+CE
C+BE
D+AB
E+BC
AC+DE
AE+CD
939.9
-303.6
-117.7
-669.2
833.3
-152.3
74.2
-992.0
2.81
-0.40
-0.01
-0.09
0.18
-0.30
0.03
-0.53
Tabla 10.5 Efectos sobre la media y la

variabilidad en el ejemplo del suavizante
(A= Materia prima; B= Estabilizante; C= Ph;
D= Tipo de sales; E= Cantidad de sales)
Para ello se tomarn como respuestas la media, x , y una

transformacin logartmica de la variabilidad, ln(s). (El uso de
la transformacin logartmica es muy comn cuando se modela
la varianza debido a que los residuos no siguen la distribucin
normal. En este ejemplo, adems, es doblemente aconsejable
esta transformacin por existir un rango muy amplio de
variacin en los datos.)
Aplicando el algoritmo de los signos a las dos
respuestas, se obtienen las estimaciones de los efectos para la
media y el logaritmo de la variabilidad que aparecen en la tabla
10.5. Llevando estos resultados a un grfico en papel
probabilstico normal se obtienen los grficos representados en
la figura 10.4.
D+AB
E+BC
A+BD
C+BE
AE+CD
AE+CD
231
A
Fig. 10.4 Representacin en papel probabilstico normal de los efectos sobre la media A) y sobre la
variabilidad B). (A= Materia prima; B= Estabilizante; C= Ph; D= Tipo de sales; E= Cantidad de sales)
Se puede apreciar que los grupos de efectos significativos son:

>
>
AE+CD, C+BE y D+AB para la media,

AE+CD, A+BD y E+BC para la variabilidad.
Aunque existen confusiones debido al fraccionamiento del experimento, los expertos en el tema
consideraron que no tena sentido la existencia de la interaccin AE y BE, as como que D era un fuerte
candidato a tener influencia en la viscosidad media, lo cual por otra parte tiene bastante sentido. Por lo
tanto, para el estudio de la media se seleccionaron C, D y su interaccin CD.
En el estudio de la variabilidad se seleccionaron como posibles efectos significativos (a falta de
experimentos para confirmarlo) los efectos A, E y su interaccin AE.
Con los resultados del anlisis se pueden obtener los modelos que permitan una aproximacin
lineal en la zona de experimentacin (ver el captulo 9 para aproximaciones ms complejas) de la
media y la variabilidad de la viscosidad en funcin de los factores de diseo.
Estos modelos son:
> Viscosidad media = 940 - 335 Ph + 417 T. Sales -496 Ph T. Sales + e V(e) = 259.52
> Logn(s) = 281 - 0.20 M. prima - 0.15 C. sales - 0.27 M. prima C. Sales + e V(e) = 0.1432
En ninguno de los dos modelos se ha detectado evidencia alguna de comportamiento anmalo
en los residuos; por lo tanto, a continuacin pasaremos a seleccionar aquellos niveles que optimicen
las dos funciones.
Optimizacin de la variabilidad
Se desea un suavizante con una viscosidad lo ms robusta posible a influencias de factores ruido, esto
se traduce en que la variabilidad de la viscosidad del suavizante fabricado bajo una frmula
determinada (mismas condiciones de los factores de control) ha de ser mnima.
Del anlisis de la figura 10.5 se extrae que
ello se consigue fabricando el suavizante con:
Log(s)
> materia prima: M2,
C. sales (baja)
> cantidad de sales: alta.
En tal caso la variabilidad media
C. sales (alta)
esperada en los suavizantes, independientemente de los valores en que trabaje en los
dems factores de control, ser de
M1
M2
M. prima
logn(s) = 2.81 - 0.2 - 0.15 - 0.27 = 2.19
Fig. 10.5 Grfico de la interaccin materia prima cantidad de
s = exp (2.19) = 8.93 centipoises
sales en el estudio de la variabilidad.
Optimizacin de la viscosidad media

232
Para la seleccin de aquellos niveles de los factores ph y tipo de sales que minimicen la viscosidad, es
preciso analizar la interaccin entre ellos, y para ello se ha construido la figura 10.5.
Los niveles de los factores de control que
minimizan la viscosidad son por lo tanto:
> Ph: 2.5
> Tipo de sales: S1
Viscosidad
Tipo sal (S2)
Adems, la viscosidad media esperada en
media
estos suavizantes ser de:
Tipo sal (S2)
Visc. media = 940+335-417-496=362 centipoises.
Por lo tanto, se concluye que el diseo del
suavizante robusto al ruido externo queda
2.5
3.5
Ph
definido por:
> materia prima: M2
> cantidad de sales: alta
Fig. 10.7 Grfico de la interaccin ph tipo de sales en el
> ph: 2.5
estudio de la viscosidad media
> tipo de sales: S1
De los suavizantes fabricados en tales condiciones se esperar una viscosidad media de 362
centipoises con una variabilidad de s=8.93 centipoises.
Anlisis de los datos. Mtodo de una nica matriz (Box-Jones)
Como comentamos en el apartado 10.3 de este captulo, las tcnicas de diseo robusto a la variabilidad
externa se basan en la interaccin existente entre factores de control y factores ruido. Este hecho
provoca que la caracterstica de calidad, al verse afectada por diferentes condiciones de factores ruido,
vare de manera diferente dependiendo del nivel en que se encuentre el factor de control.
En el anlisis realizado anteriormente, en ningn momento se ha trabajado con interacciones

entre factores de control y factores ruido. Para que estas interacciones, que aparecen en el modelo
(10.1), puedan ser analizadas, se tienen que ordenar las condiciones experimentales de la matriz
producto como si pertenecieran a una matriz nica de un diseo fraccional con ocho factores en 32
experimentos.
La matriz producto estaba formada por dos diseos, de generadores:
> D=AB y E=BC en el diseo 25-2 para los factores de control
> O=MN en el diseo 23-1 para los factores ruido.
Si los interpretamos conjuntamente tendremos un diseo 2(5+3)-(2+1) =28-3, con tres generadores:
D=AB, E=BC y O=MN y con relacin de definicin:
I= ABD = EBC = MNO = ACDE = ABDMNO = EBCMNO = ACDEMNO.
Como se puede comprobar, aunque este diseo es de resolucin III, permite estimar sin
confusiones las interacciones entre factores de control y factores ruido.
Para analizar el problema del suavizante como un diseo 28-3 , los datos han sido colocados tal
como aparecen en la tabla 10.6, y para las estimaciones de los efectos que se encuentran en la tabla
10.7 se ha utilizado la regla de los signos.
Podemos clasificar los efectos estimados en tres grupos:
1 El grupo que incluye los factores de control y las interacciones entre ellos.
2 El grupo que incluye los factores ruido y las interacciones entre ellos.
3 El grupo que incluye interacciones de factores de control con factores ruido.
Los efectos significativos (tanto efectos principales como interacciones) pertenecientes a
factores del primer grupo determinarn los factores de control que influyen en la viscosidad media del
suavizante.
Los efectos significativos asociados a factores pertenecientes al segundo grupo nos informarn
de aquellos factores ruido que afecten a la viscosidad media. Debido a la naturaleza de estos factores
no se podrn seleccionar sus niveles ptimos. (Esta informacin es realmente importante en aquellos
casos en que exista la posibilidad de cambiar el proceso para pasar a controlar algn factor ruido.)
Los factores del tercer grupo que posean efecto significativo identificarn los factores de
control que pueden ser seleccionados para que la variabilidad transmitida por los factores ruido sea
mnima. Adems, quedarn perfectamente identificados aquellos factores ruido que provocan tal
variabilidad. (Una vez ms esto puede hacer pensar a los tcnicos del problema en la posibilidad de
cambiar el diseo del proceso, el mtodo de distribucin de los productos,.etc.)
En el ejemplo que nos ocupa, llevando los datos de la tabla 10.7 al papel probabilstico normal
se observa que los grupos de efectos significativos son:
AE+CD, C+BE, D+AB, M+NO, O+MN, CN, CDM+AEM y ACN+DEN
>
>
>
Se observa que:
aparecen los mismos factores de control afectando a la viscosidad media que en el anlisis
trabajando con la matriz producto: AE+CD, C+BE, D+AB. Por las mismas consideraciones
anteriores seleccionaramos C, D y CD como los que contribuyen a la viscosidad;
los factores ruido M = Tiempo en que el recipiente del suavizante est abierto y O =
Temperatura del agua influyen notablemente en la viscosidad media. Estos factores dependen
totalmente del cliente, pero existe la posibilidad de desarrollar un recipiente de suavizante que
cierre hermticamente, de tal forma que el factor M no sea tan importante;
el grupo de interacciones CN, CDM+AEM y ACN+DEN puede ser utilizado para controlar la
variabilidad en la viscosidad, seleccionando aquellos niveles de los factores de control en que
el suavizante es ms robusto a cambios en los factores ruido.
233
234
M. PRIMA
ESTABILZ.
PH
T. SALES
C. SALES
TIEMPO
T. AGUA
C AGUA
VISCOSIDAD
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
3200
37.5
1600
1900
125
250
50
175
4500
42.5
475
2200
112.5
325
112.5
97.5
175
300
137.5
302.5
965
325
445
492.5
1560
242.5
60
3660
1900
1920
2050
340
Tabla 10.6 Matriz de diseo 28-3 y resultados de la experimentacin en el problema del suavizante
MEDIA
A+BD
B+AD+CE
C+BE
D+AB
E+BC
AC+DE
AE+CD
939.9
-303.6
-117.7
-669.2
833.3
-152.3
74.2
-992.0
M+NO
N+MO
O+MN
AM
BM
CM
DM
EM
569.8
-20.5
504.0
60.8
-83.3
-66.1
309.5
-61.1
AN
BN
CN
DN
EN
AO
BO
CO
339.8
130.2
919.2
-343.9
-305.8
51.1
192.7
-12.0
DO
EO
ACM+DEM
CDM+AEM
ACN+DEN
CDN+AEN
ACO+DEO
CDO+AEO
-2
-317.7
-204.5
-640.2
-681.1
242
-181.7
-271.7
Tabla 10.7 Estimacin de los efectos en el ejemplo del suavizante para el diseo 28-3 (excepto en
los seis ltimos grupos, se han omitido las interacciones de orden 30 superior)
Si consideramos las interacciones CN y ACN como las de mayor contribucin con el factor
ruido N, y la AEM para el factor M, los grficos en las figuras 10.7 y 10.8 ayudan notablemente en la
interpretacin y seleccin de las condiciones ptimas de diseo.
Como se puede observar en la figura 10.7, la naturaleza de esta interaccin no permite
seleccionar un nivel para los factores M. prima y ph tales que la variacin transmitida por el tipo de
agua sea mnima. En todo caso los grficos sugieren que tal vez con un ph intermedio se puedan lograr
resultados esperanzadores.
De la interpretacin de la figura 10.8 en la que est representada la interaccin de m. prima c. sales
con el factor ruido tiempo abierto se obtienen mejores resultados.
Ph (2.5)
Ph (3.5)
M. prima (M1)
Viscosidad
media
Viscosidad
media
M. prima (M2)
M. prima (M2)
Blanda
M. prima (M1)
Dura
Tipo de agua
Blanda
Tipo de agua
Dura
Fig. 10.7 Grfico de la interaccin m. prima ph tipo de agua.

M. prima (M1)
235
M. prima (M2)
C. sal (alto)
C. sal (bajo)
Viscosidad
media
Viscosidad
media
C. sal (bajo)
C. sal (alto)
>10 das
<10 das
Tiempo abierto
>10 das
<10 das
Tiempo abierto
Fig. 10.8 Grfico de interaccin entre m. prima c. sales tiempo abierto.
Se observa que trabajando con la materia prima y la cantidad de sales a un mismo nivel ( M1
con cantidad de sal baja y M2 con cantidad de sal alta), la variabilidad transmitida es mucho menor.
Por lo tanto, concluimos que para obtener un suavizante con mnima viscosidad y robusto al
ruido externo, hemos de trabajar con:
> ph de 2.5 y sales del tipo S1 si queremos conseguir mnima viscosidad;
> con m. prima del tipo M2 y cantidad alta de sales o con menos sal si se trabaja con la materia
prima M1 si se desea conseguir un suavizante robusto a la variabilidad transmitida por el efecto
del tiempo abierto.
Como el lector habr comprobado, esta ltima forma de analizar los experimentos permite
conocer ms sobre el producto, ya que quedan identificados:
> los factores ruido que tienen influencia en la media: M y O;
> los factores ruido que pueden ser contrarrestados por medio de una seleccin adecuada del
diseo: M y N.
Sin embargo, con el primer mtodo de anlisis de la matriz producto, la variabilidad estimada
para cada condicin de diseo tiene una componente debida a aquellos factores ruido ajenos a los
controlados en la experimentacin y, por lo tanto, podramos decir que el producto resultante es ms
robusto que el obtenido con el mtodo de la nica matriz.
Por la experiencia que hemos ido adquiriendo en la aplicacin de las tcnicas de anlisis de los
diseos de experimentos, no podemos decir que un mtodo de anlisis sea mejor que el otro. Por el
contrario, ambos son vlidos y complementarios. Del anlisis conjunto los tcnicos pueden obtener
importantes conclusiones tanto para el objetivo particular que les ocupa como para futuras lneas de
experimentacin.
(En todos los anlisis aqu considerados se ha asumido que el orden de experimentacin ha sido
aleatorio. En la prctica algunos experimentadores no cumplen este requisito, fabrican prototipos
seguidos para cada condicin de la matriz de diseo y los someten uno detrs de otro a las condiciones
de ruido. El experimentador que se encuentre en esta situacin est rompiendo una de las hiptesis en
que se basan los anlisis aqu presentados y para un correcto anlisis de los datos tendr que aplicar las
tcnicas de anlisis de varianza denominada split-plot (Milliken y Johnson (1984).)
10.7 Ejemplo de producto robusto a ruido interno: tubo calefactor
236
Se entiende por ruido interno la variabilidad que presentan ciertas caractersticas de calidad de los
productos debido a que los valores que realmente toman sus factores de diseo no son los nominales,
o, si lo son al principio, sufren una cierta variacin a lo largo del
tiempo.
De forma anloga al caso de la existencia de ruido externo, la
T1
metodologa que se propone consta de las siguientes fases:
>
Establecer una hiptesis sobre el modelo de la respuesta.
b
T2
>
Seleccionar un diseo apropiado que permita estimar los
parmetros del modelo.
a
>
Estimar los parmetros del modelo.
>
Analizar la media y la varianza en la respuesta.
Como ya comentamos en el apartado 10.4 se puede analizar la
variacin transmitida por los factores internos y minimizarla slo si la
relacin entre stos y la respuesta es no lineal (ver figura 10.2).
Fig. 10.9 Seccin cilndrica del
Para poder detectar este tipo de relaciones no lineales debemos
tubo calefactor
experimentar con diseos que as nos lo permitan. Algunos de estos
diseos, los denominados diseos centrales compuestos, fueron presentados en el captulo 9.
El ejemplo que vamos a presentar se trata del diseo de un tubo calefactor, tal como el que
aparece en la figura 10.9, en el que la caracterstica a estudio es el flujo de calor que pasa por la
superficie. El objetivo es obtener un tubo de flujo 1400 cal/seg y lo ms robusto posible a pequeas
variaciones en los parmetros de diseo. stos son:
> T1 :Temperatura en el exterior del cilindro (C).
> T2 :Temperatura en el interior del cilindro (C).
> b :Dimetro exterior del cilindro (cm.).
> a :Dimetro interior del cilindro (cm.).
Para la realizacin del experimento se toma un tubo de 1 cm de largo, con un coeficiente de
conductividad trmica de k=0.92 cal/seg cm C. Como se conoce la ley fsica que relaciona el flujo de
calor con los parmetros de diseo:
Flujo = 2p(T2-T1)/ln(b/a)
(10.5)
no hara falta experimentar. Sin embargo, vamos a seguir los pasos que seguira el experimentador en
caso de desconocer tal ley, aunque los datos sern obtenidos al sustituir los parmetros de diseo en la
frmula.
T1
T2
r
FLUJO
El modelo que el experimentador desea estimar ser un
909.7
modelo de segundo orden del tipo:
+
303.2
Y= 0 + i Xi + ij Xi Xj + iiX2i +
(10.6)
+
4245.1
y para ello se han seleccionado las condiciones experimentales que
+
+
3638.7
aparecen en la tabla 10.8,
+
330.5
basndose en las diseos que se presentaron en el captulo 9.
+
+
110.2
Los niveles de los factores son:
+
-1.2
1.2
0
0
0
0
0
NIVELES DE LOS FACTORES
T1
T2
r
-1.2
-1
+1
+1.2
19
20C
25C
30C
31C
29.5C
35C
62.5C
90C
95.5C
1.08
1.1
1.2
1.3
1.32
Aplicando las tcnicas expuestas en el captulo 9 el modelo

estimado por mnimos cuadrados es el que aparece en (10.7) una vez
expresado en unidades originales. En ste, e representa la parte del
flujo que no queda explicada por el modelo.
+
+
0
0
-1.2
1.2
0
0
0
+
+
0
0
0
0
-1.2
1.2
0
1542.1
1321.8
1188.8
1381.5
996.2
129.2
2248.4
2871.7
777.3
Tabla 10.8 Resultados de la experimentacin con el tubo calefactor

obtenidos de la frmula fsica
Flujo = 57199 + 270.4 (T2-T1) - 95421 r - 193.1 (T2-T1) r + 39605 r2 + e

(10.7)
Si se realiza un anlisis cannico a esta superficie utilizando las tcnicas del captulo 9, se
observa que esta aproximacin local de la superficie representa una cresta no estacionaria. La curvatura
de la cresta la da la relacin cuadrtica del flujo con r, y la no estacionalidad la da la relacin lineal
con (T2-T1). Por lo tanto, para minimizar la variabilidad transmitida por los factores ruido, debemos
utilizar la relacin cuadrtica existente entre el flujo y r.
Veamos lo que ocurre si hacemos fijo T2-T1 = 50C. En tal caso el modelo anterior queda de la forma
Flujo = 70719 - 105076 r + 39605 r2 +
(10.8)
y la transmisin de la variabilidad debido al ruido interno puede obtenerse a travs de la expresin
2
sFuncion
= Funcion X s 2X
que en este caso particular toma la forma:
2
s Flujo
= 10 9 11 16.6r + 6.3r 2 sr2
(10.9)
(10.10)
Tal expresin, para un valor fijo de Sr2 , es decreciente en el intervalo (1, 1.3) y tiene un mnimo
en r =1.3.
En consecuencia, si fijamos r =1.3 conseguimos un tubo calefactor lo ms robusto posible al
ruido interno (por supuesto que r no tiene que ser estrictamente 1.3; este resultado debe de
confrontarse posteriormente con el de la media de flujo que se desee). Cabe notar que el valor
seleccionado para r ser vlido para cualquier valor de T2-T1, a pesar de que ha sido hallado con un
valor particular de T2-T1 =50.
237
Una vez minimizada la varianza, el valor medio del flujo de este calefactor se puede conseguir
seleccionando adecuadamente el valor de T2-T1 . As, si se sustituye en el modelo general (10.7) el
valor r =1.3, se obtiene
Flujo = 84.15 + 19.37 (T2 - T1) + e
(10.11)
y se logra el flujo deseado vario T2-T1. Puesto que el valor objetivo era 1400 cal/seg el valor de (T2-T1)
ha de situarse en 73 C.
En general podemos decir que la metodologa de diseo de productos robustos a ruido interno:
> utiliza las relaciones no lineales de la caracterstica a estudio con determinados factores para
seleccionar un nivel de estos ltimos en el que la variacin transmitida sea mnima,
> utiliza las relaciones lineales de la caracterstica a estudio con determinados factores para llevar
el valor medio de la caracterstica a su valor nominal.
10.8 Diseo de tolerancias
238
En el apartado 10.3 hemos citado el diseo de tolerancias como una de las fases diferenciadas en la
etapa de diseo de un producto o proceso, al cual se recurre cuando una vez aplicada la fase de diseo
de parmetros la variabilidad resultante no es todava satisfactoria.
En el diseo de tolerancias se toman decisiones sobre la variabilidad que se est dispuesto a
admitir en las componentes de un producto.
Una de las implicaciones es que hay que poner cotas de variacin a los parmetros de diseo.
Para ello hay que evaluar la variabilidad transmitida por cada componente del diseo en el producto
final, a partir del modelo estimado en el diseo de parmetros.
La aplicacin del diseo de tolerancias es costosa en general, ya que conlleva la seleccin de
proveedores ms caros, mquinas ms capaces, mantenimiento ms rgido, etc.
En el ejemplo del tubo calefactor del apartado 10.7, se tratara de seleccionar aquellos
proveedores de tubos calefactores que fuesen ms capaces en el suministro de tubos de determinada
proporcin r = b/a. Es decir, aquellos cuya sr fuese menor. Asmismo habra que seleccionar aparatos
precisos de medida, etc.
A aquellos lectores que deseen ampliar el tema les recomendamos la lectura de Taguchi (1986).
Apndice 10A. Funcin de prdidas

El ingeniero Genichi Taguchi introdujo una nueva filosofa de la calidad impulsada por los cambios
que los sistemas productivos han experimentado en los ltimos aos.
Taguchi da una medida de calidad de un producto basada en la prdida econmica que supone la
variacin de las caractersticas de tal producto respecto de los valores nominales para los cuales est definido.
En general, dada una caracterstica de calidad Y con valor nominal , la relacin existente entre
diferentes valores de tal caracterstica y las prdidas econmicas ocasionadas por tales variaciones
puede ser aproximada por una funcin cuadrtica P(y):
P( y ) = k ( y ) 2
(10.12)
Tal funcin puede ser interpretada como una funcin determinante de la calidad de un individuo
cuya caracterstica de calidad tiene el valor y. Aunque la relacin real sea ms compleja, P(y) puede
ser considerada como una aproximacin local obtenida con los trminos cuadrticos del desarrollo de
Taylor de la funcin terica en torno el valor mnimo .
La figura 10.A.1 representa la funcin P(y). Como se observa, cuanto ms alejado se est del
valor nominal, ms prdidas se ocasiona al cliente y, por lo tanto, segn la definicin anterior, menos
calidad tiene el producto.
Cuando el producto est en el valor nominal , el coste del producto es el mnimo que se puede
obtener. Por otra parte el valor de la constante k queda determinada en el momento que se conoce las
prdidas en cualquier valor de la caracterstica distinta del valor nominal.
Por ejemplo si se conoce la prdida en el valor y = a, k se obtendr mediante la frmula
239
P( a )
k=
( a )2
(10.13)
Sin embargo, cuando se habla de un producto, se engloban las diferentes unidades fabricadas
por el proceso considerado. Tales unidades presentarn variabilidad en cuanto a la caracterstica de
calidad a estudio y, por lo tanto, cada una de ellas poseer diferente calidad.
Por consiguiente, la prdida esperada para
un proceso en su conjunto, en cuanto a una caracterstica de calidad determinada, se obtendr
promediando la calidad de las diferentes unidades
producidas. Esta calidad se obtiene hallando el
valor esperado de la funcin de prdidas P(y),
L( y ) = E ( P( y )) = E ( k ( y ) 2 ) = k ( 2 + ( ) 2 )
donde y 2 representan la media y la varianza

que presenta la caracterstica una vez est en
manos del cliente. Dado que en general se
procurar que
= E(y) =
(10.15)
se tendr
(10.16)
L(y) = k 2
De (10.16) se deduce que no basta con
centrar un proceso en su valor nominal, sino que
hay que hacerlo con la mnima variabilidad.
Figura 10.A.1 Funcin de prdidas
Apndice 10B Mtodo de Taguchi
240
Las aportaciones de Genichi Taguchi a la ingeniera de la calidad son unnimemente reconocidas como
una de las ms importantes en los ltimos tiempos (Box 1988), (Kackar 1985), (Ross 1988). A l se
deben las primeras ideas para dar mayor nfasis a la etapa de diseo del producto en la mejora de la
calidad, tal como se ha comentado en el apartado 10.2.
Esquemticamente, esta metodologa puede resumirse en las siguientes etapas:
a. Identificacin de los factores de diseo, de los factores de ruido y de sus niveles de
experimentacin.
El diseador del producto debe identificar las variables que presumiblemente afectan a las
caractersticas de inters, as como los niveles a los que conviene experimentar.
Igualmente deber identificar los factores de ruido y decidir entre qu niveles de estos factores
se desea que el producto sea insensible.
b. Construccin de las matrices de diseo (para los factores de control y para los factores de
ruido), y planificacin del experimento.
Las matrices de diseo, tanto para los factores de control como para los de ruido, son, en
esencia, del tipo de las comentadas en los captulos 7 y 8, aunque Taguchi utiliza los
denominados orthogonal arrays (ver Taguchi (1986)).
Los experimentos se realizan para cada una de las condiciones de la matriz de factores de ruido
(matriz externa) en cada una de las condiciones de los factores de control (matriz interna),
formando la llamada matriz producto. (Vase la figura 10.B.1.)
c. Realizar los experimentos y evaluar el estadstico adecuado.
Una vez obtenidos los resultados experimentales para cada una de las condiciones de la matriz
de diseo, se calculan dos estadsticos: la media y el denominado proporcin seal-ruido ().
La optimizacin de los valores de los factores de diseo se resuelve en dos etapas:
i)
Determinar los factores que afectan a la proporcin seal-ruido y escoger los valores que
lo maximizan.
ii) Seleccionar algn factor que, teniendo influencia sobre el nivel de la respuesta tenga un
efecto lo menor posible sobre la prporcin seal-ruido. ste ser el factor que se utilizar para
llevar la respuesta al nivel deseado.
Factores
ruido
Factores
de ruido
Factores de diseo
Factoresdediseo
x1
... .
x1 x2
x2x3x3
z1
z1
z2
z2
z3
z3
..
Matriz
externa
Matrizexterna
. .
Matriz
interna
Matriz
interna
Matriz
producto
Matriz
producto
Figura 10.B.1: Matriz producto segn el plan experimental propuesto por Taguchi
Taguchi propone diferentes proporciones seal-ruido segn el objetivo que se persiga. As, si lo
que se pretende es minimizar la respuesta, se deber trabajar en las condiciones que maximicen:
Yi
r
( x ) = 10 log i =1
(10.18)
Si el objetivo es que la respuesta sea lo mayor posible, se maximiza:

n (1 Y ) 2
r
i
( x ) = 10 log i =1
Y si se trata de mantener la respuesta en su valor nominal, se maximizar:
(10.19)
r
Y2
( x ) = 10 log 2
s
donde:
r
x: Vector que representa una determinada combinacin de niveles de los factores de
diseo.
Yi: Respuesta en la condicin i-sima de la matriz externa.
n: Nmero de condiciones experimentales de la matriz externa.
s2: Varianza de las respuestas obtenidas en cada una de las condiciones
experimentales
r
definidas por la matriz externa, para un determinado valor de X .
d. Analizar la significacin de los efectos.
Los resultados se analizan mediante tablas de anlisis de la varianza. Esta tcnica de anlisis de
la significacin de los efectos es uno de los aspectos ms controvertidos del mtodo de Taguchi.
(Box (1986), entre otros, ha realizado un detallado anlisis crtico sobre este aspecto.)
e. Realizacin de experimentos confirmatorios.
Antes de dar definitivamente por bueno el resultado obtenido, Taguchi propone la realizacin
de una serie de experimentos para confirmar que las condiciones obtenidas como ptimas son
efectivamente las mejores.
241
Ejercicios
10.1. Con el objetivo de fabricar un material que, tras haber sido usado durante un cierto tiempo bajo
condiciones extremas diferentes, presentase el mnimo desgaste en una prueba estndar, siendo
ese desgaste lo ms independiente posible de aquellas condiciones externas, se realizaron ocho
experimentos con los resultados siguientes:
FACTORES
C
CONDICIONES EXTERNAS
-1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
-1
1
1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
1
1
1
1
1
1
Diseo actual
-1
1
1
-1
1
-1
-1
1
c1
12
6
9
8
16
18
14
16
17
c2
12
10
10
8
14
26
22
13
22
c3
10
3
5
5
8
4
7
5
7
c4
13
5
4
4
8
2
5
4
12
c5
3
3
2
3
3
3
3
11
10
c6
3
4
1
4
2
3
4
4
8
c7
16
20
3
9
20
7
19
14
18
c8
20
18
2
9
33
10
21
30
25
a) Encuentre el diseo ptimo del producto razonando el mtodo que se ha utilizado para llegar a l.
b) Qu factor transmite ms variabilidad en el desgaste?
(Suponer A2 = B2 = C2 = D2 = E2)
c) Comparar el diseo ptimo ptimo con las condiciones actuales
242
10.2. Se dispone de tres factores controlables A, B, C y un factor ruido 0. Tras conducir un

experimento adecuado se obtiene:
MEDIA
AB
AC
BC
ABC
7.8
0.3
0.5
-0.8
0.4
0.1
-1
-0.2
0.8
0.3
0.2
0.0
-0.1
0.5
0.2
0.2
Efecto nivel (media)

Efecto variable (log S)
Cul sera la manera de conseguir una respuesta lo ms baja posible con el mnimo de
variabilidad?
10.3. En un departamento de una empresa se quieren conocer los factores que influyen en el
contenido de CO en determinado motor con el fin de reducir su presencia. Para ello se han
seleccionado siete factores A, B, C, D, E, F, G, y se han realizado bajo ocho condiciones
experimentales diferentes tres experimentos en condiciones adversas al proceso. Los resultados
obtenidos de CO (en gramos) estn en la tabla siguiente:
1
2
3
4
5
6
7
8
R1
R2
R3
1
1
1
1
1
2
2
2
2
2
1
1
2
2
1
1
2
2
3
1
1
2
2
2
2
1
1
4
1
2
1
2
1
2
1
2
5
1
2
1
2
2
1
2
1
6
1
2
2
1
1
2
2
1
7
1
2
2
1
2
1
1
2
1.04
1.42
1.01
1.50
1.28
1.14
1.33
1.33
1.20
1.76
1.23
1.87
1.34
1.26
1.42
1.52
1.54
2.10
1.52
2.25
2.05
1.88
2.10
2.13
a)
Qu factores afectan
a la media y a la variabilidad del contenido en CO?
b) Cules son las
condiciones ptimas de
trabajo? Qu concentracin media se espera encontrar? Con qu variabilidad?

ME00806C

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

ME00806C

Cargado por

Copyright:

Formatos disponibles

9

9.1 Introduccin. Necesidad de los modelos

MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD

La figura 9.1 refleja la utilidad del uso de

Determinar el subconjunto de las Eliminacin de variables

Determinar empricamente los

Construccin del modelo emprico

Tabla 9.1 Grado de conocimiento y objetivos en las diferentes etapas de la investigacin

9.2 Grado de conocimiento y objetivos

los autores, 1998; Edicions UPC, 1998.

INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA

9.3 Estrategias de la metodologa de superficie de respuesta

los autores, 1998; Edicions UPC, 1998.

MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD

Estrategias de primer orden:

los autores, 1998; Edicions UPC, 1998.

INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA

para los modelos de primer orden, y

Fig. 9.4 Diseo central compuesto formado al aadir un diseo estrella

los autores, 1998; Edicions UPC, 1998.

MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD

9.4 Aproximacin lineal a las condiciones ptimas

los autores, 1998; Edicions UPC, 1998.

INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA

superficie de respuesta puede ser aproximada

obtenindose los resultados

los autores, 1998; Edicions UPC, 1998.

MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD

Desv. estandar (b)

y, por lo tanto, todos los coeficientes significativos.

X ' E[Y ] = ( X ' X )

con A = (XX)-1XZ denominada matriz de alias o de confusiones.

los autores, 1998; Edicions UPC, 1998.

INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA

con s2=0.012 estimada con 3 grados de libertad. Por lo tanto,

Fig. 9.6 Figura que representa la diferencia

9.5 Aproximacin por el camino de mxima pendiente

obtenido de (9.7), se puede obtener la direccin de mximo crecimiento de la respuesta a travs de la

y, por lo tanto, la direccin de mximo decrecimiento ser la opuesta,

los autores, 1998; Edicions UPC, 1998.

MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD

El nmero de experimentos que

donde x1 y x2 son los valores de la temperatura y la presin en unidades codificadas.

los autores, 1998; Edicions UPC, 1998.

INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA

Tabla 9.4 Resultados del experimento 3 en el

Fig. 9.7 Estrategias de segundo orden

los autores, 1998; Edicions UPC, 1998.

MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD

9.6 Aproximacin cuadrtica. Diseos centrales compuestos

los autores, 1998; Edicions UPC, 1998.

INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA

independientemente de la direccin en que se encuentren; es decir, se puede girar la superficie sobre

La condicin de ortogonalidad en cambio, implica que las estimaciones de los parmetros en el

para la condicin de ortogonalidad y rotabilidad respectivamente.

los autores, 1998; Edicions UPC, 1998.

MTODOS ESTADSTICOS. CONTROL Y MEJORA DE LA CALIDAD

Fraccin del cubo

nco por bloque

Tabla 9.5 Algunos diseos centrales compuestos

La matriz del diseo estrella resultante, junto con los

los autores, 1998; Edicions UPC, 1998.

INTRODUCCIN A LA METODOLOGA DE SUPERFICIE DE RESPUESTA

Donde sp2 es la obtenida a travs de las seis