Diseños

Diseñosfactoriales
factorialesaados
dosniveles.
niveles.

Teresa Villagarcía
 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

• ¿Cómo reducir el número de

observaciones?
 ¿Cómo
¿Cómoreducir
reducirelelnúmero
númerode
deobservaciones?
observaciones?

• Reducir el número de factores (?????)

• Reducir el número de niveles

• Solución barata:
• Diseños a dos niveles.
 Diseños a dos niveles 2 KK
Diseños a dos niveles 2

• Estudiamos un número k de factores (Por

ejemplo 4)
• Los factores se toman a dos niveles.
• Número de observaciones=2x2x2x2=16= 24
• Reducimos mucho el número de observaciones
Coste
Costede
dereducir
reducirelelnúmero
númerode
de
observaciones
observaciones
 Coste
Costede
dereducir
reducirelelnúmero
númerode
de
observaciones
observaciones

Las líneas de nivel muestran el

rendimiento del proceso

Temperatura

T1

To

Po P1 Presión

Tomamos cuatro observaciones

A dos niveles
 Coste
Costede
dereducir
reducirelelnúmero
númerode
de
observaciones
observaciones

Línea de mejora en verde

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

T1

To

Po P1 Presión
 Coste
Costede
dereducir
reducirelelnúmero
númerode
de
observaciones
observaciones

Línea 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 Presión
 Coste
Costede
dereducir
reducirelelnúmero
númerode
de
observaciones
observaciones

Temperatura
Tomaremos otras
Tres observaciones

T1 Línea de mejora en verde

To

Po P1 Presión

Y se continúa mientras se obtengan mejoras

Coste
Costede
dereducir
reducirelelnúmero
númerode de
observaciones.
observaciones.LaLaalternativa:
alternativa:
 Coste
Costede
dereducir
reducirelelnúmero
númerode de
observaciones.
observaciones.LaLaalternativa:
alternativa:

Muchas observaciones. De ellas la mayoría en

zonas poco útiles

Temperatura
T3

T2

T1

To

Po P1 P2 P3 P4 P5 Presión
 Estudiaremos
Estudiaremospor
portanto
tantodiseños
diseñosaados
dosniveles
nivelesy ylos
losaplicaremos
aplicaremos
secuencialmente
secuencialmente

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

• Ejemplo: Redimiendo proceso químico
– Factor 1: Temperatura 40ºC (-)
60ºC (+) 24
observaciones
– Factor 2: Presión 1 Atm (-)
2 Atm (+)
– Factor 3: Catalizador Si (+)
No (-)
– Factor 4: Concentración 40% (-)
60% (+)
Diseño 2
Diseño22:2Cuatro
: Cuatroobservaciones
observacionesy ydos
dosfactores
factores
 Diseño 2
Diseño22:2Cuatro
: Cuatroobservaciones
observacionesy ydos
dosfactores
factores

Temperatura
B

T1
(+)
To
(-)

Po P1 Presión
(-) (+) A
 Diseño 2
Diseño22:2Cuatro
: Cuatroobservaciones
observacionesy ydos
dosfactores
factores

Observaciones
A B Y
- - o y11
Temperatura
B + - a y21
- + b y12
T1 + + ab y22
(+)
To
(-)

Po P1 Presión
(-) (+) A
 Estimación
Estimaciónde
delos
losefectos
efectos

ˆA = 1 (a + ab ) − 1 (o + b ) Media de observaciones con A (+)

Efecto de A menos
2 2
Media de observaciones con A (-)

Media de observaciones con B (+)

B = (b + ab ) − (o + a )
ˆ 1 1
menos
Efecto de B 2 2 Media de observaciones con B (-)
 Estimación
Estimaciónde
delos
losefectos
efectos

ˆA = 1 (a + ab ) − 1 (o + b ) Media de observaciones con A (+)

Efecto de A menos
2 2
Media de observaciones con A (-)

El efecto de A
mide
variaciones
A en ese eje
 Estimación
Estimaciónde
delos
losefectos
efectos

B = (b + ab ) − (o + a )
ˆ 1 1 Media de observaciones con B (+)
Efecto de B menos
2 2
Media de observaciones con B (-)

El efecto de B
mide
variaciones
A en ese eje
 Estimación
Estimaciónde
delos
losefectos
efectos

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

AB = (o + ab ) − (a + b )
ˆ 1 1
A 2 2
 Algoritmo
Algoritmode
designos
signos

Aˆ = (a + ab ) − (o + b ) = (− 0 + a − b + ab )
1 1 1
2 2 2

B = (b + ab ) − (o + a ) = (− 0 − a + b + ab )
ˆ 1 1 1
2 2 2

AB = (o + ab ) − (a + b ) = (+o − a − b + ab)
ˆ 1 1 1
2 2 2
A B AB Y

- - + o y11
+ - - a y21
- + - b y12
+ + + ab y22
 Diseño con tres factores 2 33
Diseño con tres factores 2
Observaciones
A B C AB AC BC ABC Y

- - - + + + - o
+ - - - - + + a
- + - - + - + b
+ + - + - - - ab
- - + + - - + c
+ - + - + - - ac
- + + - - + - bc
+ + + + + + + abc
 Análisis del 223:3:
Análisisdel
Estimación
Estimaciónde
delos
losefectos
efectos

Observaciones

A B C AB AC BC ABC Y Â = 1/4(-o + a - b + ab - c + ac - bc + abc)

- - - + + + - o Bˆ = 1/4(-o - a + b + ab - c - ac + bc + abc)
Cˆ = 1/4(-o - a - b - ab + c + ac + bc + abc)
+ - - - - + + a
ÂB = 1/4(+ o - a - b + ab + c - ac - bc + abc)
- + - - + - + b
ÂC = 1/4(+ o - a + b - ab - c + ac - bc + abc)
+ + - + - - - ab B̂C = 1/4(+ o + a - b - ab - c - ac + bc + abc)
- - + + - - + c AB̂C = 1/4(-o + a + b - ab + c - ac - bc + abc)
+ - + - + - - ac

- + + - - + - bc

+ + + + + + + ab
c

Media de las observaciones con (+)

menos media de las observaciones con (-)
 Efecto de A: Media de las observaciones con A (+)
menos media de las observaciones con A(-)

B C
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(-)

B C
A
Efecto A=
Rojas-Verdes
 Ejemplo:
Ejemplo:Trabajo
Trabajode
deuna
unaalumna
alumna

• Tiempo de marchitación de las flores:

– Factor A “Tipo de flor” + Rosa

- Clavel

– Factor B “Agua” + Permanente

- Cambiada cada día

– Factor C “Ubicación” + Exterior

- Interior
 Los
Losdatos
datos

Observaciones
Clavel, Agua cambiada
A B C AB AC BC ABC Y Interior
- - - + + + - 85
+ - - - - + + 80
- + - - + - + 112
+ + - + - - - 80
- - + + - - + 121
+ - + - + - - 78
- + + - - + - 117
+ + + + + + + 69
 Análisis
Análisisde
delos
losdatos
datos

• Â=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
• ÂB= 1/4(+o-a-b+ab+c-ac-bc+abc)=-8
• ÂC= 1/4(+o-a+b-ab-c+ac-bc+abc)=13.5
• ^BC= 1/4(+o+a-b-ab-c-ac+bc+abc)=-10
• ÂCB= 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

• Método de la MEDA
 Normal
NormalooHalf
HalfNormal
Normalplot
plot

• La interpretación es la misma:
• Si ninguno de los 7 efectos es significativo, los 7 valores estimados se distribuirán
como una normal centrada en cero
• Si alguno es significativo, estará 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 1 3 5 7 9 11 13 15
x
Efecto significativo
Efectos no significativos
 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 línea.

Half-Normal Plot for Var_1

1,8
Standard deviations

1,5
1,2
0,9
0,6
0,3
0
0 1 2 3 4 5 6
Standardized effects

Efecto significativo
POCOS
Efectos no significativos
MUCHOS
 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 línea.

Normal Probability Plot for Var_1

99,9
99
95 Efectos no significativos
percentage

80
50
20
5
1
0,1
-5,9 -3,9 -1,9 0,1 2,1
Standardized effects

Efecto significativo
 Volvemos
Volvemosaalas
lasRosas
Rosasyylos
losClaveles
Claveles

• Tiempo de marchitación de las flores:

– Factor A “Tipo de flor” + Rosa

- Clavel

– Factor B “Agua” + Permanente

- Cambiada cada día

– Factor C “Ubicación” + Exterior

- Interior
 Lo
Lohago
hagocon
conStatgraphics
Statgraphics

Normal Probability Plot for Var_1 Half-Normal Plot for Var_1

99,9 2

Standard deviations
99
95 1,6
percentage

80 1,2
50
20 0,8
5
0,4
1
0,1 0
-32 -22 -12 -2 8 0 10 20 30 40
Standardized effects Standardized effects
 Lo
Lohago
hagocon
conStatgraphics
Statgraphics

Normal Probability Plot for Var_1 Half-Normal Plot for Var_1

99,9 2

Standard deviations
99
1,6
95
percentage

80 1,2
50
20 0,8
5
0,4
1
0,1 0
-32 -22 -12 -2 8 0 10 20 30 40
Standardized effects Standardized effects

EFECTO A
 Conclusión:
Conclusión:

• Sólo influye el tipo de flor

• El agua no influye
• La ubicación tampoco
 Método
Métodode
delalaMEDA
MEDA

• Se calcula la mediana de las interacciones

Mediana(^AB ^AC ^BC y ^ABC)=M
MEDA=Mediana{|ÂB-M|,|ÂC-M|,|^BC-M|,|ÂBC-M|}

Meda
sˆθ =
0.675

Efecto ≥ 2 sˆθ Significativo

 Ejemplo.
Ejemplo.Supongamos
Supongamosque
quehemos
hemos
obtenido
obtenido
ÂB=-1 ÂC=2 ^BC=0.5 ÂBC=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
sˆθ = = 1.1
0.675 0.675

Efecto ≥ 2 sˆθ = 2.2 Significativo

 Ejemplo.
Ejemplo.Flores
Flores
• ÂB= 1/4(+o-a-b+ab+c-ac-bc+abc)=-8
• ÂC= 1/4(+o-a+b-ab-c+ac-bc+abc)=13.5
• ^BC= 1/4(+o+a-b-ab-c-ac+bc+abc)=-10
• ÂCB= 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
sˆ =
θ
= = 8.15
0.675 0.675
Efecto ≥ 2 sˆ = 16.30 θ
Significativo: Sólo flor
Valores
Valoresprevistos
previstospor
porelelmodelo
modelo

⎛ Aˆ ⎞ ⎛ Bˆ ⎞ ⎛ Cˆ ⎞ ⎛ Aˆ B ⎞ ⎛ ˆ ⎞ ⎛ ˆ⎞ ⎛ ˆ ⎞
yˆ = y + ⎜⎜ ⎟⎟ x1 + ⎜⎜ ⎟⎟ x2 + ⎜⎜ ⎟⎟ x3 + ⎜⎜ ⎟ x1 x2 + ⎜ AC ⎟ x1 x3 + ⎜ BC ⎟ x2 x3 + ⎜ ABC ⎟ x1 x2 x3
⎟ ⎜ 2 ⎟ ⎜ 2 ⎟ ⎜ 2 ⎟
⎝2⎠ ⎝2⎠ ⎝2⎠ ⎝ 2 ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠
1 Si A = +
x =
1
− 1 Si A = −
Sólo se ponen los efectos significativos
1 Si B = +
x =
− 1 Si B = − ⎛ Aˆ ⎞ ⎛ − 32.2 ⎞
yˆ = y + ⎜⎜ ⎟⎟ x1 = 92.75 + ⎜
2

⎟ x1
1 Si C = +
2
⎝ ⎠ ⎝ 2 ⎠
x =
− 1 Si C = −
3

Duración de la ROSA=92.75-16.1=76.65

Duración del CLAVEL=92.75+16.1=108.85

 Por
Portanto
tanto

• Normal Plot (o Half Normal

Plot) o método de la MEDA
indican que sólo es
significativo el tipo de flor

• Â=-32
• Como A (+) es ROSA
• A (-) es CLAVEL

El clavel dura más que la rosa.

Duración de la ROSA=92.75-16.1=76.65

Duración del CLAVEL=92.75+16.1=108.85

 Los
Lospimientos
pimientosde
dePadrón
Padrón

…..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 muchíiiiiisimo

2. Define los factores:

A Tamaño: Grande (+)
Pequeño (-)
B Forma: Gordo (+)
Delgado (-)
C Fritura: Muy frito (+)
Poco frito (-)
 El
Elexperimento
experimento
Prueba 6 pimientos de cada tipo y la variable respuesta es la media

Observaciones
A B C AB AC BC ABC Y
- - - + + + - 1
+ - - - - + + 2.6
- + - - + - + 0.5
+ + - + - - - 1.6
- - + + - - + 0.5
+ - + - + - - 1.85
- + + - - + - 0.33
+ + + + + + + 0.66
 Estimación
Estimación
Estimated effects for Var_1
------------------------------------ Pareto Chart for Var_1
average = 1,13 A:Factor_A

A:Factor_A = 1,095 B:Factor_B

C:Factor_C
B:Factor_B = -0,715 AB

C:Factor_C = -0,59 AC
ABC
AB = -0,38 BC

AC = -0,255 0 0,2 0,4 0,6

Effect
0,8 1 1,2

BC = 0,035
ABC = -0,13
Main Effects Plot for Var_1
1,7
1,5
1,3

Var_1
1,1
0,9
0,7
0,5
-1.0 1.0 -1.0 1.0 -1.0 1.0
Factor_A Factor_B Factor_C
 Significatividad
Significatividadde
delos
losefectos
efectos
Half-Normal Plot for Var_1
1,8

Standard deviations
1,5
1,2
0,9
0,6
0,3
0
0 2 4 6 8 10
Standardized effects

Significativos
Normal Probability Plot for Var_1
99,9
99
95
percentage

80
50
20
5
AyB 1
0,1
-6 -3 0 3 6 9
Standardized effects
 Son
Sonsignificativos
significativosAAyyBB

A Tamaño: Grande (+)

Pequeño (-)
A:Factor_A = 1,095
B Forma: Gordo (+) B:Factor_B = -0,715
Delgado (-)

⎛ Aˆ ⎞ ⎛ Bˆ ⎞ ⎛ Cˆ ⎞ ⎛ Aˆ B ⎞ ⎛ ˆ ⎞ ⎛ ˆ⎞ ⎛ ˆ ⎞
yˆ = y + ⎜⎜ ⎟⎟ x1 + ⎜⎜ ⎟⎟ x2 + ⎜⎜ ⎟⎟ x3 + ⎜⎜ ⎟ x1 x2 + ⎜ AC ⎟ x1 x3 + ⎜ BC ⎟ x2 x3 + ⎜ ABC ⎟ x1 x2 x3
⎟ ⎜ 2 ⎟ ⎜ 2 ⎟ ⎜ 2 ⎟
⎝2⎠ ⎝2⎠ ⎝2⎠ ⎝ 2 ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠

⎛ 1.1 ⎞ ⎛ − 0.7 ⎞
yˆ = 1.13 + ⎜ ⎟ x1 + ⎜ ⎟ x2
⎝ ⎠2 ⎝ 2 ⎠

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

 Diseños 244y 2kk
Diseños 2 y 2

• Diseño 24:
– Estudia cuatro factores A, B, C y D
– Utiliza 16 observaciones.
– Las observaciones que hay que tomar son:
 Diseño
Diseño 2244
Factores
Num A B C D

1 - - - -

2 + - - -

3 - + - -

4 + + - -

5 - - + -

6 + - + -

7 - + + -

8 + + + -

9 - - - +

10 + - - +

11 - + - +

12 + + - +

13 - - + +

14 + - + +

15 - + + +

16 = 24 + + + +

Estimación
Estimaciónmediante
medianteelelalgoritmo
algoritmodedesignos
signos
Efectos
Efectossignificativos:
significativos:Normal
NormalPlot
PlotooMEDA
MEDA
 Tasa
Tasade
defiltración
filtración(Montgomery)
(Montgomery)

• Se fabrica un producto químico en un recipiente a presión. Se

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

• A: Temperatura
• B: Presión
• C: Concentración de los reactivos
• D: Rapidez de mezclado

• El ingeniero del proceso quiere aumentar la velocidad de filtración y,

si es posible, utilizar el nivel (-) de C (Concentración de
formaldehído).
• Actualmente la velocidad de filtración es de 75gal/min.
Diseño
Diseño 2244Ejemplo
Ejemplo
Factores
Num A B C D Velocidad

1 - - - - 45

2 + - - - 71

3 - + - - 48

4 + + - - 65

5 - - + - 68
6 + - + - 60
7 - + + - 80
8 + + + - 65
9 - - - + 43

10 + - - + 100

11 - + - + 45

12 + + - + 104

13 - - + + 75

14 + - + + 86

15 - + + + 70

16 = 24 + + + + 96
Estimated effects for Velocidad
------------------------------------------
average = 70,0625
Velocidad
A:Factor_A = 21,625
B:Factor_B = 3,125 A:Factor_A
AC
C:Factor_C = 9,875 AD
D:Factor_D = 14,625 D:Factor_D
C:Factor_C
AB = 0,125 ABD
B:Factor_B
AC
AD
= -18,125
= 16,625
No significativos BCD
BC Significativos
ABC
BC = 2,375 ACD
BD = -0,375 ABCD
CD
CD = -1,125 BD
AB
ABC = 1,875
ABD = 4,125 0 4 8 12 16 20 24
ACD = -1,625 Effect
BCD = -2,625
ABCD = 1,375
 Normal Plot for Velocidad
99,9
99
95

percentage
80
50
20
5
1
0,1
-19 -9 1 11 21 31
Standardized effects

Half Normal Plot for Velocidad

2,4
Standard deviations

2
1,6
1,2
0,8
0,4
0
0 4 8 12 16 20 24
Standardized effects

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

Mediana=0.13
A,C,D,AC,AD
A,C,D,AC,AD
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 serán significativos

 El
Elmodelo
modeloestimado
estimadoes:
es:
A,C,D,AC
A,C,D,ACyyAD
AD

yˆ = 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(-) yˆ = 100.65
D(+)
D(+)

Valor
Valormáximo
máximo
 Resumen de diseños 2 kk
Resumen de diseños 2

2k = K Factores a dos niveles.

= n observaciones.

Pasos en el análisis.
1. Se definen la variable respuesta y los factores.
2. Se aleatoriza la toma de datos
3. Se rellena la tabla de datos
4. Se calculan los efectos mediante el algoritmo de signos
5. Se decide qué efectos son significativos mediante el normal plot (o
half normal plot) o la MEDA. LOS RESULTADOS NO SIEMPRE
SON COINCIDENTES
 Diseños
Diseñoscon
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 B C D E

1 - - - - -

2 + - - - -

3 - + - - -

4 + + - - -

5 - - + - -

6 + - + - -

7 - + + - -

8 + + + - -

9 - - - + -

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 número
número de
de
observaciones
observaciones
2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o

+ - - - - + + a

- + - - + - + b

+ + - + - - - ab

- - + + - - + c

+ - + - + - - ac

- + + - - + - bc

+ + + + + + + abc
2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o

+ - - - - + + a

- + - - + - + b

+ + - + - - - ab

- - + + - - + c

+ - + - + - - ac

- + + - - + - bc

+ + + + + + + abc
2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o
Observaciones
+ - - - - + + a
A B C AB AC BC ABC Y
- + - - + - + b
+ - - - - + + a
+ + - + - - - ab
- + - - + - + b
- - + + - - + c
- - + + - - + c
+ - + - + - - ac
+ + + + + + + abc
- + + - - + - bc

+ + + + + + + abc
2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o
Observaciones
+ - - - - + + a
A B C AB AC BC ABC Y
- + - - + - + b
+ - - - - + + a
+ + - + - - - ab
- + - - + - + b
- - + + - - + c
- - + + - - + c
+ - + - + - - ac
+ + + + + + + abc
- + + - - + - bc

+ + + + + + + abc
C y AB son iguales
2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o
Observaciones
+ - - - - + + a
A B C AB AC BC ABC Y
- + - - + - + b
+ - - - - + + a
+ + - + - - - ab
- + - - + - + b
- - + + - - + c
- - + + - - + c
+ - + - + - - ac
+ + + + + + + abc
- + + - - + - bc

+ + + + + + + abc
C y AB son iguales

A y BC son iguales
2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o
Observaciones
+ - - - - + + a
A B C AB AC BC ABC Y
- + - - + - + b
+ - - - - + + a
+ + - + - - - ab
- + - - + - + b
- - + + - - + c
- - + + - - + c
+ - + - + - - ac
+ + + + + + + abc
- + + - - + - bc

+ + + + + + + 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 B C AB AC BC ABC Y

- - - + + + - o
Observaciones
+ - - - - + + a
A B C AB AC BC ABC Y
- + - - + - + b
+ - - - - + + a
+ + - + - - - ab
- + - - + - + b
- - + + - - + c
- - + + - - + c
+ - + - + - - ac
+ + + + + + + abc
- + + - - + - bc

+ + + + + + + abc

 8 = 1/4(-o + a - b + ab - c + ac - bc + abc) 1
Aˆ 4 = (a − b − c + abc) = Aˆ 8 + Bˆ C8
B̂C 8 = 1/4( +o + a - b - ab - c - ac + bc + abc) 2

 8 + B̂C 8 = 1/4(a - b - c + abc)

Lo que obtenemos en el diseño pequeño es la suma de los efectos A y BC.

Lógico porque la columna de signos de A y de BC son iguales en el diseño pequeño

Lo que estiman los signos de A en el diseño pequeño son dos cosas: A+BC
 2233estudiamos
estudiamos33factores
factorescon
con88observaciones
observaciones

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o
Observaciones
+ - - - - + + a
A B C AB AC BC ABC Y
- + - - + - + b
+ - - - - + + a
+ + - + - - - ab
- + - - + - + b
- - + + - - + c
- - + + - - + c
+ - + - + - - ac
+ + + + + + + abc
- + + - - + - bc

+ + + + + + + abc
C y AB son iguales

A y BC son iguales

Las columnas iguales implican que lo se estima es la suma de ellas

¿Cuáles son las columnas iguales?
 Cómo
Cómoreducir
reducirobservaciones
observaciones
Diseños
Diseñosfraciionales
fraciionales

•• Elegiremos
Elegiremos algunas
algunas observaciones
observaciones del
del diseño
diseño
completo.
completo.
•• ¿Qué
¿Qué observaciones?
observaciones? Criterio:
Criterio:

Que podamos
Que podamos seguir
seguir estimando
estimando los
los factores
factores

Tiene que
Tiene que haber
haber igual
igual número
número de
de (+)
(+) yy de
de (-)
(-)
 En
Engeneral
general

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o

+ - - - - + + a

- + - - + - + b

+ + - + - - - ab

- - + + - - + c

+ - + - + - - ac

- + + - - + - bc

+ + + + + + + abc
 En
Engeneral
general

Observaciones

A B C AB AC BC ABC Y

+
-

-
-

-
+

-
+

-
+

+
-

+
o

a
D
- + - - + - + b

+ + - + - - - ab

- - + + - - + c

+ - + - + - - ac

- + + - - + - bc

+ + + + + + + abc

Asignamos al Factor D los signos de la interacción ABC

 Tabla de signos
En
Engeneral
general

Observaciones A B C D Y
A B C AB AC BC D Y
- - - - o
-

+
-

-
-

-
+

-
+

-
+

+
-

+
o

a
D +

-
-

+
-

-
+

+
ad

bd
- + - - + - + b + + - - ab

D tiene los mismos signos que

+

-
+

-
-

+
+

+
-

-
-

-
-

+
ab

c
- - + + cd

+ - + - ac
ABC.
+ - + - + - - ac - + + - bc

Aplicando los signos a esa

-

+
+

+
+

+
-

+
-

+
+

+
-

+
bc

abc
+ + + + abcd

columna estimamos D+ABC

 Tabla de signos
En
Engeneral
general

Observaciones A B C D Y
A B C AB AC BC D Y
- - - - o
-

+
-

-
-

-
+

-
+

-
+

+
-

+
o

a
D +

-
-

+
-

-
+

+
ad

bd
- + - - + - + b + + - - ab

¿Cómo saber qué columnas de

+

-
+

-
-

+
+

+
-

-
-

-
-

+
ab

c
- - + + cd

+ - + - ac
signos son iguales?
+ - + - + - - ac - + + - bc
- + + - - + - bc + + + + abcd
+ + + + + + + abc
 Estructura
Estructurade
deALIAS
ALIAS

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

2. A.A=I donde I es una columna de “unos”
3. A.I=A Cualquier columna de signos por la columna de “unos” es
ella misma
4. Asignación del nuevo factor:
D=ABC
Indica a qué columna signos ha sido asignado
el factor D
Estructura
Estructurade
deALIAS
ALIAS

Ecuación generatriz de la fracción:

D=ABC

D.D=D.ABC

I=ABCD
 Estructura
Estructurade
deALIAS
ALIAS

Con la ecuación generatriz obtenemos la estructura de alias o

efectos confundidos:

I=ABCD
La ecuación generatriz multiplicada por cada columna del diseño
da las columnas iguales:
 D=ABC
Estructura I=ABCD
Estructurade
deALIAS
ALIAS
A.I=A.ABCD
A=BCD
Observaciones

A B C AB AC BC ABC Y B.I=B.ABCD
B=ACD
D
- - - + + + - o C.I=C.ABCD
C=ABD
+ - - - - + + a

- + - - + - + b AB.I=AB.ABCD
+ + - + - - - ab
AB=CD

- - + + - - + c AC.I=AC.ABCD
+ - + - + - - ac AC=BD
- + + - - + - bc BC.I=BC.ABCD
+ + + + + + + abc
BC=AD

Diseño 2 4-1 ABC.I=ABC.ABCD

ABC=D
 D=AB
Analizad I=ABD
Analizadeste
estediseño….
diseño….
A.I=A.ABD
A=BD
Observaciones

A B C AB AC BC ABC Y B.I=B.ABD
B=AD
D
- - - + + + - o C.I=C.ABD
C=ABCD
+ - - - - + + a

- + - - + - + b AB.I=AB.ABD
+ + - + - - - ab
AB=D

- - + + - - + c AC.I=AC.ABD
+ - + - + - - ac AC=BCD
- + + - - + - bc BC.I=BC.ABD
+ + + + + + + abc
BC=ACD

Diseño 2 4-1 ABC.I=ABC.ABD

ABC=CD
¿Cuál es mejor y por qué?
 Resolución
Resolución

Es el orden de la interacción de menor rango

confundida con un efecto principal

O es el número de letras de la palabra de la

ecuación generatriz.
Resolución IV
Resolución III

¿Cuál es mejor y por qué?

 Análisis
Análisisde
delalafracción
fracción

Observaciones 1. Escribir la tabla de signos

A B C AB AC BC ABC Y 2. Determinar la estructura de
ALIAS
D 3. Tomar datos aleatorizando el
- - - + + + - o orden
+ - - - - + + a 4. Estimar los efectos mediante el
algoritmo de signos
- + - - + - + b
5. Ver significatividad de los efectos
+ + - + - - - ab

- - + + - - + c
+ - + - + - - ac

- + + - - + - bc
+ + + + + + + abc
Vamos 4
Vamosaaresolver
resolverelelexperimento
experimentode
delalavelocidad
velocidadde
defiltración.
filtración.Era
Eraun
un224=16
=16
observaciones.
observaciones.
Factores
Num A B C D Velocidad

1 - - - - 45

2 + - - - 71

3 - + - - 48

4 + + - - 65

5 - - + - 68
6 + - + - 60
7 - + + - 80
8 + + + - 65
9 - - - + 43

10 + - - + 100

11 - + - + 45

12 + + - + 104

13 - - + + 75

14 + - + + 86

15 - + + + 70

16 = 24 + + + + 96

Salían
Salíansignificativos
significativos A,C,D,AC,AD
A,C,D,AC,AD
 Ejemplo
Ejemplo A,C,D,AC,AD
A,C,D,AC,AD
Observaciones
D=ABC
Ecuación generatriz: I=ABCD
A B C AB AC BC ABC Y
Estructura de Alias:
D
- - - + + + - 45 A=BCD
B=ACD
+ - - - - + + 100 C=ABD
- + - - + - + 45 AB=CD
AC=BD
+ + - + - - - 65 BC=AD
ABC=D
- - + + - - + 75
+ - + - + - - 60 RESOLUCIÓN=IV
- + + - - + - 80
+ + + + + + + 96
Modelo 24-1IV
 Ejemplo
Ejemplo A,C,D,AC,AD
A,C,D,AC,AD
Observaciones • average = 70,75
• A+BCD = 19,0
A B C AB AC BC ABC Y • B+ACD = 1,5
D • C+ABD = 14,0
- - - + + + - 45 • D+ABC = 16,5
+ - - - - + + 100
• AB+CD = -1,0
• AC+BD = -18,5
- + - - + - + 45
• AD+BC = 19,0
+ + - + - - - 65

- - + + - - + 75
+ - + - + - - 60

- + + - - + - 80
+ + + + + + + 96

¿Cuáles son significativos?

 Significatividad
Significatividadde
delos
losefectos
efectos

Pareto Chart for Var_1 Half-Normal Plot for Var_1

2
AD+BC

Standard deviations
A:Factor_A 1,6
AC+BD
1,2
D:Factor_D
0,8
C:Factor_C
B:Factor_B 0,4
AB+CD
0
0 4 8 12 16 20 0 4 8 12 16 20

Effect Standardized effects

A,C,D,AC,AD
A,C,D,AC,AD
 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(+)(+)pequeño
pequeño(-)
(-)
Observaciones C=Dinamo Con(+) Sin(-)
C=Dinamo Con(+) Sin(-)
D=Alza
D=Alzaenenelelmanillar
manillarCon(+)
Con(+)sin(-)
sin(-)
A B C AB AC BC ABC Y

D D=ABC
- - - + + + - 69 Ecuación generatriz: I=ABCD
Estructura de Alias:
+ - - - - + + 52
A=BCD
- + - - + - + 60 B=ACD
+ + - + - - - C=ABD
83 AB=CD
- - + + - - + AC=BD
71 BC=AD
+ - + - + - - 50 ABC=D

- + + - - + - 59 RESOLUCIÓN=IV

+ + + + + + + 88 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(+)(+)pequeño
pequeño(-)
(-)
Observaciones C=Dinamo Con(+) Sin(-)
C=Dinamo Con(+) Sin(-)
D=Alza
D=Alzaenenelelmanillar
manillarCon(+)
Con(+)sin(-)
sin(-)
A B C AB AC BC ABC Y

D • average = 66.5
- - - + + + - • A+BCD = 3.5
69
• B+ACD = 12
+ - - - - + + 52 • C+ABD = 1
- + - - + - + 60 • D+ABC = 2,5
• AB+CD = 22.5
+ + - + - - - 83 • AC+BD = 0.5
- - + + - - + 71 • AD+BC =1
+ - + - + - - 50
- + + - - + - 59
+ + + + + + + 88
 Minutos
Minutosempleados
empleadospara pararecorrer
recorreruna
una
Ejemplo
Ejemplo distancia fija en bici
distancia fija en bici
A=Rueda
A=Ruedacarreras
carreras(+)
(+)menos
menosdeportiva
deportiva(-)
(-)
B=Plato grande (+) pequeño
B=Plato grande (+) pequeño (-) (-)
C=Dinamo
C=DinamoCon(+)
Con(+) Sin(-)
Sin(-)
D=Alza
D=Alzaenenelelmanillar
manillarCon(+)
Con(+)sin(-)
sin(-)

Pareto Chart for Var_1

AB+CD
• average = 66.5 B:Factor_B

• A+BCD = 3.5 A:Factor_A

D:Factor_D
• B+ACD = 12 AD+BC
C:Factor_C
• C+ABD = 1 AC+BD

• D+ABC = 2,5 0 4 8 12 16 20 24
Effect
• AB+CD = 22.5
• AC+BD = 0.5
Normal Probability Plot for Var_1
• AD+BC =1 99,9
99
95
percentage

80
50
A
20 AB
5 B
1
0,1
0 4 8 12 16 20 24
Standardized effects
 Fracciones
Fraccionesmayores
mayores

• El problema en la industria es tomar

observaciones.
• Es muy caro.
– Con 8 observaciones podemos estudiar 3 ó 4
factores
– Con 16 observaciones estudiamos 4 o 5 factores.
• Necesitamos reducir más el número de
observaciones
 Fracciones
Fraccionesmayores
mayores

Observaciones

A B C AB AC BC ABC Y

- - - + + + - o

+ - - - - + + a
- + - - + - + b

+ + - + - - - ab

- - + + - - + c
+ - + - + - - ac

- + + - - + - bc

+ + + + + + + abc
 Fracciones
Fraccionesmayores
mayores

Observaciones Ecuación generatriz:

1. Asignación de factores
A B C AB AC BC ABC Y
E=AC
E D D=BC
- - - + + + - o 2. Ecuación generatriz incompleta:
I=ACE=BCD
+ - - - - + + a 3. Ecuación generatriz completa. Si
- + - - + - + b
ACE y BCD son columnas con
signos + que no se pueden
+ + - + - - - ab estimar, su producto también lo
será.
- - + + - - + c 4. Hay que obtener los productos
de las fatores de la Ecuación
+ - + - + - - ac Generatriz: ACE.BCD=ABDE
I=ACE=BCD=ABDE
- + + - - + - bc
Ecuación generatriz completa
+ + + + + + + abc
Modelo 25-2III
 Estructura
Estructurade
dealias
alias

Observaciones Obtenemos la ecuación generatriz

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

+ - + - + - - ac

- + + - - + - bc Modelo 25-2III
+ + + + + + + abc
 Una
Unavez
vezestimados
estimadoslos
losefectos
efectos

• Para saber si son significativos:

– MEDA con todas las columnas porque ahora
la mayoría tienen efectos principales e
interacciones
– Normal o half normal plot
 Ejemplo
Ejemplo

• Tiempo de maduración de tomates cogidos de

la mata cuando empiezan a ponerse rojos:

– A Temperatura de la cámara: 20ºC (+)

10ºC (-)

– B Cajas con recipiente individual: Si (+)

No (-)

– C: Envoltorio: Plástico (+)

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 Y
D E
- - - + + + - o

+ - - - - + + a
I=ABD=ACE (Incompleta)
- + - - + - + b
I=ABD=ACE=BCDE
+ + - + - - - ab

- - + + - - + c ALIAS hasta segundo orden

+ - + - + - - ac
A=BD=CE=…..
- + + - - + - bc B=AD=….
+ + + + + + + abc
C=AE=….
D=AB=….
E=AC=….
BC=DE=….
ABC=CD=BE=….
 Observaciones

A B C AB AC BC ABC Y
D E
- - - + + + - 18
+ - - - - + + 0
- + - - + - + average = 20,125
37
A+BD+CE = -14,75
+ + - + - - - 13 B+AD = 12,25
- - + + - - + C+AE = 6,25
28
D+AB = 3,25
+ - + - + - - 10 E+AC = 6,25
- + + - - + - BC+DE = -3,75
27
BE+CD = 6,25
+ + + + + + + 28
average = 20,125
A+BD+CE = -14,75 Pareto Chart for Var_1

B+AD = 12,25 A:Factor_A+BD+CE

B:Factor_B+AD

C+AE = 6,25 BE+CD

E:Factor_E+AC
D+AB = 3,25 C:Factor_C+AE
BC+DE
E+AC = 6,25 D:Factor_D+AB

BC+DE = -3,75 0 3 6
Effect
9 12 15

BE+CD = 6,25
Half-Normal Plot for Var_1
2

Standard deviations
1,6

1,2

0,8

0,4

0
0 3 6 9 12 15
Standardized effects

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
AyB Efectos mayores que 8.88 en valor absoluto
 Diseños
Diseñosmuy
muyfraccionados
fraccionados

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

- - + + - - + c
I=ABD=ACE=BCF=BCDE=ACDF=
+ - + - + - - ac ABEF=DEF
- + + - - + - bc

+ + + + + + + abc
Modelo 26-3III
 Diseños
Diseñossaturados
saturados
I=ABD+ACE+BCF+ABCG+AFG+ABEF+ACDF+ADEG+BEG+CDG+DEF+
BCDE+BDFG+CEFG+ABCDEFG

Observaciones Modelo 26-4III

A B C AB AC BC ABC Y
1 A+BD+CE+FG
D E F G 2 B+AD+CF+EG
- - - + + + - o 3 C+AE+BF+DG
+ - - - - + + a 4 D+AB+CG+EF
5 E+AC+BG+DF
- + - - + - + b 6 F+AG+BC+DE
+ + - + - - - ab 7 G+AF+BE+CD

- - + + - - + c

+ - + - + - - ac

- + + - - + - bc

+ + + + + + + abc
 Diseño
Diseñodedeproductos
productosrobustos
robustos
Idea
Ideade
deTaguchi
Taguchi

Ejemplo:
Queremos diseñar una base para una pizza precocinada.

Objetivo:
Obtener la combinación de los factores Harina, Sal y
Levadura que da la masa más sabrosa

Resolución:
1. Definir los niveles de los factores: (-) y (+)
2. Definir la variable a medir: “SABOR”
3. Definir cómo la medimos: Con un conjunto de catadores que
valoran 0---Muy mala hasta 10--- Muy buena
 Diseño
Diseñodedeproductos
productosrobustos
robustos
Idea
Ideade
deTaguchi
Taguchi
Definimos el diseño: Tres factores 23 H S L Sabor
- - - 5.3
Aleatorizamos el orden de recogida
de los datos + - - 7.0
- + - 4.9
+ + - 6.9
- - + 2.8
+ - + 5.1
- + + 3
+ + + 6.2
 H
L
SL
HL
HS
S

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

Effect

Normal Probability Plot for Var_1

99,9
99
95
percentage

80
50
20
5
1
0,1
-12 -7 -2 3 8 13 18
Standardized effects

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 200ºC durante 15 minutos

Posibilidad muy real de que el cliente no cumpla

las instrucciones al pie de la letra.
 Diseño
Diseñodedeproductos
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

Diseñar productos o procesos que sólo funcionan bien si

TODO se hace correctamente hace que la mayoría de las veces

El producto sea MALO

 Diseño
Diseñodedeproductos
productosrobustos
robustos
Idea
Ideade
deTaguchi
Taguchi

• Vamos a cruzar el diseño 23 con los factores de

ruido: Dos factores (temperatura y tiempo:
diseño 22 )

Temp Tiempo Temp: (-) 180ºC

(+) 220ºC
- -
+ - Tiempo: (-) 10 min
(+) 20 min
- +
+ +
 Diseño
Diseño

Ruido: Tem:
Factores Tem: 0 (200ºC)
- + - + Media Desviación
Diseño Tiempo 0 (15 min)
Tiem
H S L - - + +
- - - 5.3 3.4 5 4.1 3.8 4.3 0.7
+ - - 7.0 3.7 5.1 6.7 2.9 5.1 1.6
- + - 4.9 1.1 4.1 5.4 1.3 3.4 1.8
+ + - 6.9 3.8 5.8 5.4 4.0 5.2 1.2
- - + 2.8 2.1 3.2 1.7 1.8 2.3 0.6
+ - + 5.1 3.1 5.3 5.4 2.7 4.3 1.2
- + + 3 1.3 2.1 3.1 1.5 2.2 0.7
+ + + 6.2 5.5 6 5.9 5.7 5.9 0.2
 Diseño
Diseño

Ruido: Tem:
Factores Tem: 0 (200ºC)
- + - + Media Desviación
Diseño Tiempo 0 (15 min)
Tiem
H S L - - + +
- - - 5.3 3.4 5 4.1 3.8 4.3 0.7
+ - - 7.0 3.7 5.1 6.7 2.9 5.1 1.6
- + - 4.9 1.1 4.1 5.4 1.3 3.4 1.8
+ + - 6.9 3.8 5.8 5.4 4.0 5.2 1.2
- - + 2.8 2.1 3.2 1.7 1.8 2.3 0.6
+ - + 5.1 3.1 5.3 5.4 2.7 4.3 1.2
- + + 3 1.3 2.1 3.1 1.5 2.2 0.7
+ + + 6.2 5.5 6 5.9 5.7 5.9 0.2