Diseos

Diseosfactoriales
factorialesaados
dosniveles.
niveles.
Teresa Villagarca

Si
Siqueremos
queremosestudiar
estudiarmuchos
muchosfactores
factores
Hay que cruzar todos los factores a todos los
niveles.
Son muchas observaciones
Es muy caro.

Veamos un ejemplo.

44FACTORES
FACTORES

Factor A 3 niveles
Factor B 5 niveles
Factor C 2 niveles
Factor D 4 niveles

Hay que tomar:

3x5x2x4=120 Observaciones

Cmo reducir el nmero de

observaciones?

Cmo
Cmoreducir
reducirelelnmero
nmerode
deobservaciones?
observaciones?

Reducir el nmero de factores (?????)

Reducir el nmero de niveles
Solucin barata:
Diseos a dos niveles.

KK
Diseos
a
dos
niveles
2
Diseos a dos niveles 2

Estudiamos un nmero k de factores (Por

ejemplo 4)
Los factores se toman a dos niveles.
Nmero de observaciones=2x2x2x2=16= 24
Reducimos mucho el nmero de observaciones

Coste
Costede
dereducir
reducirelelnmero
nmerode
de
observaciones
observaciones

Coste
Costede
dereducir
reducirelelnmero
nmerode
de
observaciones
observaciones

Las lneas de nivel muestran el

rendimiento del proceso

Temperatura

T1
To

Po

P1

Presin
Tomamos cuatro observaciones
A dos niveles

Coste
Costede
dereducir
reducirelelnmero
nmerode
de
observaciones
observaciones

Lnea de mejora en verde

Pasaremos a producir a
P1 y T1 que consiguen un mayor
rendimiento

Temperatura

T1
To

Po

P1

Presin

Coste
Costede
dereducir
reducirelelnmero
nmerode
de
observaciones
observaciones

Lnea de mejora en verde

Pasaremos a producir a
P1 y T1 que consiguen un mayor
rendimiento

Temperatura

Tomaremos otras
Tres observaciones
T1
To

Po

P1

Presin

Coste
Costede
dereducir
reducirelelnmero
nmerode
de
observaciones
observaciones

Temperatura
Tomaremos otras
Tres observaciones
T1

Lnea de mejora en verde

To

Po

P1

Presin

Y se contina mientras se obtengan mejoras

Coste
Costede
dereducir
reducirelelnmero
nmerode
de
observaciones.
observaciones.La
Laalternativa:
alternativa:

Coste
Costede
dereducir
reducirelelnmero
nmerode
de
observaciones.
observaciones.La
Laalternativa:
alternativa:

Muchas observaciones. De ellas la mayora en

zonas poco tiles

Temperatura
T3
T2
T1
To

Po

P1

P2

P3

P4

P5 Presin

Estudiaremos
Estudiaremospor
portanto
tantodiseos
diseosaados
dosniveles
nivelesy ylos
losaplicaremos
aplicaremos
secuencialmente
secuencialmente

Los factores se definen a dos niveles (-) y (+)

Ejemplo: Redimiendo proceso qumico
Factor 1: Temperatura 40C (-)
60C (+)
Factor 2: Presin
1 Atm (-)
2 Atm (+)
Factor 3: Catalizador Si (+)
No (-)
Factor 4: Concentracin 40% (-)
60% (+)

24
observaciones

2
Diseo
Diseo22:2Cuatro
: Cuatroobservaciones
observacionesy ydos
dosfactores
factores

2
Diseo
Diseo22:2Cuatro
: Cuatroobservaciones
observacionesy ydos
dosfactores
factores

Temperatura
B

T1
(+)
To
(-)
Po
(-)

P1
(+)

Presin
A

2
Diseo
Diseo22:2Cuatro
: Cuatroobservaciones
observacionesy ydos
dosfactores
factores

Observaciones

Temperatura
B

T1
(+)

y11

y21

y12

ab

y22

To
(-)
Po
(-)

P1
(+)

Presin
A

Estimacin
Estimacinde
delos
losefectos
efectos

Efecto de A

Efecto de B

A = 1 (a + ab ) 1 (o + b )
2
2

Media de observaciones con A (+)

menos
Media de observaciones con A (-)

1
1

B = (b + ab ) (o + a )
2
2

Media de observaciones con B (+)

menos
Media de observaciones con B (-)

Estimacin
Estimacinde
delos
losefectos
efectos

Efecto de A

A = 1 (a + ab ) 1 (o + b )
2
2

Media de observaciones con A (+)

menos
Media de observaciones con A (-)

El efecto de A
mide
variaciones
en ese eje

Estimacin
Estimacinde
delos
losefectos
efectos

Efecto de B

1
1

B = (b + ab ) (o + a )
2
2

Media de observaciones con B (+)

menos
Media de observaciones con B (-)

El efecto de B
mide
variaciones
en ese eje

Estimacin
Estimacinde
delos
losefectos
efectos

Efecto de la
Interaccin
Entre A y B
Se llama efecto
AB

B
B

1
1

AB = (o + ab ) (a + b )
2
2

Algoritmo
Algoritmode
designos
signos
1
1
1
A = (a + ab ) (o + b ) = ( 0 + a b + ab )
2
2
2
1
1
1

B = (b + ab ) (o + a ) = ( 0 a + b + ab )
2
2
2

1
1
1

AB = (o + ab ) (a + b ) = (+o a b + ab)
2
2
2
A

AB

y11

y21

y12

ab

y22

33
Diseo
con
tres
factores
2
Diseo con tres factores 2

Observaciones
A B C AB AC BC ABC Y
-

+ -

+ -

+ + -

ab

+ +

+ -

+ -

ac

+ + -

bc

+ + + +

abc

Anlisis
Anlisisdel
del 223:3:
Estimacin
Estimacinde
delos
losefectos
efectos

Observaciones
A

AB

AC

BC

ABC

ab

C = 1/4(+ o - a + b - ab - c + ac - bc + abc)
C = 1/4(+ o + a - b - ab - c - ac + bc + abc)
B

C = 1/4(-o + a + b - ab + c - ac - bc + abc)
AB

ac

bc

ab
c

= 1/4(-o + a - b + ab - c + ac - bc + abc)
B = 1/4(-o - a + b + ab - c - ac + bc + abc)
C = 1/4(-o - a - b - ab + c + ac + bc + abc)
B = 1/4(+ o - a - b + ab + c - ac - bc + abc)

Media de las observaciones con (+)

menos media de las observaciones con (-)

Efecto de A:

C
A

Media de las observaciones con A (+)

menos media de las observaciones con A(-)

Efecto de A:

Media de las observaciones con A (+)

menos media de las observaciones con A(-)

A (+)
B

C
A

Efecto de A:

Media de las observaciones con A (+)

menos media de las observaciones con A(-)

A (+)
B

C
A

A (-)

Efecto A=A(+)-A(-)

Efecto de A:

Media de las observaciones con A (+)

menos media de las observaciones con A(-)

C
A

Efecto A=
Rojas-Verdes

Ejemplo:
Ejemplo:Trabajo
Trabajode
deuna
unaalumna
alumna

Tiempo de marchitacin de las flores:

Factor A Tipo de flor

+ Rosa
- Clavel

Factor B Agua

+ Permanente
- Cambiada cada da

Factor C Ubicacin

+ Exterior
- Interior

Los
Losdatos
datos
Observaciones
A

AB

AC

BC

ABC

85

80

112

80

121

78

117

69

Clavel, Agua cambiada

Interior

Anlisis
Anlisisde
delos
losdatos
datos

=1/4(-o+a-b+ab-c+ac-bc+abc) =1/4(-85+80-112+80-121-78-117+69)=-32
^B=1/4(-o-a+b+ab-c-ac+bc+abc)=3.5
^C=1/4(-o-a-b-ab+c+ac+bc+abc)=7
B= 1/4(+o-a-b+ab+c-ac-bc+abc)=-8
C= 1/4(+o-a+b-ab-c+ac-bc+abc)=13.5
^BC= 1/4(+o+a-b-ab-c-ac+bc+abc)=-10
CB= 1/4(-o+a+b-ab+c-ac-bc+abc)=5.5

Hemos
Hemosestimado
estimadolos
losefectos
efectospero..
pero..

Significatividad
Significatividadde
delos
losefectos
efectos

Para saber si un efecto REALMENTE influye:

Normal plot o Half Normal plot
Mtodo de la MEDA

Normal
NormalooHalf
HalfNormal
Normalplot
plot

La interpretacin es la misma:
Si ninguno de los 7 efectos es significativo, los 7 valores estimados se distribuirn
como una normal centrada en cero
Si alguno es significativo, estar fuera de esa normal.
Nos basamos en que los efectos principales pueden ser significativos, las
interacciones de segundo orden es menos probable, pero pueden ser
significativas.
Las interacciones de tercer orden o superiores no suelen ser significativas
Normal Distribution
0,4

Mean,Std. dev.
0,1

0,3

density

0,2
0,1
0
-15 -13 -11

-9

-7

-5

-3

-1

Efectos no significativos

11

13

15

Efecto significativo

Normal
NormalooHalf
HalfNormal
Normalplot
plot

Los efectos que son cero (no significativos) deben salir alineados en
papel de ESCALA NORMAL.
Los efectos significativos salen fuera de la lnea.
Half-Normal Plot for Var_1
Standard deviations

1,8
1,5
1,2
0,9
0,6
0,3
0
0

Standardized effects

Efectos no significativos
MUCHOS

Efecto significativo
POCOS

Normal
NormalooHalf
HalfNormal
Normalplot
plot

Los efectos que son cero (no significativos) deben salir alineados en
papel de ESCALA NORMAL.
Los efectos significativos salen fuera de la lnea.

Normal Probability Plot for Var_1

percentage

99,9
99
95
80
50
20
5
1
0,1

Efectos no significativos

-5,9

-3,9

-1,9

0,1

2,1

Standardized effects

Efecto significativo

Volvemos
Volvemosaalas
lasRosas
Rosasyylos
losClaveles
Claveles

Tiempo de marchitacin de las flores:

Factor A Tipo de flor

+ Rosa
- Clavel

Factor B Agua

+ Permanente
- Cambiada cada da

Factor C Ubicacin

+ Exterior
- Interior

Lo
Lohago
hagocon
conStatgraphics
Statgraphics

99,9
99
95
80
50
20
5
1
0,1

Half-Normal Plot for Var_1

Standard deviations

percentage

Normal Probability Plot for Var_1

-32

-22

-12

-2

Standardized effects

2
1,6
1,2
0,8
0,4
0
0

10

20

30

Standardized effects

40

Lo
Lohago
hagocon
conStatgraphics
Statgraphics

99,9
99
95
80
50
20
5
1
0,1

Half-Normal Plot for Var_1

Standard deviations

percentage

Normal Probability Plot for Var_1

-32

-22

-12

-2

2
1,6
1,2
0,8
0,4
0
0

Standardized effects

10

20

30

Standardized effects

EFECTO A

40

Conclusin:
Conclusin:
Slo influye el tipo de flor
El agua no influye
La ubicacin tampoco

Mtodo
Mtodode
delalaMEDA
MEDA

Se calcula la mediana de las interacciones

Mediana(^AB ^AC ^BC y ^ABC)=M
MEDA=Mediana{|B-M|,|C-M|,|^BC-M|,|BC-M|}

Meda
s =
0.675

Efecto 2 s

Significativo

Ejemplo.
Ejemplo.Supongamos
Supongamosque
quehemos
hemos
obtenido
obtenido
B=-1

C=2

^BC=0.5

BC=0

Mediana: -1, 0, 0.5, 2

La mediana es la media de los dos valores centrales: Mediana=0.25
Desviaciones a la mediana: |-1-0.25|,|0-0.25|,|0.5-0.25|,|2-0.25|
MEDA= Mediana( 0.25, 0.25, 1.25, 1.75 )=0.75

Meda 0.75
s =
=
1.1
0.675 0.675
Efecto 2 s = 2.2

Significativo

Ejemplo.
Ejemplo.Flores
Flores

B= 1/4(+o-a-b+ab+c-ac-bc+abc)=-8
C= 1/4(+o-a+b-ab-c+ac-bc+abc)=13.5
^BC= 1/4(+o+a-b-ab-c-ac+bc+abc)=-10
CB= 1/4(-o+a+b-ab+c-ac-bc+abc)=5.5

Mediana: -10 -8 5.5 13.5

La mediana es la media de los dos valores centrales: Mediana=-1.25
Desviaciones a la mediana: |-10-(-1.25)|,|-8 -(-1.25) |,|5.5- (-1.25) |,|13.5 -(-1.25) |
MEDA= Mediana(6.75

4.25 8.75 12.25 )= 5.5

Meda 5.5
=
= 8.15
s =
0.675 0.675

Efecto 2 s = 16.30

Significativo: Slo flor

Valores
Valoresprevistos
previstospor
porelelmodelo
modelo
C
A B

A
B
x1 x2 + AC x1 x3 + BC x2 x3 + ABC x1 x2 x3
y = y + x1 + x2 + x3 +

2
2
2
2
2
2
2

x =
1

x =
2

x =
3

Si A = +

1 Si A =
1

Si B = +

1 Si B =
1 Si C = +
1 Si C =

Slo se ponen los efectos significativos

A
32.2
y = y + x1 = 92.75 +
x1
2
2

Duracin de la ROSA=92.75-16.1=76.65
Duracin del CLAVEL=92.75+16.1=108.85

Por
Portanto
tanto

Normal Plot (o Half Normal

Plot) o mtodo de la MEDA
indican que slo es
significativo el tipo de flor

=-32
Como A (+) es ROSA

A (-) es CLAVEL

El clavel dura ms que la rosa.

Duracin de la ROSA=92.75-16.1=76.65
Duracin del CLAVEL=92.75+16.1=108.85

Los
Lospimientos
pimientosde
dePadrn
Padrn

..ounos pican e outros non

Trabajo
Trabajode
deun
unalumno
alumno
1. Define un escala de Picor:
0-No pica
1-Pica un poco
2-Pica bastante
3 Pica muchiiiiisimo

2. Define los factores:

A Tamao: Grande
B Forma:
C Fritura:

(+)

Pequeo (-)
Gordo
(+)
Delgado (-)
Muy frito (+)
Poco frito (-)

El
Elexperimento
experimento
Prueba 6 pimientos de cada tipo y la variable respuesta es la media
Observaciones
A

AB

AC

BC

ABC

2.6

0.5

1.6

0.5

1.85

0.33

0.66

Estimacin
Estimacin
Pareto Chart for Var_1
A:Factor_A
B:Factor_B
C:Factor_C
AB
AC
ABC
BC
0

0,2

0,4

0,6

0,8

1,2

Effect

Main Effects Plot for Var_1

1,7
1,5

Var_1

Estimated effects for Var_1

-----------------------------------average = 1,13
A:Factor_A = 1,095
B:Factor_B = -0,715
C:Factor_C = -0,59
AB
= -0,38
AC
= -0,255
BC
= 0,035
ABC
= -0,13

1,3
1,1
0,9
0,7
0,5
-1.0

1.0
Factor_A

-1.0

1.0
Factor_B

-1.0

1.0
Factor_C

Significatividad
Significatividadde
delos
losefectos
efectos
Half-Normal Plot for Var_1
Standard deviations

1,8
1,5
1,2
0,9
0,6
0,3
0
0

10

Standardized effects

Significativos

AyB

percentage

Normal Probability Plot for Var_1

99,9
99
95
80
50
20
5
1
0,1
-6

-3

Standardized effects

Son
Sonsignificativos
significativosAAyyBB
A Tamao: Grande
Pequeo
B Forma: Gordo
Delgado

(+)
(-)
(+)
(-)

A:Factor_A = 1,095
B:Factor_B = -0,715

C
A B

A
B
x1 x2 + AC x1 x3 + BC x2 x3 + ABC x1 x2 x3
y = y + x1 + x2 + x3 +

2
2
2
2
2
2

1.1
0.7
y = 1.13 + x1 +
x2
2
2

Y el mximo picor es para A(+) y B(-) GRANDE Y DELGADO

44y 2kk
Diseos
2
Diseos 2 y 2

Diseo 24:
Estudia cuatro factores A, B, C y D
Utiliza 16 observaciones.
Las observaciones que hay que tomar son:

2244

Diseo
Diseo

Factores

Num

10

11

12

13

14

15

16 = 24

Estimacin
Estimacinmediante
medianteelelalgoritmo
algoritmode
designos
signos
Efectos
Efectossignificativos:
significativos:Normal
NormalPlot
PlotooMEDA
MEDA

Tasa
Tasade
defiltracin
filtracin(Montgomery)
(Montgomery)

Se fabrica un producto qumico en un recipiente a presin. Se

quiere incrementar la velocidad de filtracin del producto. Los cuatro
factores son:

A: Temperatura
B: Presin
C: Concentracin de los reactivos
D: Rapidez de mezclado

El ingeniero del proceso quiere aumentar la velocidad de filtracin y,

si es posible, utilizar el nivel (-) de C (Concentracin de
formaldehdo).
Actualmente la velocidad de filtracin es de 75gal/min.

2244Ejemplo
Ejemplo

Diseo
Diseo

Factores

Num

Velocidad

45

71

48

65

68

60

80

65

43

10

100

11

45

12

104

13

75

14

86

15

70

16 = 24

96

Estimated effects for Velocidad

-----------------------------------------average = 70,0625
A:Factor_A = 21,625
B:Factor_B = 3,125
C:Factor_C = 9,875
D:Factor_D = 14,625
AB
= 0,125
AC
= -18,125
AD
= 16,625
BC
= 2,375
BD
= -0,375
CD
= -1,125
ABC
= 1,875
ABD
= 4,125
ACD
= -1,625
BCD
= -2,625
ABCD
= 1,375

Velocidad
A:Factor_A
AC
AD
D:Factor_D
C:Factor_C
ABD
B:Factor_B
BCD
BC
ABC
ACD
ABCD
CD
BD
AB

No significativos

Significativos
8

12

Effect

16

20

24

percentage

Normal Plot for Velocidad

99,9
99
95
80
50
20
5
1
0,1
-19

-9

11

21

31

Standardized effects

Standard deviations

Half Normal Plot for Velocidad

2,4
2
1,6
1,2
0,8
0,4
0
0

12

16

Standardized effects

A, C,
C, D,
D, AD
AD yy CD
CD
A,

20

24

MEDA
MEDA
Ordenamos
Ordenamoslas
lasinteracciones
interacciones
-18.13,
-18.13,-2.63,
-2.63,-1.63,
-1.63,2.38,
2.38,4.13,
4.13,16.63
16.63

A,C,D,AC,AD
A,C,D,AC,AD

Mediana=0.13
Mediana=0.13
Desviaciones
Desviacionesaalalamediana
medianaen
envalor
valorabsoluto:
absoluto:
18.26,
18.26,2.76,
2.76,1.76,
1.76,,
,2.25,
2.25,4,
4,16,50
16,50
Mediana
Medianade
deesas
esasdesviaciones:
desviaciones:MEDA=1.76
MEDA=1.76
MEDA/0.675=2.61
MEDA/0.675=2.61

Efectos mayores que 5.22 sern significativos

El
Elmodelo
modeloestimado
estimadoes:
es:
A,C,D,AC
A,C,D,ACyyAD
AD
y = 70.06 + (21.6 / 2) x1 + (9.87 / 2) x3 + (14.6 / 2) x4 + (16.6 / 2) x1 x4 (18.1 / 2) x1 x3

Para
Para A(+)
A(+)
C(-)
C(-)
D(+)
D(+)
Valor
Valormximo
mximo

y = 100.65

kk
Resumen
de
diseos
2
Resumen de diseos 2

2k = K Factores a dos niveles.

= n observaciones.
Pasos en el anlisis.
1.
2.
3.
4.
5.

Se definen la variable respuesta y los factores.

Se aleatoriza la toma de datos
Se rellena la tabla de datos
Se calculan los efectos mediante el algoritmo de signos
Se decide qu efectos son significativos mediante el normal plot (o
half normal plot) o la MEDA. LOS RESULTADOS NO SIEMPRE
SON COINCIDENTES

Diseos
Diseoscon
conmuchos
muchosfactores.
factores.
25 = 5 Factores a dos niveles.
= 32 observaciones.
= 5 Factores, 10 interacciones de segundo orden.
= 16 interacciones de orden superior
26 = 6 Factores a dos niveles.
= 64 observaciones.
= 6 Factores, 15 interacciones de segundo orden.
= 42 interacciones de orden superior

Demasiadas observaciones para estimar los efectos principales

y las interacciones de segundo orden.
Las interacciones de orden superior no suelen ser significativas.

Factores

Num
A

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32 =

25

Fracciones Factoriales
Vamos
Vamos aa disminuir
disminuir el
el nmero
nmero de
de
observaciones
observaciones

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

Observaciones
A

AB

AC

BC

ABC

abc

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

Observaciones
A

AB

AC

BC

ABC

abc

C y AB son iguales

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

Observaciones
A

AB

AC

BC

ABC

abc

C y AB son iguales
A y BC son iguales

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

Observaciones
A

AB

AC

BC

ABC

abc

C y AB son iguales
A y BC son iguales
B y AC son iguales
ABC siempre es positivo

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

8 = 1/4(-o + a - b + ab - c + ac - bc + abc)
C = 1/4( +o + a - b - ab - c - ac + bc + abc)
B
8

Observaciones
A

AB

AC

BC

ABC

abc

1
A 4 = (a b c + abc) = A 8 + B C8
2

C = 1/4(a - b - c + abc)
8 + B
8
Lo que obtenemos en el diseo pequeo es la suma de los efectos A y BC.
Lgico porque la columna de signos de A y de BC son iguales en el diseo pequeo

Lo que estiman los signos de A en el diseo pequeo son dos cosas: A+BC

2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones
Observaciones
A

AB

AC

BC

ABC

ab

ac

bc

abc

Observaciones
A

AB

AC

BC

ABC

abc

C y AB son iguales
A y BC son iguales
Las columnas iguales implican que lo se estima es la suma de ellas
Cules son las columnas iguales?

Cmo
Cmoreducir
reducirobservaciones
observaciones
Diseos
Diseosfraciionales
fraciionales
Elegiremos algunas
algunas observaciones
observaciones del
del diseo
diseo
Elegiremos
completo.
completo.
Qu observaciones?
observaciones? Criterio:
Criterio:
Qu
Que podamos
podamos seguir
seguir estimando
estimando los
los factores
factores
Que
Tiene que
que haber
haber igual
igual nmero
nmero de
de (+)
(+) yy de
de (-)
(-)
Tiene

En
Engeneral
general
Observaciones
A

B C AB

AC

BC

ABC

ab

ac

bc

abc

En
Engeneral
general
Observaciones
A

B C AB

AC

BC

ABC

ab

ac

bc

abc

Asignamos al Factor D los signos de la interaccin ABC

Tabla de signos

En
Engeneral
general
Observaciones
A

B C AB

AC

BC

B C D

ad

bd

ab

D tiene los mismos signos que

ABC.
Aplicando los signos a esa
columna estimamos D+ABC
+

ab

cd

ac

ac

bc

bc

abcd

abc

Tabla de signos

En
Engeneral
general
Observaciones
A

B C AB

AC

BC

B C D

ad

bd

ab

Cmo saber qu columnas de

signos son iguales?
+

ab

cd

ac

ac

bc

bc

abcd

abc

Estructura
Estructurade
deALIAS
ALIAS
1.
2.
3.

Denominaremos a cada columna por su nombre A,B..

A.A=I donde I es una columna de unos
A.I=A Cualquier columna de signos por la columna de unos es
ella misma

4. Asignacin del nuevo factor:

D=ABC
Indica a qu columna signos ha sido asignado
el factor D

Estructura
Estructurade
deALIAS
ALIAS
Ecuacin generatriz de la fraccin:
D=ABC
D.D=D.ABC

I=ABCD

Estructura
Estructurade
deALIAS
ALIAS
Con la ecuacin generatriz obtenemos la estructura de alias o
efectos confundidos:

I=ABCD
La ecuacin generatriz multiplicada por cada columna del diseo
da las columnas iguales:

Estructura
Estructurade
deALIAS
ALIAS

A.I=A.ABCD
A=BCD

Observaciones
A

B C AB

AC

BC

ABC

B.I=B.ABCD
B=ACD
C.I=C.ABCD
C=ABD

D
-

ab

ac

bc

abc

Diseo

D=ABC
I=ABCD

4-1
2

AB.I=AB.ABCD
AB=CD
AC.I=AC.ABCD
AC=BD
BC.I=BC.ABCD
BC=AD
ABC.I=ABC.ABCD
ABC=D

Analizad
Analizadeste
estediseo.
diseo.

A.I=A.ABD
A=BD

Observaciones
A

B C AB

D=AB
I=ABD

AC

BC

ABC

B.I=B.ABD
B=AD
C.I=C.ABD
C=ABCD

D
-

ab

ac

bc

abc

Diseo

AB.I=AB.ABD
AB=D
AC.I=AC.ABD
AC=BCD

4-1
2

BC.I=BC.ABD
BC=ACD
ABC.I=ABC.ABD
ABC=CD

Cul es mejor y por qu?

Resolucin
Resolucin
Es el orden de la interaccin de menor rango
confundida con un efecto principal
O es el nmero de letras de la palabra de la
ecuacin generatriz.

Resolucin IV
Resolucin III

Cul es mejor y por qu?

Anlisis
Anlisisde
delalafraccin
fraccin
Observaciones
A

B C AB AC BC ABC

1.
2.
3.

ab

ac

bc

abc

4.
5.

Escribir la tabla de signos

Determinar la estructura de
ALIAS
Tomar datos aleatorizando el
orden
Estimar los efectos mediante el
algoritmo de signos
Ver significatividad de los efectos

4
Vamos
Vamosaaresolver
resolverelelexperimento
experimentode
delalavelocidad
velocidadde
defiltracin.
filtracin.Era
Eraun
un224=16
=16
observaciones.
observaciones.
Factores

Num

Velocidad

45

71

48

65

68

60

80

65

43

10

100

11

45

12

104

13

75

14

86

15

70

16 = 24

96

Salan
Salansignificativos
significativos

A,C,D,AC,AD
A,C,D,AC,AD

Ejemplo
Ejemplo

A,C,D,AC,AD
A,C,D,AC,AD

Observaciones
A

B C AB AC BC ABC

D=ABC
Ecuacin generatriz: I=ABCD
Estructura de Alias:

D
-

45

100

45

65

75

60

80

96

A=BCD
B=ACD
C=ABD
AB=CD
AC=BD
BC=AD
ABC=D
RESOLUCIN=IV

Modelo 24-1IV

Ejemplo
Ejemplo

A,C,D,AC,AD
A,C,D,AC,AD

Observaciones
A

B C AB AC BC ABC

D
-

45

100

45

65

75

60

80

96

Cules son significativos?

average = 70,75
A+BCD = 19,0
B+ACD = 1,5
C+ABD = 14,0
D+ABC = 16,5
AB+CD
= -1,0
AC+BD
= -18,5
AD+BC
= 19,0

Significatividad
Significatividadde
delos
losefectos
efectos
Pareto Chart for Var_1

Half-Normal Plot for Var_1

Standard deviations

AD+BC
A:Factor_A
AC+BD
D:Factor_D
C:Factor_C
B:Factor_B
AB+CD
0

12

Effect

16

20

2
1,6
1,2
0,8
0,4
0
0

12

Standardized effects

A,C,D,AC,AD
A,C,D,AC,AD

16

20

Otro
Otroejemplo
ejemplo

Minutos
Minutosempleados
empleadospara
pararecorrer
recorreruna
una
distancia
fija
en
bici
distancia fija en bici
A=Rueda
A=Ruedacarreras
carreras(+)
(+)menos
menosdeportiva
deportiva(-)
(-)
B=Plato
B=Platogrande
grande(+)
(+)pequeo
pequeo(-)
(-)
C=Dinamo
Con(+)
Sin(-)
C=Dinamo Con(+) Sin(-)
D=Alza
D=Alzaen
enelelmanillar
manillarCon(+)
Con(+)sin(-)
sin(-)

Observaciones
A

B C AB AC BC ABC

D
-

69
52
60
83
71
50
59
88

D=ABC
Ecuacin generatriz: I=ABCD
Estructura de Alias:
A=BCD
B=ACD
C=ABD
AB=CD
AC=BD
BC=AD
ABC=D
RESOLUCIN=IV

Modelo 24-1IV

Ejemplo
Ejemplo

Minutos
Minutosempleados
empleadospara
pararecorrer
recorreruna
una
distancia
fija
en
bici
distancia fija en bici
A=Rueda
A=Ruedacarreras
carreras(+)
(+)menos
menosdeportiva
deportiva(-)
(-)
B=Plato
B=Platogrande
grande(+)
(+)pequeo
pequeo(-)
(-)
C=Dinamo
Con(+)
Sin(-)
C=Dinamo Con(+) Sin(-)
D=Alza
D=Alzaen
enelelmanillar
manillarCon(+)
Con(+)sin(-)
sin(-)

Observaciones
A

B C AB AC BC ABC

D
-

69
52
60
83
71
50
59
88

average = 66.5
A+BCD = 3.5
B+ACD = 12
C+ABD = 1
D+ABC = 2,5
AB+CD
= 22.5
AC+BD
= 0.5
AD+BC
=1

Minutos
Minutosempleados
empleadospara
pararecorrer
recorreruna
una
distancia
fija
en
bici
distancia fija en bici
A=Rueda
A=Ruedacarreras
carreras(+)
(+)menos
menosdeportiva
deportiva(-)
(-)
B=Plato
grande
(+)
pequeo
(-)
B=Plato grande (+) pequeo (-)
C=Dinamo
C=DinamoCon(+)
Con(+) Sin(-)
Sin(-)
D=Alza
D=Alzaen
enelelmanillar
manillarCon(+)
Con(+)sin(-)
sin(-)

Ejemplo
Ejemplo

Pareto Chart for Var_1

average = 66.5
A+BCD = 3.5
B+ACD = 12
C+ABD = 1
D+ABC = 2,5
AB+CD
= 22.5
AC+BD
= 0.5
AD+BC
=1

AB+CD
B:Factor_B
A:Factor_A
D:Factor_D
AD+BC
C:Factor_C
AC+BD
0

12

16

20

24

Effect

Normal Probability Plot for Var_1

percentage

99,9
99
95
80
50
20
5
1
0,1

AB

B
0

12

16

Standardized effects

20

24

Fracciones
Fraccionesmayores
mayores
El problema en la industria es tomar
observaciones.
Es muy caro.
Con 8 observaciones podemos estudiar 3 4
factores
Con 16 observaciones estudiamos 4 o 5 factores.

Necesitamos reducir ms el nmero de

observaciones

Fracciones
Fraccionesmayores
mayores
Observaciones
A

B C AB AC BC ABC

ab

ac

bc

abc

Fracciones
Fraccionesmayores
mayores
Observaciones
A

B C AB AC BC ABC

E D
-

ab

ac

bc

abc

Ecuacin generatriz:
1. Asignacin de factores
E=AC
D=BC
2. Ecuacin generatriz incompleta:
I=ACE=BCD
3. Ecuacin generatriz completa. Si
ACE y BCD son columnas con
signos + que no se pueden
estimar, su producto tambin lo
ser.
4. Hay que obtener los productos
de las fatores de la Ecuacin
Generatriz: ACE.BCD=ABDE
I=ACE=BCD=ABDE
Ecuacin generatriz completa

Modelo 25-2III

Estructura
Estructurade
dealias
alias
Observaciones
A

B C AB AC BC ABC

E D
-

ab

ac

bc

abc

Obtenemos la ecuacin generatriz

completa
I=ACE=BCD=ABDE
Se obtiene lo que estima cada
columna multiplicando la ecuacin
generatriz por las columnas
A: A=CE=ABCD=BDE
B: B=ABCE=CD=ADE
C: C=AE=BD=ABCDE
AB: AB=BCE=ACD=DE
AC: AC=E=BCDE=ABD
BC: BC=ABE=D=ACDE
ABC: BE=AD=CDE

Modelo 25-2III

Una
Unavez
vezestimados
estimadoslos
losefectos
efectos
Para saber si son significativos:
MEDA con todas las columnas porque ahora
la mayora tienen efectos principales e
interacciones
Normal o half normal plot

Ejemplo
Ejemplo

Tiempo de maduracin de tomates cogidos de

la mata cuando empiezan a ponerse rojos:
A Temperatura de la cmara: 20C (+)
10C (-)
B Cajas con recipiente individual: Si (+)
No (-)
C: Envoltorio: Plstico (+)
Viruta de madera (-)
D: Variedad:

Murcia (+)
Holandesa (-)

E:Tratamiento:

Con bolsa de producto (+)

Sin bolsa de producto (-)

Observaciones
A

B C AB AC BC ABC

ab

ac

bc

abc

I=ABD=ACE (Incompleta)
I=ABD=ACE=BCDE
ALIAS hasta segundo orden
A=BD=CE=..
B=AD=.
C=AE=.
D=AB=.
E=AC=.
BC=DE=.
ABC=CD=BE=.

Observaciones
A

B C AB AC BC ABC

18
0
37
13
28
10
27
28

average
= 20,125
A+BD+CE = -14,75
B+AD = 12,25
C+AE = 6,25
D+AB = 3,25
E+AC = 6,25
BC+DE = -3,75
BE+CD = 6,25

average
= 20,125
A+BD+CE = -14,75
B+AD = 12,25
C+AE = 6,25
D+AB = 3,25
E+AC = 6,25
BC+DE = -3,75
BE+CD = 6,25

Pareto Chart for Var_1

A:Factor_A+BD+CE
B:Factor_B+AD
BE+CD
E:Factor_E+AC
C:Factor_C+AE
BC+DE
D:Factor_D+AB
0

12

15

Effect

Standard deviations

Half-Normal Plot for Var_1

2
1,6
1,2
0,8
0,4
0
0

12

15

Standardized effects

AyB

Median (-14.75 12.25 6.25 3.25 6.25 -3.75 6.25)=6.25

Desviaciones a la mediana (-21 6 0 -3 0 10 0)
Mediana de las desviaciones en valor absoluto=3
MEDA=3/0.675=4,44
Efectos mayores que 8.88 en valor absoluto

Diseos
Diseosmuy
muyfraccionados
fraccionados
Observaciones
A

B C AB AC BC ABC

E F

ab

ac

bc

abc

A+BD+CE+BEF+CDF
B+AD+CF+AEF+CDE
C+AE+BF+ADF+BDE
D+AB+EF+ACF+BCE
E+AC+DF+ABF+BCD
F+BC+DE+ABE+ACD
AF+BE+CD+ABC+ADE+BDF+CEF

I=ABD=ACE=BCF=BCDE=ACDF=
ABEF=DEF

Modelo 26-3III

Diseos
Diseossaturados
saturados
I=ABD+ACE+BCF+ABCG+AFG+ABEF+ACDF+ADEG+BEG+CDG+DEF+
BCDE+BDFG+CEFG+ABCDEFG

Modelo 26-4III

Observaciones
A

B C AB AC BC ABC

E F G

ab

ac

bc

abc

1
2
3
4
5
6
7

A+BD+CE+FG
B+AD+CF+EG
C+AE+BF+DG
D+AB+CG+EF
E+AC+BG+DF
F+AG+BC+DE
G+AF+BE+CD

Diseo
Diseode
deproductos
productosrobustos
robustos
Idea
Ideade
deTaguchi
Taguchi
Ejemplo:
Queremos disear una base para una pizza precocinada.
Objetivo:
Obtener la combinacin de los factores Harina, Sal y
Levadura que da la masa ms sabrosa
Resolucin:
1.
2.
3.

Definir los niveles de los factores: (-) y (+)

Definir la variable a medir: SABOR
Definir cmo la medimos: Con un conjunto de catadores que
valoran 0---Muy mala hasta 10--- Muy buena

Diseo
Diseode
deproductos
productosrobustos
robustos
Idea
Ideade
deTaguchi
Taguchi
Definimos el diseo: Tres factores 23
Aleatorizamos el orden de recogida
de los datos

Sabor

5.3

7.0

4.9

6.9

2.8

5.1

6.2

H
L
SL
HL
HS
S
0

0,4

0,8

1,2

1,6

2,4

Effect

percentage

Normal Probability Plot for Var_1

99,9
99
95
80
50
20
5
1
0,1
-12

-7

-2

Standardized effects

13

18

H=2.3
H=2.3
L=-1.75
L=-1.75

Un
Unbase
basede
depizza
pizzacon
conHH(+)
(+)yyL(-)
L(-)

Problema
Problema

La pizza debe meterse en horno

precalentado a 200C durante 15 minutos
Posibilidad muy real de que el cliente no cumpla
las instrucciones al pie de la letra.

Diseo
Diseode
deproductos
productosrobustos
robustos
Idea
Ideade
deTaguchi
Taguchi
Factores de control:
Aquellos que puede controlar la empresa.
Harina, Sal, Levadura

Factores de ruido:
Aquellos que NO puede controlar la empresa
Temperatura del horno, Tiempo de horneado

Disear productos o procesos que slo funcionan bien si

TODO se hace correctamente hace que la mayora de las veces
El producto sea MALO

Diseo
Diseode
deproductos
productosrobustos
robustos
Idea
Ideade
deTaguchi
Taguchi
Vamos a cruzar el diseo 23 con los factores de
ruido: Dos factores (temperatura y tiempo:
diseo 22 )

Temp Tiempo
-

Temp: (-) 180C

(+) 220C
Tiempo: (-) 10 min
(+) 20 min

Diseo
Diseo
Factores
Diseo
H S L

Ruido:
Tem: 0 (200C)
Tiempo 0 (15 min)

Tem:

+
+

+
+

5.3

3.4

7.0

+
+

+
+

+
+
+
+

4.1

3.8

3.7

5.1

6.7

2.9

4.9

1.1

4.1

5.4

1.3

6.9

3.8

5.8

5.4

4.0

2.8

2.1

3.2

1.7

1.8

5.1

3.1

5.3

5.4

2.7

1.3

2.1

3.1

1.5

6.2

5.5

5.9

5.7

Media Desviacin

Tiem

4.3
5.1
3.4
5.2

0.7
1.6
1.8
1.2

2.3
4.3
2.2
5.9

0.6
1.2
0.7
0.2

Diseo
Diseo
Factores
Diseo
H S L

Ruido:
Tem: 0 (200C)
Tiempo 0 (15 min)

Tem:

+
+

+
+

5.3

3.4

7.0

+
+

+
+

+
+
+
+

4.1

3.8

3.7

5.1

6.7

2.9

4.9

1.1

4.1

5.4

1.3

6.9

3.8

5.8

5.4

4.0

2.8

2.1

3.2

1.7

1.8

5.1

3.1

5.3

5.4

2.7

1.3

2.1

3.1

1.5

6.2

5.5

5.9

5.7

Media Desviacin

Tiem

4.3
5.1
3.4
5.2

0.7
1.6
1.8
1.2

2.3
4.3
2.2
5.9

0.6
1.2
0.7
0.2